基于云自适应遗传算法的改进BP算法

针对标准BP算法对初始权值敏感、收敛速度慢、易陷入局部极小等问题,结合正态云模型云滴的随机性和稳定倾向性,以及遗传算法的全局搜索能力、收敛速度快等特性,提出了云自适应遗传改进BP算法.该算法首次将云模型和遗传算法结合调整神经网络的权值和阈值.由X条件云发生器产生改进的自适应交叉概率和变异概率.实验结果表明:云自适应遗传改进BP算法比标准BP算法收敛速度快.

基于云自适应遗传算法的野营器材运输路径优化

针对野营器材运输投送过程中存在的及时性不强、精准性不高和匹配性欠佳等问题,论文围绕现代联合作战保障和现代军事物流体系建设,综合考虑野营器材运输投送中的时间要求、经济成本和风险制约,构建运输路径优化模型,并采用基于云自适应遗传算法优化求解,以期制定合理的野营器材运输方案,供野营器材保障决策参考。

云自适应遗传算法

传统自适应遗传算法(AGA)虽能有效提高收敛速度,却难以增强算法的鲁棒性.以当代种群平均适应度为期望Ex,根据云模型"3En"规则确定熵En,由X条件云发生器自适应调整交叉变异概率,提出云自适应遗传算法(CAGA).由于云模型云滴具有随机性和稳定倾向性特点,使交叉变异概率值既具有传统AGA的趋势性,满足快速寻优能力;又具有随机性,且当种群适应度最大时并非绝对的零概率值,有利于提高种群多样性,从而大大改善避免陷入局部最优的能力.典型函数优化实验表明,与标准遗传算法(SGA)和AGA相比,CAGA具有更好的收敛速度和鲁棒性.

基于改进遗传算法的BP神经网络自适应优化设计

BP(Back Propagation)神经网络在网络训练中存在着局部最优问题,其算法收敛过慢、局部收敛不理想,影响其工作性能.针对以上不足以及传统神经网络设计规模庞大等问题,提出了一种由EGA(改进的遗传算法)确定网络拓扑结构和训练网络的方法,该方法通过实数编码、自适应多点变异等操作有效地优化了网络拓扑结构和网络参数,从而有效缩小了网络规模和提高了BP网络训练的速度以及收敛的有效性.最后结合了番茄常见病害诊断的实例说明了此方法的可行性.

基于自适应遗传算法和改进BP算法的遥感影像分类

介绍了采用自适应遗传算法和改进BP算法相结合的混合算法来训练BP网络的方法,即先用自适应遗传算法进行全局训练,再用改进BP算法进行精确训练,以达到加快网络收敛速度和避免陷入局部极小值的目的。结果表明,该算法收敛速度快,分类精度较高。

基于微种群遗传算法和自适应BP算法的遥感图像分类

介绍了采用微种群遗传算法和自适应BP算法相结合的混合遗传算法来训练前向人工神经网络(BPNN)的方法。即先用微种群遗传学习算法进行全局训练,再用自适应BP算法进行精确训练,以达到加快网络收敛速度和避免陷入局部极小值的目的。将此算法用于遥感图像分类,网络的训练速度及分类结果表明,该算法收敛速度较快,预测精度较高。

使用BP网络和自适应遗传算法的某型火箭炮变发射间隔研究

在建立某型火箭炮动力学模型的基础上,根据正交试验的原则,通过动力学仿真和数据处理为BP网络建立训练样本,用训练后的网络模拟发射间隔和起始扰动之间的非线性关系,将改进后的自适应遗传算法(IAGA)和BP网络结合对发射间隔进行研究和优化,得出了变发射间隔的满意解。结果表明,将BP和IAGA结合,既克服了BP优化功能的不足,又弥补了遗传算法优化时需要显式目标函数的缺陷,解决了单纯用动力学仿真不能解决的问题。优化的结果可以直接应用到该型火箭炮的发射中去。

基于自适应遗传算法和BP神经网络的电池容量预测

应用BP神经网络建立了电池模型，并应用自适应遗传算法对其权值阈值进行了优化，最后利用MATLAB编写了其仿真程序进行多组数据的测试，结果与纯BP网络和GA-BP网络进行了对比。结果表明，AGA—BP网络具有训练时间短、精度高的特点，对电池任一状态下的剩余容量预测均有效。

改进自适应遗传算法在BP神经网络学习中的应用

针对遗传算法容易产生局值的问题,提出一种新的自适应遗传算法,改进遗传算子,通过比较两代之间的适应度评估值,选取适合的交叉率和变异率,保证了优秀个体进入下一代,而且避免了种群中最大适应度值的个体的交叉率和变异率为0的情况.最后,将改进后的算法应用于库存控制模型,实验表明,改进后的自适应遗传算法能避免局值,提高网络的收敛速度,改善了网络的学习性能.

结合自适应遗传算法与弹性BP神经网络的亚硝酸盐预测模型

针对目前营养盐检测主要是通过化学方法实现，无法获得在线检测的问题，利用营养盐与其影响因子之间的关系，提出结合自适应遗传算法与弹性BP神经网络的预测模型。利用改进的自适应遗传算法，通过交叉、变异获取弹性BP神经网络的初始权值与阈值，加速预测过程。该模型通过营养盐影响因子数据，预测亚硝酸盐浓度。仿真结果表明：基于弹性BP神经网络的预测模型预测营养盐浓度是可行的，其预测得到的亚硝酸盐浓度值的相对误差主要集中于0-30%；结合自适应遗传算法与弹性BP神经网络的预测模型的预测效果好于基于弹性BP神经网络的预测模型。

基于蜜蜂双种群进化型云自适应遗传算法的电力系统多目标无功优化

针对遗传算法在求解多目标无功优化方面存在的缺陷,文章提出了基于蜜蜂双种群进化型云自适应遗传算法(double bee population evolutionary cloud adaptive genetic algorithm,BEPE-CAGA)。该算法根据蜜蜂双种群进化思想,引入了雄峰通过竞争参与交叉及雄峰与决定双峰群优秀遗传基因的蜂后交叉的策略,并结合正态云模型云滴的随机性和稳定倾向性特点对其进行改进,改善了算法陷入早熟的问题,提高了算法的收敛速度。建立了以有功网损最小、电压偏差最小及电压稳定裕度最大为目标的无功优化数学模型,并以BEPE-CAGA算法求解该模型。最后通过对IEEE14和IEEE30节点系统进行算例仿真,仿真结果验证了文章所提算法的有效性,同时也证明了该算法在收敛速度和优化效果上具有比基本GA算法和CAGA算法更佳的性能。

基于云自适应遗传算法的深覆盖层上面板堆石坝渗流监控模型

针对库水位和降雨对面板堆石坝渗流的滞后效应,结合深覆盖层面板堆石坝的筑坝特点,在综合考虑覆盖层厚度、筑坝材料等对大坝渗流影响的基础上,建立了考虑滞后效应的深覆盖层面板堆石坝渗流安全监控模型,并在模型的求解中采用了云自适应遗传算法。实例应用表明,该模型能较好地反映库水位、降雨对渗流的滞后影响,模型精度与预报效果优于一般渗流统计模型,且云自适应遗传算法较好地弥补了传统遗传算法执行效率不高、易陷入局部最优解等不足。

基于改进的自适应遗传算法优化BP神经网络

针对Srinivas提出的自适应遗传算法种群前期进化较慢的问题,改进了自适应交叉率和变异率的计算方法,考虑交叉率和变异率与种群进化所处阶段的匹配,提出一种改进的自适应遗传算法;并将其应用于BP神经网络计算模型的优化,运用到汽车加油量计算中,通过比较标准BP网络、Srinivas提出的自适应遗传算法优化的BP神经网络和改进的自适应遗传算法优化的BP神经网络3种模型的计算误差,验证得出改进的自适应遗传算法优化BP神经网络的算法优于另外两种。

短期电力负荷预测的自适应混合遗传优化BP算法

基于遗传算法具有很强的全局搜索能力和BP神经网络具有精确的局部搜索能力的特点,提出对电力短期负荷预测的自适应的混合算法。将训练样本随机地分为训练集和测试集。应用该算法对澳大利亚悉尼的短期电力负荷进行了预测。仿真计算表明,该算法达到了提高预测精度和改善网络性能的要求。

基于自适应遗传算法优化的BP神经网络股票价格预测

股票价格是一种具有较强随机性的数据,不仅受到买卖双方的影响,而且与国内外政策因素有关.为了提高精度,采用BP神经网络与遗传算法结合的方法进行研究.针对BP神经网络初始权值随机、遗传算法易陷入局部优化等问题,给出了一种基于自适应遗传算法优化的BP神经网络股票价格预测模型,该模型通过自适应遗传算法对BP神经网络初始权值进行优化,从而对股票价格进行预测分析.实验仿真结果表明该模型可以获得较高的预测精度和较快的收敛速度.

基于自适应遗传算法和BP网络的物重监测模型

采用自适应遗传算法与误差反向传播算法(BP)相结合,建立一个通过图像监测物体重量的模型。先对图像进行特征提取,然后用遗传算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免局部极小。作为实例,利用圆柱体、锥形体、梯形体等物体图像相关资料建立了数据库,将图像的特征因素作为样本对网络进行训练,并用训练好的网络预测未知物体重量。由实例表明,该方法在预测物体重量中是可行的,误差较小,为物体重量监测提供了一种新思路和新方法,可用于大型生产线上的物体重量在线监测和质量控制。

一种结合混沌搜索的改进云自适应遗传算法

针对传统云自适应遗传算法由于初始种群质量不高、局部搜索能力较差、交叉和变异概率的云模型控制参数为固定值而造成的早熟和收敛速度较慢的问题,提出一种结合混沌搜索的改进云自适应遗传算法(CAGACS)。利用混沌模型生成初始种群,提高初始种群多样性;在进化过程中对最优个体进行混沌扰动,加强算法局部搜索能力;设计了随进化代数和种群规模变化的云模型控制参数,增强交叉和变异概率的自适应变化,克服早熟和收敛过慢的缺陷。实例仿真结果表明,CAGACS算法既保持了云自适应遗传算法的稳定倾向性和随机性,又进一步加强了算法的寻优能力。

一种基于自适应遗传算法的BP网络的应用

针对遗传算法和BP网络各自的优缺点,探讨了两算法结合的必要性、可能性以及结合方法,提出了一种改进的自适应遗传算法,并把该算法用于优化BP网络的权值。把经优化后的BP网络作为汉字识别的分类器,实验结果验证了所述方法的有效性。

改进的自适应遗传算法与BP算法结合的混合训练方法在神经网络式距离保护中的应用

针对ＢＰ算法存在的训练速度慢、易收敛于局部极小点和全局搜索能力弱等缺陷，本文利用遗传算法能够进行全局最成化搜索一特点，在改进的自适应遗传算法的基础上，提出了一种新的用于ＢＰ网络训练的混合算法，即改进的自适应遗传算法与ＢＰ算法相结合的混合训练方法。针对遗传算法中的实数编码方式，本文引入进化规划的思路，提出了一种基于个体适应度值的实现方法，该方法能够有效地实数编码方式下的遗传算法的变异操作。

基于改进自适应遗传算法的BP神经网络模型研究

针对自适应遗传算法容易陷入局部最优值的问题,提出了改进的自适应遗传算法,并将改进的自适应遗传算法应用于神经网络权值学习和训练中,提高网络的处理能力。