有限元并行计算任务划分的神经网络算法

区域分解方法是有限元并行计算任务划分的有效手段,可将这种有限元计算区域网格的划分看成组合优化问题,运用神经网络原理为有限元并行计算任务的合理划分提供了一种可行的方法。

三维磁场计算的有限元神经网络模型

针对有限元法计算量大的缺点,将神经网络的并行结构应用于有限元法的运算过程,提出一种求解三维磁场的有限元神经网络模型,实现了有限元法的并行分布式计算。采用共轭梯度法作为神经网络的训练算法对仿真模型进行分析,得到了磁场强度的矢量图、剖面的等磁动势线图。与有限元方法相比,三维有限元神经网络将复杂运算分布到各个神经网络节点并行求解,简化了有限元法的运算过程,是一种精确快速的磁场分析方法。

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。

神经网络并行进化设计及其在短期电力负荷预测中的应用

针对神经网络模型进化设计问题的特点 ,提出了改进的并行遗传算法 (IPGA) ,并分析其全局收敛性与应用策略。应用此方法于短期电力负荷预测系统中 ,取得了更高的预测精度。该方法设计简单通用、模型性能评价全面合理、全局优化能力强。实际应用表明该方法是有效的 ,具有应用推广价值。

基于差分进化Takagi-Sugeno模糊神经网络的电网故障诊断模型

为有效处理电网故障中存在的不确定性,提出一种基于改进差分进化Takagi-Sugeno模糊神经网络的电网故障诊断模型。该模型基于分布式并行处理的思路,根据配置的继电保护和断路器对每个元件而非整个电网建立相应故障诊断模型。为提高诊断模型的准确性,对差分进化算法的缩放因子和交叉率进行自适应改进,并将改进算法用于优化各模型的前件参数和后件参数。仿真结果表明,与其他神经网络相比,该模型能够成功诊断存在拒动、误动的复杂故障,提高了电网故障诊断的容错性。

并行进化BP神经网络

基于并行进化种族间的协作和竞争机制，给出了ＣＰＣＡ算法。新算法的进化操作更符合自然选择机制，在动态增加新种族的同时，亦动态删除老化、竞争力弱的种族。该算法用来进化ＢＰ网，经实验证明能有效地提高解的质量，并降低进化时间。

有限元结构分析神经网络计算

采用精确积分四边形单元刚度矩阵，构造一种多层反馈神经网络以实现平面问题有限元结构分析，其中间层神经元联接权值为求解问题的单元刚度矩阵。分析和数值仿真结果表明，该神经网络稳定收敛于有限元模型解，为有限元结构分析并行计算提供一种新的方法。

云计算环境下并行进化神经网络的设计研究

针对提高进化神经网络进化时效性,充分利用神经网络的训练数据,提出一种在云计算Hadoop平台环境下,使用进化算法对BP神经网络的权值和网络结构进行优化,通过分布并行计算,提高进化速度和效率。理论分析和实验结果表明,在数据量较大时,该方法能有效地提高神经网络计算精度。

一种基于差分进化改进的深度神经网络并行化方法

深度神经网络在多个领域应用广泛,但随着数据量的增长以及模型复杂度的提高,造成的影响是训练效率和模型精度的下降,对于深度神经网络的并行化研究可以有效解决这一问题.在现有分布式环境下进行数据并行化训练是神经网络并行化的一种有效方案,但其存在全局模型精度不佳、节点计算能力不平衡的问题.针对以上问题,本文提出了一种基于差分进化改进的深度神经网络并行化方法DE-DNN.DE-DNN利用差分进化方法对并行训练过程中获取全局模型的关键步骤进行改进和优化;同时提出一种基于批处理的自适应数据分配算法BSDA,减少并行训练过程中由于计算节点能力不平衡而造成的节点额外等待时间.实验基于NiN深度网络模型对本文提出的方法进行了实现并在CIFAR-10和CIFAR-100数据集上进行测试.实验结果表明,DE-DNN可以有效提高并行训练过程中全局模型的分类准确率,加快收敛速度;BSDA数据分配算法能够合理根据各节点的计算能力分配适量数据,减少训练过程中因节点等待产生的额外时间开销.

神经网络与进化策略在结构优化设计中的结合

利用BP神经网络对有限元计算出的样本数据训练出一种参数映射关系,从而获得进化策略求解结构优化问题的目标函数值,进一步获得问题的优化解,5杆结构表明此方法使用较少的有限元分析次数就能有效地求出最优解。

基于遗传算法与神经网络的VRP求解

为求解配送货物过程中车辆路径安排问题(VRP),融合神经网络与遗传算法,在标准遗传算法基础上,将并行进化思想与阶段性进化思想相结合,提出了一种新型遗传算法——并行阶段性遗传算法(PPGA).实际应用表明,与标准遗传算法相比,新的混合遗传算法收敛速度更快、收敛精度更高.

基于有限元仿真和微分进化算法的电场测量仪支架优化

首先通过实验分析研究了测量仪支架结构、环境湿度、支架材质对工频电场测量误差的影响;然后通过有限元仿真计算软件搭建了高压输电线路测量仿真模型,对高压工频电场环境及测量仪支架介入后的畸变电场进行仿真计算,并利用大量仿真结果建立了基于BP神经网络的电场测量误差预测模型;最后采用分子微分进化算法以测量误差最小化为目标对测量支架结构参数进行优化求解。研究结果表明,所优化设计得到的新型电场测量仪支架可有效减小测量误差和增强对湿度环境的适应性。

未知远程环境下移动机器人导航的并行进化模型

本文分析了未知远程环境下移动机器人导航过程中进化学习的效率和知识更新问题 ,提出了并行进化模型来解决此问题 ,并设计和论证了高效的并行进化计算机 .

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。

基于PSO-DE-BP的光伏发电功率短期预测

提高光伏发电功率预测精度对保障智能电网安全稳定运行有重要意义;针对传统BP神经网络存在预测精度不高且收敛速度慢的弊端,提出一种基于粒子群(PSO)差分进化(DE)并行计算优化BP神经网络的光伏发电短期预测方法;首先分析影响因素重要程度,通过带权重的欧式距离筛选相似的训练样本集;其次,对粒子群分组,通过粒子群和差分进化混合算法对粒子组内和组间优化,以保证种群多样性、提高预测稳定和精度、避免局部最优;然后,建立预测模型,通过基于spark的内存计算平台,将PSO-DE-BP算法并行优化以提高算法运行效率;最后,根据不同天气类型的预测结果对模型进行分析验证,此方法比PSO-BP、BP算法模型具有更高的稳定性和预测精度。

滑坡综合集成智能分析方法研究进展

本文综合课题组在滑坡方面的研究,以具体的滑坡工程为实例,详细介绍了滑坡现场监测、基于GIS的滑坡三维可视化、综合集成智能滑坡分析方法,包括滑坡变形预测的进化支持向量机建模、加固方案优化设计的进化神经网络-数值方法、基于动态聚类的进化神经网络危险性分区、滑体参数反演的进化支持向量机-有限元方法、滑动面搜索的免疫连续蚁群-极限平衡分析、滑动面参教反演的粒子群优化算法等。结果表明,所提出的滑坡研究综合集成智能分析方法是适用、科学和合理的。

计算智能:一个重要的研究方向

863计划智能机主题已经进行6年了,现在回顾一下近十几年来国际上人工智能研究的历史和分析考察这一领域的新动向,是件十分有意义的事。80年代中期,人工智能曾经被认为是“下一件最大的事情”,有400多个厂商标榜自己生产人工智能产品。到1993年,只有少数几家保存下来,