多种群并行进化神经网络的研究及应用

提出一种新的多种群并行遗传算法 (NMPGA) ,并将其作为多层前馈神经网络(MFNNs)的学习算法 ,从而形成一类新的 MFNN模型——多种群并行进化神经网络(MPENNs)。首先 ,对一给定的网络结构 ,随机产生一初始权重的集合 ,这个集合实际上对应着一组具有相同结构但不同权重的神经网络。然后 ,采用 NMPGA对 MFNNs的权重进行进化。最后 ,性能最好的网络被选作目标问题的解。在 NMPGA算法中 ,作者采用浮点数编码来克服传统二进制编码的精度不足问题 ,并设计了专门的杂交算子和变异算子来增强算法性能。实验结果表明 ,MPENNs能成功解决异或问题、三元奇偶问题及成品烟的感官质量评价问题。

集中式粗粒度分布并行模型和并行进化神经网络

提出了一种分布计算环境下并行进化神经网络的实现机制 :集中式粗粒度模型 .该模型基于并行遗传算法 ,可以同时对前馈神经网络的结构和权值进行优化 .在分布计算环境中的实现为其在分布式网络中的应用开辟了广阔的前景 .初步的实验结果表明该模型可以加快神经网络的进化速度 ,提高进化的效率 .

并行ENN-FEM分析力学参数对洞室群稳定性的影响

将洞室群视为一特定系统,采用并行进化神经网络有限元(ENN-FEM)方法建立该系统与岩体力学参数之间的相对应关系。采用遗传算法分析得到对围岩稳定性最不利的参数组合,对组合中任一参数可通过参数敏感度函数分析其敏感度,并由此综合评估各软岩力学参数对洞室群稳定性的影响,确定出关键岩层以给设计和施工提供指导性建议。实例计算表明该方法是合理的,且具有智能化和综合分析的优点。