基于改进的遗传算法神经网络对链烷烃pVT性质的研究

提出一种改进的遗传算法用于训练神经网络 ,将此神经网络对链烷烃的分子连接性指数和 pVT数据进行训练。根据 2 5种链烷烃的训练结果 ,确定了决定链烷烃 pVT性质的 4个分子连接性指数为0 χ、2 χp、3χp 和4χpc。据此对其它 1 5种链烷烃的 pVT数据进行了预测 ,取得较为满意的结果。采用这种方法可以为从非状态方程计算流体的pVT数据提供一种方便有效的途径。

基于改进的遗传算法神经网络控制器

基于遗传算法的神经网络控制器,对神经网络中连接权值采用实值编码,通过随机选择,可变变异率和Elitism方法形成改进遗传算法。以倒立摆系统神经网络控制器参数寻优为例,对二进制编码和实值编码的遗传算法进化过程进行仿真,结果表明本算法寻优效果优,在多参数、多目标、多约束条件下,寻优效果更佳。

基于改进实数编码遗传算法的神经网络超参数优化

针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。

小波包与遗传算法优化BP神经网络相结合的井架钢结构损伤识别

井架钢结构损伤影响其承载安全性,为快速、准确对损伤位置进行识别,提出小波包与遗传算法优化BP神经网络相结合的井架钢结构损伤识别方法。首先利用小波包处理非平稳振动信号的优良性能对原始振动信号进行特征提取,获得表征井架钢结构损伤的信息;再通过特征参数建立数据集训练并测试井架钢结构损伤识别模型,该模型结合遗传算法自身特点改善了传统BP神经网络的不足。本文识别方法不需要损伤前的数据特征进行对比,便可对损伤位置进行确定。经过对石油井架钢结构模型实验验证:该方法对井架钢结构损伤识别准确率超过90%,相对于BP网络识别准确率以及识别速度均有所提高。

遗传算法优化BP神经网络在水质评价中的应用

通过对常规BP神经网络和遗传算法深入研究后,提出将二者结合起来,取长补短,并采用黄金分割算法确定神经网络模型隐含层节点数,借助MATLAB软件建立了遗传算法优化后的BP神经网络水质评价模型,解决了初始权值、阈值确定难,易陷入局部极值以及网络收敛慢等问题,同时结合2021年黄河上游部分断面地表水环境质量评价进行了实例仿真实验,验证了该模型的可行性和准确性。遗传算法优化后的BP神经网络不仅能从全局考虑污染因子对评价结果的影响,而且解决了常规BP神经网络易陷入局部极值的问题,提高了网络的识别精度,评价结果更准确,更符合实际水体情况,在一定程度上改善了传统评价方法的片面性和主观性,对现有的水环境质量评价方法的改进起到了积极作用。

基于反向传播神经网络和遗传算法的新鲜Halloumi奶酪生产工艺优化

为提升Halloumi奶酪品质,采用反向传播神经网络和遗传算法优化Halloumi奶酪生产过程的多工艺参数。选取CaCl_(2)添加量、热烫温度和压榨压强为优化变量,以成品奶酪得率和感官评分为优化目标,分别建立了2个神经网络模型,模型精度分别达到了98.936%和98.255%。之后,通过遗传算法进行寻优,结果表明,在得率≥10%以及感官评分≥85的前提下,以奶酪得率为目标的最优生产工艺条件:CaCl_(2)添加量0.0144%、热烫温度83.5℃、压榨压强5.12 kPa,该条件下最高得率为12.01%。以感官品质为目标的最优生产工艺条件:CaCl_(2)添加量0.0171%、热烫温度83.7℃、压榨压强10.38 kPa,该条件下最高感官评分为94.5。该方法能够有效实现Halloumi奶酪生产工艺的快速优化,为促进Halloumi奶酪工业化提供理论基础。

基于BP人工神经网络与遗传算法的航速优化

为了进一步提高船舶能耗效率,本文提出一种基于BP人工神经网络与遗传算法的航速优化技术路线。首先,介绍常见油耗模型的构建方法;其次,利用BP人工神经网络建立目标船舶的油耗模型。模型预测的平均绝对误差为2.3%,准确度和泛化能力基本满足工程应用要求。最后,利用遗传算法,并基于历史气象数据对目标船舶的航线做分段航速优化。计算结果表明,航速优化后目标船舶的航行时长不仅能减少1.35天,燃油损耗还可节省10.1%,由此说明对航行船舶做分段航速优化是一种可行方案。

基于神经网络模型及遗传算法的贝莱斯芽孢杆菌发酵沙丁鱼下脚料抗氧化活性的条件优化

微生物发酵技术是提升海洋鱼产品加工副产物价值的一种重要而有效的途径,而作为沙丁鱼加工副产物的鱼头是一种优质蛋白质和生物活性物质的绝佳来源.本文拟利用从传统鱼露中分离筛选的具有多种蛋白酶活性的贝莱斯芽孢杆菌SW5发酵沙丁鱼下脚料鱼头制备抗氧化活性物质,采用人工神经网络与遗传算法(ANN-GA)相结合方法,以DPPH自由基清除率和蛋白水解度(DH)为考察指标,确定最佳发酵条件.结果表明,沙丁鱼下脚料抗氧化物质最佳发酵条件为发酵时间42 h,发酵温度37℃,接种量3%,并在此条件下通过实验验证DPPH自由基清除率为91.26%.研究结果可为SW5菌株在海洋蛋白质资源的有效利用及功能性海洋食品生产应用上提供数据参考.

基于神经网络与遗传算法的离心泵汽蚀性能优化设计

为了研究离心泵发生汽蚀过程时其内部流动规律和对其汽蚀性能的优化设计,在结合传统优化方法的基础上,提出神经网络与遗传算法结合的智能优化方法。通过Plackett-Burman试验设计从离心泵的叶轮进出口直径、进出口安放角、叶片数、叶片包角等7个设计参数中筛选出显著影响的3个优化设计变量。叶片出口宽度、叶片包角和叶轮出口直径3个优化设计变量,其影响汽蚀性能的显著性由大到小。运用拉丁超立方抽样方法抽取30组设计方案,分别进行数值模拟计算,得出相应的汽蚀余量值。建立神经网络模型,结合遗传算法在规定范围内进行寻优,得到最优设计变量组合及最优汽蚀余量值。取优化后的参数进行数值模拟计算,优化后的离心泵在相同工况下汽蚀余量降低了43.1%,说明优化后的离心泵抗汽蚀性能显著提高。

神经网络-遗传算法对杏鲍菇粉3D打印的建模与优化

【目的】食品3D打印技术是食品领域具有发展前景的新技术,但是打印过程影响因素多,存在打印参数确定困难、打印精度预测能力差等问题。寻找有效建模方法,对杏鲍菇粉3D打印参数进行寻优,以确定最佳3D打印条件。【方法】本研究采用杏鲍菇粉和刺槐豆胶为3D打印原料,以单因素试验为基础,通过中心组合试验设计,研究喷嘴直径、打印高度、喷嘴移动速度和填充率4个关键的工艺参数对杏鲍菇粉3D打印精度的影响,并在此基础上采用响应面法和神经网络-遗传算法分别建模分析,确定3D打印的工艺参数。【结果】单因素试验及中心组合试验结果表明,影响3D打印精度的主要因素从大到小顺序为填充率、喷嘴直径、喷嘴移动速度、打印高度。响应面法和神经网络-遗传算法均可用于杏鲍菇粉3D打印参数优化,但是优化效果不同。响应面法的决定系数R^(2)值、均方根误差、相对误差、预测最优值分别为0.8817、0.2314、72.73%、0.148;神经网络-遗传算法的决定系数R^(2)值、均方根误差、相对误差、预测最优值分别为0.9389、0.2269、33.85%、0.215。比较模型参数可得,神经网络-遗传算法的决定系数R^(2)值较高,均方根误差、相对误差较低,比响应面法拟合能力更好,同时其预测最优值较高,具有更好的预测能力。神经网络-遗传算法比响应面法更适合于杏鲍菇粉3D打印参数工艺的优化。采用神经网络-遗传算法获得以杏鲍菇为原料的3D打印最佳工艺参数条件为:喷嘴直径1.2 mm、打印高度1.1 mm、喷嘴移动速度24 mm·s^(-1)、填充率84%。经过试验验证,神经网络-遗传算法确定的最优参数打印样品偏差为0.325,优于响应面的实际打印偏差0.550。【结论】本研究结果表明神经网络-遗传算法可以有效确定3D打印过程最优工艺参数,准确预测食品3D打印产品的精度,可作为农产品及食品个性化3D打印工艺参数优化的一种有效便捷方法。

基于遗传算法优化BP神经网络的生石膏超细磨预测效果研究

为提高BP神经网络对生石膏超细磨效果的预测准确性,采用Pearson相关系数对超细石膏粉体正交试验产品细度与影响因素的显著性进行分析,并利用遗传算法优化BP神经网络对超细石膏粉体试验产品的d_(50)和d_(90)进行预测,结果表明:超细石膏粉体制备过程中影响细度因素的显著性由大到小依次为排矿口宽度、矿浆质量分数和超细磨时间。利用排矿口宽度和矿浆质量分数两个主要影响因素,利用遗传算法对BP神经网络进行优化,与未优化的BP神经网络相比,经遗传算法优化的BP神经网络具有更高的精度,预测误差也更小,其d_(50)平均绝对误差为0.7575,均方误差为0.7977,均方误差根为0.8931,平均绝对百分比误差为4.4838%;d_(90)平均绝对误差为0.7870,均方误差为0.8294,均方误差根为0.9107,平均绝对百分比误差为1.6658%。研究成果可为超细粉体的制备提供参考。

基于遗传算法的BP神经网络在轻质路基沉降预测中的应用

为更好地掌握轻质路基施工过程中的沉降变形情况,选取宁芜保通线部分轻质路基沉降监测数据,在BP(back propagation)神经网络模型的基础上,采用遗传算法对其进行优化,并将优化后的模型应用于轻质路基沉降预测。结果表明:遗传算法优化的BP神经网络在全局搜索能力和收敛能力方面具有明显优势;在轻质路基沉降预测任务中,多数预测结果的相对误差集中在更低的范围内,监测点1和监测点2预测结果的模型评价指标MAE、RMSE、MAPE分别为0.017 mm、0.021 mm、0.679%和0.013 mm、0.016 mm、1.395%,预测结果拟合程度高,误差小,模型泛化能力强。因此,遗传算法优化的BP神经网络的沉降预测模型具有可靠的预测效果与预测精度,在实际工程中可行性较高,可作为轻质路基沉降预测和预警的一种辅助手段。

基于遗传算法小波神经网络的光伏电站发电量预测方法

针对光伏电站发电量预测不准确及多种气象因素下预测结果出现波动的问题,提出一种基于遗传算法小波神经网络(GA-WNN)的光伏电站发电量预测方法。首先,以反向传播(BP)神经网络的结构为框架,选择小波基函数作为隐含层的传递函数,将网络连接权值、小波函数伸缩因子、小波函数平移因子视为遗传个体,并通过遗传算法(GA)进行个体寻优以得到网络最优初始参数;然后,利用优化后的网络进行仿真预测,并对仿真数据进行分析;最后,将预测结果与实际发电量进行对比,以评估预测模型的误差和可靠性。实例分析表明,GA-WNN预测模型具有更小的误差和更高的预测精度,适用于精确预测光伏电站的发电量。

遗传算法与修正的自适应矩估计优化循环神经网络的心音分类方法

针对传统的循环神经网络(RNN)在识别分类心音信号方面具有梯度爆炸、梯度消失和短期记忆的问题,该文提出了无需心音分段的结合遗传算法(GA)与修正的自适应矩估计(RAdam)优化RNN的心音分类模型。该模型的优势是将GA和RAdam优化器以串联的方式融合到RNN中,以达到改进RNN的作用。首先,利用GA的选择、变异和遗传操作,优化RNN的输入层节点数,获取心音特征向量的最优个体的初始解。其次,根据最优个体中的权重、偏置矩阵,赋予模型初始权值和阈值,获得初始权重最优解,整个模型共享参数。最后,联合改进的学习率自适应优化算法,优化RNN模型。结果表明,结合经典的梅尔(Mel)倒频谱系数方法提取心音信号的特征向量,心音信号分类准确率达到90.29%,相比于未优化的RNN模型,准确率提高了17.79%。

基于改进鲸鱼算法优化神经网络的GPS高程拟合方法

采取混沌映射和自适应惯性权重结合的策略对标准鲸鱼算法进行改进,从而提高算法的全局寻优能力和收敛速度,并针对BP神经网络的劣势,利用改进鲸鱼算法对BP神经网络进行优化处理。在此基础上建立改进鲸鱼算法优化BP神经网络的GPS高程异常拟合预测模型,并通过两组不同地形特征工程中的GPS数据对模型进行验证。结果表明,利用改进鲸鱼算法优化的BP模型进行GPS高程拟合时可取得更高的精度和稳定性。

基于神经网络和遗传算法的金融数据分析方法

金融市场的复杂性和不确定性使得对其进行准确的数据分析成为一项重要而具有挑战性的任务。随着科技的不断发展,神经网络和遗传算法等先进技术在数据科学领域展现出强大的潜力。金融数据分析已经取得了一些重要的成果,但仍然存在着一系列挑战,如市场波动性、信息不对称等。神经网络作为强大的模式识别工具,具有处理复杂数据结构的能力,而遗传算法则在参数优化和搜索空间中的全局最优解方面表现出色。通过将这两者相结合,我们期望提供一种更为有效的金融数据分析框架,以更好地适应市场的动态变化。通过这项研究,我们希望为金融领域的数据分析方法提供新的视角,并为未来研究提供有益的启示。

基于Pareto遗传算法和神经网络的无人机气动布局研究

设计了一种无人机气动布局优化方法。首先,基于流场仿真手段获取了无人机典型机翼形状设计参数以及主要气动性能指标,以此作为优化无人机气动布局的数据来源。基于得到的无人机机翼形状主要参数和性能指标,利用神经网络方法建立两者映射关系库。在给定大迎角和巡航状态下,运用Pareto遗传算法和映射关系库,以升阻比和升力系数为目标函数,得到最佳的性能参数组合,以及最佳的机翼形状数据,并基于流场仿真方法,将最优机翼形状数据输入到模型中,得到机翼形状流场压力的分布规律,验证方法的正确性。

基于遗传算法优化的SOFM神经网络生成测试数据集的方法

智能算法正成为软件测试领域新兴研究方向,运用智能算法生成复杂软件的测试数据已成为一种广受推崇的方法。采用基于遗传算法的技术生成测试数据,能够生成满足测试覆盖要求的少量测试数据。然而,对于生成大量测试数据集的情况来说,该方法并不适用。为了能够快速生成满足测试覆盖要求的数据集,提出一种基于遗传算法优化的自组织特征映射(SOFM)神经网络生成测试数据集的方法:首先,利用遗传算法的全局搜索能力,从海量数据中筛选出少量满足测试覆盖要求的代表性数据。接着,以这些遗传算法生成的测试数据为基础,结合SOFM神经网络强大的侧向联想能力,旨在生成大量满足测试覆盖要求的测试数据集。实验结果表明,该方法有效提高了测试数据集生成的效率。

基于改进遗传算法优化BP神经网络的表面粗糙度误差预测

随着现代制造业的发展,对工件加工质量和精度越来越追求高标准.表面粗糙度作为评价工件质量的重要指标,对工件质量和产品特性具有重要的影响.针对传统BP(Back Propagation)神经网络在训练过程中易陷入局部极小值和收敛速度慢等不足,遗传算法(Genetic Algorithm,GA)存在随机性问题,提出采用遗传算法和混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)结合来改进BP神经网络(记为SFLA-GA-BP)进行工件表面粗糙度误差预测.以工件表面粗糙度与砂轮粒度、砂轮转速、工件速度、进给率四要素之间的相关关系为研究目标,通过正交实验技术,分别以BP神经网络、遗传算法改进BP神经网络(记为GA-BP)和SFLA-GA-BP神经网络进行建模分析.实验结果表明,SFLA-GA-BP的均方根误差(Root Mean Squared Error,RMSE)比BP网络和GA-BP网络分别提高了1.7%和0.7%、平均绝对百分误差(Mean Absolute Percentage Error,MAPE)分别提高了2%和1.1%,平均绝对误差(Mean Absolute Error,MAE)分别提高了1%和0.6%.SFLA-GA-BP模型的预测误差相比于BP神经网络和GA-BP神经网络更加精准.故SFLA-GA-BP模型对于预测工件表面粗糙度具有更高的准确率和良好的稳定性,同时为企业减少成本,对企业智能化发展具有一定的指导意义.

基于改进灰狼算法优化双向长短时记忆神经网络的水冷壁壁温预测

提出一种基于改进灰狼(MGWO)算法优化双向长短时记忆(BiLSTM)神经网络的水冷壁壁温预测模型,灰狼算法采用非线性因子调整策略、自适应位置更新策略和动态权重修改策略进行改进以提升算法的全局寻优能力,利用改进灰狼算法优化BiLSTM模型的隐藏层数量、学习率和正则化参数以提高模型的预测精度,采用新疆某电厂的数据进行预测仿真,结果表明:改进后的算法预测精度更高,在机组升、降负荷时,均可以预测到壁温的变化趋势,模型的平均均方根误差相比于长短时记忆(LSTM)神经网络、BiLSTM模型分别降低了9.86%和3.69%,且可以提前预测到水冷壁壁温的超温情况,对于预防水冷壁超温有重要意义。