基于网络遗传算法的全局优化

本文在分析当前全局优化方法研究现状的基础上,提出了一种改进的遗传算法――网络遗传算法,应用简单实例说明了网络遗传算法的具体操作,同时应用大量数值实例证明了网络遗传算法解决全局优化问题的可行性、正确性、有效性。

基于神经网络遗传算法的电阻点焊电流控制

为了实现电阻点焊电流控制的稳定性,提出基于神经网络遗传算法的电阻点焊电流控制方法。建立电阻点焊电流控制对象模型,并进行约束参量分析。采用功率输出饱和调节方法进行电阻点焊电流输出装置的输出稳定性调节,通过增加功率反馈增益进行电阻点焊电流输出装置的电阻点焊电流控制,在神经网络遗传算法寻优下进行电流控制优化。仿真结果表明,采用该方法进行电阻点焊电流控制的输出稳定性好,失真抑制能力较强,具有很好的电阻点焊电流调节能力。

基于神经网络遗传算法函数寻优与回弹补偿技术的某型汽车前幅拉延成形优化

为有效改善某型汽车前幅在拉延成形过程中出现的严重的回弹质量缺陷,将神经网络遗传算法函数寻优和回弹补偿技术相结合,对某型汽车前幅进行拉延成形优化。基于极差分析确定影响回弹量的两个关键因素,即冲压速度和压边力;运用拉丁超立方抽样,将抽样结果作为神经网络遗传算法函数寻优模型的数据基础,以两个关键因素作为输入量,最大回弹量作为输出量,构建非线性映射关系。然后,计算预测结果的个体适应度值,求出最大回弹量的最小值以及对应的冲压速度和压边力。最后,基于优化结果进行3次回弹补偿优化,将回弹量降低至0.5 mm以下,达到生产要求。

基于神经网络遗传算法的冲压件拉深工艺参数优化

目前,工业领域对冲压件提出了更高的要求,只有满足相应的要求,才能使零件在实际工作中发挥出最大的作用。要生产出高质量的冲压件,可采用神经网络遗传算法对拉伸工艺参数予以优化。文章以深腔型零件为研究对象,通过有限元分析,结合神经网络遗传算法对该零件冲压拉伸工艺的参数进行了优化,为设计出更加良好的冲压件提供技术支持。

基于BP神经网络遗传算法的药型罩优化

线性聚能装药爆破效果的影响因素有很多,且各因素的影响多是非线性的,而且非常复杂,其中药型罩结构的优化设计一直是重点。为了探索有效的药型罩优化方法,本研究对楔形罩运用正交试验法设计方案,利用ANSYS/LS-DYNA进行数值模拟获得结果,再以结构参数和最大射流速度分别作为BP神经网络的输入和输出进行训练,并将预测值作为适应度,结合遗传算法对药型罩进行最优结构药型罩参数和最优最大射流速度搜索。结果表明,该方法能够结合正交试验法和BP神经网络遗传算法的优点,快速精确地进行药型罩结构优化。

基于神经网络遗传算法的湿度测量系统研究

在研究湿度测量和控制原理的基础上,设计了一种基于神经网络遗传算法的湿度测量系统。系统采用DHT11湿度传感器,利用改良的神经网络遗传算法对湿度测量进行优化。结果表明,经神经网络遗传算法优化的湿度测量仪可以将精度控制在1.6×10-2,大大地提高了湿度测量的精度,并且基于该算法的湿度测量具有很好的鲁棒性和自适应性。

基于BP神经网络遗传算法的五模声隐身多层结构优化

为了解决五模材料的声隐身理论中,由于材料制备复杂很难实现的问题,将斗篷简化为多层均匀材料参数的层状结构,采用BP神经网络遗传算法,结合声场有限元建模,将散射面积的最小值作为优化目标,对层厚分布进行了优化,确定五模材料的低散射斗篷设计方案。优化计算结果表明,当目标频率为5 kHz,斗篷层数时5层时,优化后的散射面积比均匀分层结构的减小了87%。

基于遗传算法-反向传播神经网络优化高压-超声-酶解法提取羊皮胶原蛋白工艺

采用高压-超声-酶解法提取羊皮胶原蛋白,对比遗传算法-反向传播(genetic algorithm-back propagation,GA-BP)神经网络模型和响应面模型的优化效果,确定最佳工艺参数。结果表明:GA-BP神经网络在模型拟合和预测方面表现优于响应面模型;最佳提取参数为高压时间23 min、超声时间22 min、酶添加量3.2%、酶解时间222 min,羊皮胶原蛋白提取率达到(80.5±1.6)%,较传统的木瓜蛋白酶法提高40%;紫外-可见吸收光谱和傅里叶变换红外光谱结果显示,此条件下提取的羊皮胶原蛋白结构完整,高压-超声-酶解法对胶原蛋白的破坏较小。

基于GS理论和神经网络遗传算法函数寻优的板料成形优化

基于GS理论和神经网络遗传算法函数寻优法,利用非线性有限元分析软件Dynaform,对非标准方形盒成形过程参数寻优。借助正交试验法,初步获取不同组合下的减薄率数值;基于GS理论,对获取的数据进行分析,找出影响减薄率的两个主要因素即摩擦因素和冲压速度;利用拉丁超立方抽样对选出的两个主要因素进行抽样;基于神经网络遗传算法函数寻优模型,摩擦因数和冲压速度作为输入,最大减薄率作为输出,用输入输出数据训练BP神经网络。最后,用遗传算法寻优把训练后的BP神经网络预测结果作为个体适应度值,找到函数全局最优解和对应输入值。对比优化前后的数值模拟结果可知,优化后的冲压参数可以有效提高板料成形性能。

基于正则化网络-遗传算法的属性筛选及其在化学模式识别中的应用

采用贝叶斯正则化方法训练 ,以得到推广性优良的神经网络 ,并提出启发性的遗传算法。通过灵敏度分析对正则化网络实施剪枝 ,从而在高维模式中筛选出能代表其分类特性的最小最优属性特征子集。此方法应用于高维留兰香模式的属性筛选与模式分类 ,效果良好 ,明显优于其它方法。

基于人工神经网络和遗传算法的大跨连续梁桥参数相关分析

主要论述了如何采用改进的BP神经网络和遗传算法进行现场施工参数的识别。为解决混凝土的容重、弹性模量所引起的误差,在丹江口二桥的施工控制过程中,采用3层BP神经网络进行混凝土的容重、弹性模量的识别;为确定预应力损失引起的标高偏差,引入了遗传算法对其建模分析,取40个初始染色体群,以5个世代繁衍不再出现更优的染色体作为终止GA计算的条件。文章以这两种方法在丹江口二桥施工过程的预测控制分析中的成功运用为实例,证实了神经网络控制理论和遗传算法在连续梁桥的施工过程的预测与控制中的实用性和有效性。

基于神经网络-遗传算法的功能性沥青路面材料优选

根据功能性沥青路面中全面性能的要求,采用GA-ANN法对沥青路面中的矿料配比进行优化,综合考察沥青混合料矿料类型、沥青类型和填加剂等因素。以动稳定度作为评价指标,综合考究其残留稳定度、蠕变速率、摩擦因数、渗水系数以及空隙率等因素,从而提出了功能性沥青路面矿料配比的最佳优化方案。综合评价结果显示方案是可行且有效的,在一定程度上能够满足我国公路运输事业对功能性沥青路面材料配比的要求。

神经网络和遗传算法相结合实现非线性传感特性的线性化

对测量系统非线性传感特性的线性化常用最小二乘回归、几何逼近或一次近似的方法 ,易引入较大的非线性误差 ,为此 ,提出了利用神经网络和遗传算法相结合实现非线性传感特性线性化的方法 ,该方法将测量系统的非线性模型改造成为与实际物理过程相一致的不失真的线性模型 ,从而减小非线性误差 .通过应用实验 。

基于遗传算法-BP神经网络的煤层注水效果分析

为了提高BP神经网络预测煤层注水效果的精度,采用遗传算法优化BP神经网络的权值和阈值,建立了遗传算法-BP神经网络模型,并采用该模型对煤层注水湿润半径进行模拟预测。Matlab模拟结果表明,遗传算法-BP神经网络模型的预测结果比BP神经网络模型更准确,平均相对误差降低了40.29%,训练步数减少了1 665步,收敛速度快,稳定性好。

遗传算法设计神经网络的一种新方法

提出了一种基于平均风险误差准则的遗传算法优化设计前向神经网络的方法，遗传算法的适应度函数并不采用基于传统的最小均方误差准则，而是由最小平均风险误差准则所决定，这种方法在计算神经网络输出与期望输出之间误差的同时，还要考虑神经网络对每一类训练样本产生的这种误差所引起的风险损失．这种方法优化得到的神经网络不但可以准确地再现训练样本集合的期望输出，对训练样本集合外样本的预测能力也有明显的提高．

人工神经网络-遗传算法优化刺糖低聚糖提取工艺的研究

目的:选取乙醇超声提取与乙醇浸提两种方法,用正交实验结果进行对比选取最优提取方法,利用人工神经网络遗传算法优化得到刺糖低聚糖最佳提取工艺。方法:以乙醇超声波辅助提取与乙醇浸提两种方法单因素实验为基本依据,浸出液中低聚糖含量为指标,采用L;(3;)正交表进行正交实验筛选出待选提取方法及工艺参数,在此基础上建立人工神经网络(artificial neural network)模型,结合遗传算法(genetic algorithm)进行极值寻优,以期获得刺糖低聚糖最佳的提取工艺。结果:所得刺糖低聚糖最佳提取条件为提取温度为85℃、提取时间为3h、液料比1∶40、乙醇浓度为15%,提取率为26.17%。结论:通过人工神经网络-遗传算法得到的提取工艺显著提高了刺糖低聚糖的提取率,本研究为刺糖低聚糖的高效提取提供一定的理论基础与指导意义。

基于BP神经网络-遗传算法和信息熵理论优化凉粉草煎煮提取工艺

目的利用BP神经网络-遗传算法结合信息熵理论优化凉粉草煎煮提取工艺。方法采用HPLC测定咖啡酸、紫云英苷、迷迭香酸、丹酚酸B的含量,UV法测定总黄酮含量,以4种指标成分含量、总黄酮含量及干膏收率为综合评分指标,采用信息熵确定各指标的客观权重,实现对提取工艺的正交试验优选;以正交试验结果作为初始种群,以加水倍数、煎煮时间、提取次数为输入值,提取综合得分作为其函数的输出值,通过BP神经网络模型结合遗传算法对煎煮提取工艺进行全局寻优。结果根据正交试验结果,最佳提取工艺为加16倍量水、煎煮3次、每次1.5 h,综合评分均值为92.08;建立结构为3-7-1的三层BP人工神经网络,结合遗传算法确定最优提取方案为加17倍量水、煎煮3次、每次1.5h,综合评分均值为92.55,优于正交试验,3批验证结果与预测值相对标准偏差均小于5%。结论BP神经网络-遗传算法结合信息熵理论稳定性及重复性好,可用于凉粉草提取工艺的预测和优选。

基于量子遗传算法优化BP神经网络短期风功率预测

风力发电的不可控性,给电网带来了很多问题,所以当前迫切需要一种高精度的风力发电预测系统。对此,提出了一种结合量子遗传算法和BP神经网络的预测方法,通过量子遗传算法优化BP神经网络的权值和阈值。最后通过MATLAB试验仿真,验证了该方法可有效提高风功率的准确性。

BP神经网络算法多指标优化酸枣仁汤提取工艺

为了优化酸枣仁汤的提取工艺,以提取时间、提取次数、料液比为考察因素,以总黄酮、总皂苷、总酚、多糖的提取率为评价指标,采用熵权法进行综合评价。在单因素试验的基础上,运用Box-Behnken响应面设计和BP神经网络算法,优化酸枣仁汤化学成分的提取工艺,并进行工艺验证。结果表明,BP神经网络算法预测的最优提取工艺综合评分为149.11,优于Box-Behnken响应面法的综合评分137.16。确定BP神经网络验证的工艺为最优工艺,即提取时间80 min,提取次数2次,料液比1:7 g/mL,该条件下获得的总黄酮、总皂苷、总酚、多糖含量分别为(10.73±0.63)mg/g,(73.34±1.77)mg/g,(16.73±0.56)mg/g,(413.08±8.34)mg/g。研究为酸枣仁汤的提取工艺优化提供依据。

基于遗传算法和长短记忆神经网络组合模型的加油站销量预测

针对加油站销量波动大且非线性特征明显,使用传统时间序列的预测模型无法满足实际预测需求的情况,提出基于遗传算法(GA)和长短记忆神经网络(LSTM)的销量组合预测模型,在原始数据的基础上加入温度、天气、油价、星期、节假日特征进行辅助预测,对文本类数据使用One-hot编码并使用Embedding降维,采用遗传算法求得LSTM模型的最优超参数来提升模型精度。结果显示:该模型精度保持在90%以上且符合大规模预测需求,能够投入实际应用。