基于径向基响应面和遗传算法优化的大跨悬索桥有限元模型修正

为建立贴合桥梁实际状况的有限元模型,提出了一种精确预测、分析大跨度悬索桥结构行为的有限元模型修正方法。通过高斯径向基函数构建响应面模型,将结构动力特征作为特征量构建目标函数,并引入遗传算法进行优化求解,对某大跨悬索桥的有限元模型利用数值仿真数据和安全监测系统实测数据进行了修正。结果表明:采用高斯径向基函数建立响应面模型进行有限元模型修正,可有效提高有限元模型计算精度。同时,遗传算法的引入大幅提高了计算效率。基于数值仿真数据修正后,桥梁有限元模型计算误差均小于3%。基于安全监测系统实测动力特征修正后,最大计算误差由20.4%下降至10%以内,最大误差减少54.0%以上。可见该方法具有较高的精度和较强的工程适用性,可对大跨悬索桥有限元模型进行有效修正。

基于多岛遗传算法与响应面法的横向磁通感应加热装置参数优化设计

对金属带材进行横向磁通感应加热(TFIH)时,通常会存在加热温度分布不均匀以及加热温度偏离目标值两个问题。该文研究了加热器结构参数与电源参数对45号钢带材回火热处理温度的影响,并对两种参数分别进行优化,使带材在加热器出口处的平均温度达到目标值600℃,同时获得均匀的温度分布。采用Morris法对加热器结构参数进行全局灵敏度分析,选取显著影响相对不均匀度的参数并建立径向基函数(RBF)神经网络预测模型。使用多岛遗传算法(MIGA)对筛选的结构参数进行优化,初步获得均匀的温度分布。最后以降低温度分布的相对不均匀度和达到理想平均温度为目标,在优化后的加热器结构基础上使用响应面法(RSM)优化电源参数,实现多目标优化设计。仿真验证结果表明,45号钢带材在加热器出口处的平均温度为600.06℃、相对不均匀度为2.36%,满足45号钢回火热处理的要求。

基于径向基函数神经网络与改进遗传算法的黄河流域需水预测

针对遗传算法的不足 ,利用改进的遗传算法 ,结合性能优于 BP网络的径向基函数神经网络 ,并进行网络优化 ,建立了黄河流域需水预测模型 ,拟合预测结果表明 ,该模型能有效提高预测精度。

基于遗传算法和径向基函数神经网络的转炉炼钢模型

针对转炉传统模型的弱点 ,本文在转炉建模过程中引入了遗传算法和径向基函数神经网络 ,由遗传算法辨识转炉过程的脱碳与升温模型 ,并利用径向基函数神经网络及时补偿辨识模型的误差。实际结果表明这一方法效果明显。

基于径向基函数神经网络和多岛遗传算法的注射成型质量控制与预测

针对现有多参数、多目标注塑工艺优化应用的遗传算法、粒子群算法等寻优算法存在的实施难度大、求解时间长等缺点,提出基于最优拉丁超立方试验设计方法并结合径向基函数(RBF)神经网络模型和多岛遗传算法(MIGA)对注射成型质量进行控制与预测。以充电宝下盖塑件的体积收缩率和缩痕指数为优化控制目标,以模具温度、熔体温度、保压时间、保压压力、冷却时间为试验因素,应用最优拉丁超立方试验设计方法获得试验样本,基于模流分析获得试验结果,构建试验因素与优化控制目标之间的RBF神经网络模型,基于MIGA在试验因素给定的水平范围内获得了一组最优注塑工艺参数组合并给出了优化控制目标的预测值。模拟试验结果证明,预测值与模拟试验结果基本吻合,提出的方法能实现注塑成型质量的控制与预测,减少了寻找最优工艺参数组合的时间,提高了塑件的生产效率。

改进遗传算法径向基函数的FIR数字滤波器研究

本文针对径向基函数(RBF)网络在实际应用中几种学习算法存在的缺陷和局限性,提出了利用改进遗传算法的径向基函数网络来设计FIR数字滤波器的方法,提高了全局寻优效率.为了证明这种新型混合遗传算法的有效性,本文用该算法设计了低通、高通FIR数字滤波器.采用Matlab进行仿真并给出了相应的仿真结果以验证其有效性.仿真结果表明:同其他现有的优化设计方法相比,本文研究的这种新算法可以很好地逼近理想滤波器,在通阻带内有更小的纹波,达到比较好的优化设计效果.

基于改进排序遗传算法的径向基函数神经网络色谱峰解析

构造了以塔板模型为基函数的径向基函数神经网络 (P_RBFNN) ,为了使P_RBFNN具有结构重组能力 ,又在网络学习算法中引入了鲁棒 (Rubust)和随机全局最优的两阶段排序遗传算法 :结构学习和进化。P_RBFNN结合改进的排序遗传算法很适合组分数未知的色谱 (含重叠 )峰解析。

基于遗传算法和复合二次径向基函数的复合材料层合板自由振动分析

为了提高复合材料层合板自由振动分析的精度,采用无网格径向基配点法分析复合材料材料层合板的自由振动问题,径向基函数的形状参数对计算精度有很大影响。利用遗传算法对复合二次径向基函数的形状参数进行优化,用优化后的形状参数的复合二次径向基函数计算复合材料层合板的固有频率,计算结果与文献中的结果具有较好的一致性。遗传算法在形状参数优化方面具有很大的潜力,所提出的方法具有较高的计算精度。

基于广义逆矩阵的多层径向基函数网络遗传算法

为了解决以往正则最小二乘法求权重向量时遇到的矩阵接近奇异而无法求逆的问题,采用广义逆矩阵的方法求多层径向基函数网络中各层的权重向量,并将这种方法引至多层径向基函数网络的遗传算法中。采用实函数逼近,混沌时间序列建模与预测等仿真实验对算法进行验证。结果表明,采用广义逆矩阵的方法要比正则最小二乘法在逼近精度上高1至2个数量级。

基于径向基网络与交互式遗传算法的服装设计

针对将交互式遗传算法应用到服装设计中产生的人的疲劳问题,提出利用神经网络来逼近适应度函数。给出了以GA操作产生的每代最佳个体初步作为神经网络径向基网络函数的中心值并结合相似距离值,利用K-Means求出径向基网络的各参数以逼近适应度函数。在服装设计系统应用中取得了良好的效果。

一种基于改进遗传算法的径向基小波神经网络

为了提高神经网络进行函数拟合的精度,首先在三层径向基神经网络基础上通过增加网络层次和改变激励函数提出了一种四层径向基小波神经网络,并采用遗传算法来确定初始网络参数;其次针对遗传算法中容易早熟的缺点,在遗传算法中引入动态平衡策略,根据适应度的变化来动态改变遗传算法中交叉和变异概率,从而增加算法全局探索和局部开发的平衡能力;最后通过对函数拟合试验并与其他方法相比较表明了算法的有效性。

径向基神经网络和遗传算法优化热电负荷分配

根据不同机组特性对电厂热电负荷在机组间进行优化分配,是机组节能的重要手段。对于径向基神经网络算法的隐藏层函数中心选取进行了优化,利用梯度下降法对连接权重进行初始化以及更新。利用改进后的径向基神经网络构建了关于全厂煤耗量与机组负荷之间的模型算法,对两台350 MW机组的实际运行数据进行了分析拟合。针对遗传算法可能陷入局部最优的缺点,对算法进行了改进,以得到全局最优解。采用改进后的遗传算法对供热机组进行了负荷优化分配,并与平均分配方案进行了比较,证明了该算法应用于负荷分配的有效性,为优化负荷分配提供了新思路。

基于改进自适应遗传算法的冷连轧轧制规程优化设计

由于轧制过程中应力状况较为复杂,传统的轧制力数学模型难以达到冷连轧轧制精度的要求,通过分析应力状态系数的影响因素,确立径向基函数(Radial basis function,RBF)神经网络的输入层参数以及隐层节点数,从而建立轧制变形区的应力状态系数RBF神经网络模型预报模型,把预报值用于传统轧制力计算模型中计算轧制力,获得一种轧制压力修正模型。针对SRINVAS自适应遗传算法(SRINVAS's adaptive genetic algorithm,SAGA)容易陷入局部极小的缺点,设计出一种改进的自适应交叉和变异策略,以各机架轧制负载相对均衡为目标,对典型的两个钢种在1370五机架冷连轧机进轧制规程的优化,试验结果证明,改进的自适应遗传算法(Improved adaptive genetical gorithm,IAGA)具有比Srinvas自适应遗传算法收敛速度更快、精度更高等优点,前四机架负荷系数的标准差分别减小到0.0108和0.0090。

基于遗传算法和RBF网络的番茄生长模型辨识

采用神经网络和遗传算法,对温室栽培番茄生长过程中主要器官——茎的生长过程进行了建模.温室番茄的生长过程具有控制变量多、生长过程复杂等特点.采用基于径向基函数(RBF)神经网络的辨识方法建立了温室栽培番茄生长的模型,以温室中番茄的实测数据为训练和预测样本,采用遗传算法进行训练.仿真结果表明,该方法较其他方法更适合于温室番茄生长过程的建模.

基于数字钻进技术和量子遗传-径向基函数神经网络的围岩类别超前识别技术研究

围岩类别超前分类是隧道施工过程中必须开展的一项工作,其直接关系到后续的开挖及施工支护方案。为有效地进行隧道围岩类别超前分类,提出了基于数字钻进技术和量子遗传(QGA)-径向基函数(RBF)神经网络的围岩类别超前分类方法。以数字钻进技术为基础,从钻进参数中提取有用信息,构建围岩类别超前分类指标体系。采用量子计算原理对遗传算法进行改进,通过量子位编码和量子旋转门更新种群,以此来确定RBF神经网络的参数,建立了基于QGA-RBF神经网络的围岩类别超前识别系统。最后将该方法应用于青岛胶州湾海底隧道的围岩类别超前识别中,结果表明,该方法具有较高的准确性,其结果为围岩类别超前分类提供了一种新思路。

基于遗传算法的工程车辆自动变速神经网络控制

为了提高工程车辆传动系统效率,保持液力变矩器工作在高效区,提出了基于径向基函数神经网络的工程车辆自动变速控制方法,利用车辆传动试验台换挡控制试验的数据作为学习样本,采用遗传算法对径向基网络进行训练,并进行了验证性的仿真试验。仿真结果表明:该算法收敛速度快,能够满足工程车辆对换挡实时性的要求,可以根据车辆运行状态确定最佳挡位,并能够保证液力变矩器经常工作在高效区。

基于混合递阶遗传算法和RBF神经网络的超声波电动机自适应速度控制

超声波电动机(USM)是近年发展起来的一种新型微特电机,与传统的电磁驱动型电动机的工作原理截然不同。由于USM具有小型轻量、无电磁干扰、响应速度快、低速大转矩、高保持力矩、高功率密度等诸多优点,因而在光学仪器、办公自动化、汽车专用电器、智能机器人、航空航天等领域具有良好的应用前景。但USM的高度非线性、时变性和强耦合增加了它的控制难度。本文提出一种新的USM自适应控制策略,系统采用双闭环控制,内环用来补偿定子环机械谐振频率的漂移;外环利用径向基函数神经网络(RBFNN)控制器调节USM的驱动频率,实现速度的自适应控制。根据RBF神经网络的结构特点,对其参数采用混合递阶遗传算法进行训练。经实验证明,该控制系统具有响应迅速、适应性强等优点,具有较高的控制精度和较好的稳定性。

基于遗传算法的RBF网络用于股票短期预测

采用改进的遗传算法 (GA)优化径向基函数 (RBF)网络 ,提出了一种新颖的确定 RBF网络参数的方法 ,并用优化的 RBF网络用于股票的短期预测 ,其结果与实际值吻合效果较好 。

一种基于遗传算法的RBF神经网络优化方法

提出了一种新的RBF神经网络的训练方法,采用遗传算法对RBF神经网络的隐层中心值和宽度进行了优化,用递推最小二乘法训练隐层和输出层之间的权值。在对非线性函数进行逼近的仿真中,验证了该算法的有效性。

基于遗传算法和梯度下降的RBF神经网络组合训练方法

在使用基于梯度下降的径向基函数(RBF)神经网络学习方法时,由于网络目标函数误差曲面极其复杂,因而产生了网络收敛速度慢,且容易陷入局部极小,网络初始值的设置对网络训练结果影响很大等问题。基于遗传算法的训练方法能够摆脱陷入局部最优的困扰,但遗传算法的局部搜索能力不够,从而影响网络的训练效果。为了解决上述问题,在研究两种算法特点的基础上,提出一种组合训练方法,用提出的训练方法对UCI中的部分数据集进行了仿真实验,并将实验结果与传统方法下的结果进行了比较,实验结果表明新方法是有效的。