神经网络和遗传算法在光纤陀螺温度漂移建模中的应用

该文提出了一种基于人工神经网络和遗传算法的光纤陀螺温度漂移建模的方法,并采用混配的方法,对遗传算法进行了改进,克服了遗传算法中所存在的种群内过早收敛的缺点,极大地提高了预测算法的准确度。经实测数据验证,该方法具有较好预测的效果。     

基于优化遗传小波网络的混沌时间序列预测

研究利用小波神经网络(WNN)预测混沌时间序列。提出了一种改进的小波神经网络训练算法,该方法融合了遗传算法和梯度下降算法两种方法,在遗传算法中嵌入梯度下降算法以解决遗传算法不具有的细节搜索能力,对遗传算法训练后的小波网络再次利用梯度下降算法寻找最优点。对Henon映射混沌时间序列的预测证明了该方法的有效性,实验结果表明该算法能确保小波网络收敛和具有较高的预测精度。     

基于预测的遗传算法

遗传算法被广泛应用于解决各类优化问题.常规的遗传算法易于陷入局部最优,其收敛速度也较慢.为了提高常规遗传算法的优化性能,将预测的概念引入遗传算法的循环过程,提出基于预测的遗传算法框架;并以人工神经网络算法作为预测算法,提出了一种基于神经网络预测的遗传算法.通过优化8个典型的函数优化问题,将该算法与常规遗传算法的性能进行了比较;结果显示该算法具有很强的全局优化能力,能有效地增强种群的多样性和进化速度,明显优于常规遗传算法.     

利用遗传模拟退火算法优化神经网络结构

常用的神经网络是通过固定的网络结构得到最优权值,使网络的实用性受到影响。引入了一种基于方向的交叉算子和变异算子,同时把模拟退火算法引入了遗传算法,结合遗传算法和模拟退火算法的优点,提出了一种优化神经网络结构的遗传——模拟退火混合算法,实现了网络结构和权值的同时优化。仿真实验表明,与遗传算法和模拟退火算法相比,该算法优化的神经网络收敛速度较快、预测精度较高,提高了网络的处理能力。     

基于混合蚁群遗传算法的RNA二级结构预测

RNA二级结构预测是生物信息学的重要研究领域.本文提出一种新的基于混合蚁群遗传算法的RNA二级结构预测方法.充分利用茎区和茎区之间的关系信息和累积的信息,通过蚁群算法产生初始种群和新的个体,进而替换遗传算法中的变异算子.构造蚁群算法中的启发式信息、初始信息素矩阵、下一茎区的选取规则和信息素的更新机制,给出遗传算法中交叉...     

基于GA参数整定的时变时滞系统灰色预测控制

针对一类数学模型未知且存在时变时滞的复杂系统,提出一种基于遗传算法参数整定的灰色预测控制方法;该方法采用BP神经网络对系统的时变时滞进行辨识,利用灰色预测算法对系统的输出进行预测,进而使用基于遗传算法整定PID控制器对系统进行输出反馈控制;该方法将灰色预测算法与遗传算法相结合,有效提高了控制器的自适应性;通过仿真实例,结果表明该方法能够对具有大时滞、大惯性、模型不确定等特点的复杂系统进行有效地控制;该方法是可行的、有效的.     

基于检测器优化选择的短时交通流预测

针对交通流短期预测未考虑交通检测器配置的不足,提出了一种基于检测器优化选择的短时交通流预测算法。以预测的均方误差最小为目标函数,通过遗传算法优化选择合适的检测器,以小波神经网络作为预测算法进行短时交通流预测。美国I-84高速公路实测数据的测试结果表明该算法与传统预测方法相比具有更高的预测精度,是一种有效的短时交通流预测方法。     

基于遗传算法的灰色神经网络优化算法

针对BP 神经网络算法通常具有收敛速度慢且容易陷入局部极小值的缺点,在对国内空调订单市场进行分析和研究的基础上,提出一种用遗传算法优化灰色神经网络模型参数的方法,该方法利用灰色模型( Grey Model,GM) 弱化数据的随机性以及神经网络的高度非线性,对空调订单建立了一种非线性预测模型,并采用遗传算法对其进行优化,从而提高了预测的精度并加快了收敛程度。仿真结果表明该算法能较好的解决空调订单预测的问题并可推广到同类预测中。     

遗传算法优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型对混沌时间序列的预测精度,将改进的遗传算法和BP神经网络结合,提出了一种基于改进遗传算法优化BP神经网络的混沌时间序列预测方法。利用改进的遗传算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该模型应用到几个典型的非线性系统进行预测仿真,验证了该算法的有效性,与BP神经网络预测模型的预测结果进行了比较,仿真结果表明该方法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度。     

基于GA-NP算法的约束广义预测控制

针对实际工业过程中存在着约束,提出一种基于遗传算法和非线性规划寻优算法广义预测控制GPC(Generalized Predictive Control)。非线性规划局部搜索能力较强,遗传算法全局搜索能力较强,结合两种算法的优势并引入到广义预测控制的滚动寻优过程中并求得最优控制律。仿真结果表明,该算法提高广义预测控制处理约束的能力,且控制效果良好。     

基于遗传算法和罚函数法的炉温优化设定

针对钢坯温度预报模型中时变非线性参数进行了等效研究,提高了模型预报钢坯温升的精度。在分析钢坯加热过程、工艺要求、能耗与环保的基础上提出基于遗传算法和罚函数相结合的炉温优化算法。并对该算法进行了计算机仿真,仿真结果表明该优化算法能够迅速寻找到全局最优。     

基于隐马尔可夫模型的通信态势估计方法

针对移动通信过程中通信态势无法被预知导致的服务效率较低问题,给出一种基于隐马尔可夫模型的区域通信态势估计方法。根据不同时间点的通信行为特征具有差异性的特点,对通信行为按不同的时间段进行划分,并自适应地给出具体的划分算法,即遗传法或遍历法。挖掘终端行为发生时间、地点以及通信行为之间的内在联系,构建隐马尔可夫模型,利用维特比译码算法对区域内终端位置及通信行为进行估计。仿真结果表明,当模式特征值取0.8时,该方法的终端位置预测成功率在73%左右,通信行为预测成功率在75%左右。     

Hybrid intelligent parameter estimation based on grey case-based reasoning for laminar cooling process

In this paper, a hybrid intelligent parameter estimation algorithm is proposed for predicting the strip temperature during laminar cooling process. The algorithm combines a hybrid genetic algorithm (HGA) with grey case-based reasoning (GCBR) in order to improve the precision of the strip temperature prediction. In this context, the hybrid genetic algorithm is formed by combining the genetic algorithm with an annealing and a local multidimensional search algorithm based on deterministic inverse parabolic interpolation. Firstly, the weight vectors of retrieval features in case-based reasoning are optimised using hybrid genetic algorithm in offline mode, and then they are used in grey case-based reasoning to accurately estimate the model parameters online. The hybrid intelligent parameter estimation algorithm is validated using a set of operational data gathered from a hot-rolled strip laminar cooling process in a steel plant. Experiment results show the effectiveness of the proposed method in improving the precision of the strip temperature prediction. The proposed method can be used in real-time temperature control of hot-rolled strip and has potential for parameter estimation of different types of cooling process.     

An efficient hybrid Taguchi-genetic algorithm for protein folding simulation

Given the amino-acid sequence of a protein, the prediction of a protein’s tertiary structure is known as the protein folding problem. The protein folding problem in the hydrophobic–hydrophilic lattice model is to find the lowest energy conformation. In order to enhance the performance of predicting protein structure, in this paper we propose an efficient hybrid Taguchi-genetic algorithm that combines genetic algorithm, Taguchi method, and particle swarm optimization (PSO). The GA has the capability of powerful global exploration, while the Taguchi method can exploit the optimum offspring. In addition, we present the PSO inspired by a mutation mechanism in a genetic algorithm. We demonstrate that our algorithm can be applied successfully to the protein folding problem based on the hydrophobic-hydrophilic lattice model. Simulation results indicate that our approach performs very well against existing evolutionary algorithm.     

一种基于遗传操作和类内类间距离判据理论的特征选择方法

在分类挖掘的预处理过程中,重要的是如何选择最有效的特征子集,以便于分类学习与预测。该文提出一种基于遗传操作和类内类间距离判据理论的特征选择方法,该方法能够有效地缩减特征空间的维数,提高分类挖掘的效率。     

基于遗传算法的GMDH网络模型及其应用

传统的数据处理群方法(Group method of data handling,GMDH)在结构上具有自组织和全局选优的特性,非常适合进行非线性数据的拟合.但由于在传统GMDH网络建模是用最小二乘法来辨识参数,常常使得模型预测效果不理想.遗传算法是一种有效的搜索和优化方法.它具有自适应搜索、渐进式寻优、并行式搜索、通用性强等特点,论文将遗传算法引入GMDH网络,用遗传算法辨识部分描述式的系数,建立了基于遗传算法的GMDH网络模型.并将该模型应用于一组实测时间序列的预测研究.计算机仿真结果表明,模型预测效果令人满意.     

基于遗传算法的水泥强度预测

文章根据水泥强度预测具有多变量、非线性、大时滞的特点,运用遗传算法,建立了水泥强度的非线性预测模型。通过对有关数据进行实例计算,得到了满意的效果,该模型为水泥强度的快速预测提供了一种新方法,有较好的实用价值。     

A massively parallel genetic algorithm for RNA secondary structure prediction

We present a new method for predicting RNA secondary structure based on a genetic algorithm. The algorithm is designed to run on a massively parallel SIMD computer. Statistical analysis shows that the program performs well when compared to a dynamic programming algorithm used to solve the same problem. The program has also pointed out a long-standing simplification in the implementation of the original dynamic programming algorithm that sometimes causes it not to find the optimal secondary structure.