遗传算法改进BP网络对织物配色的优化研究

深入研究了传统BP网络结构的优化方法,对近年来各学者所提出的新的优化方法进行了分析,并结合织物染色配色的应用领域,深入分析和改进了遗传算法对BP网络进行结构优化的思想,在训练BP网络的同时,利用遗传算法优化BP网络结构,提高了算法效率.最后通过织物染色配色仿真的计算与实验,显示了该算法的有效性.     

GA-BP和GA-RBF网络在结构损伤分析的比较

引出了当人工神经网络算法解决结构工程实践问题时,网络结构本身所面临缺陷.描述了人工神经网络和遗传算法的概念,以及二者的长处和关系,从理论和实例上说明了运用遗传算法优化和改进神经网络结构可行性,从而结合二者的长处解决工程实践问题.详细阐述了如何利用遗传算法优化或改进BP网络模型和RBF网络模型,以及如何利用遗传优化BP网络和遗传优化RBF网络模型分析结构损伤,从而比较遗传BP网络和RBF网络在结构损伤分析方面的性能.     

GA-BP和GA-RBF网络在结构损伤分析的比较

引出了当人工神经网络算法解决结构工程实践问题时,网络结构本身所面临缺陷。描述了人工神经网络和遗传算法的概念,以及二者的长处和关系,从理论和实例上说明了运用遗传算法优化和改进神经网络结构可行性,从而结合二者的长处解决工程实践问题。详细阐述了如何利用遗传算法优化或改进BP网络模型和RBF网络模型,以及如何利用遗传优化BP网络和遗传优化RBF网络模型分析结构损伤,从而比较遗传BP网络和RBF网络在结构损伤分析方面的性能。     

基于粗糙集遗传神经网络的柴油机故障诊断

提出一种基于粗糙集和遗传算法的BP神经网络故障诊断方法,解决基本BP网络收敛速度慢、精度低、易陷入局部极小值问题.运用粗糙集理论对训练样本进行属性约简,简化BP网络输入维数.设计2次遗传算法训练BP网络,第一次优化神经网络隐含层节点个数,第二次在神经网络结构确定的情况下,优化网络连接权值.以柴油机进、排气阀故障为例,应用提出的方法进行仿真,仿真结果证明了该方法能够优化神经网络结构,提高故障诊断速度和准确率.     

基于BP算子的自适应混合遗传算法研究

将误差反向传播算法(BP算法)以一个算子的形式融入到遗传算法中,以提高遗传算法的优化性能.其基本思路是:在遗传算法收敛速度放慢时启用BP算子,把新一代群体作为BP算子的初始值再用BP算法训练网络,这样交替运行BP算法和遗传算法,直到达到问题要求的精度.通过对4例实验函数的优化,证明了混合遗传算法具有良好的收敛性和稳定性.实验对插入BP算子的遗传算法和传统遗传算法的优化结果进行了比较分析,结果表明BP算子的插入对遗传算法的优化性能、收敛速度和收敛精度方面都有了很大的改进.     

基于小生境-遗传算法优化的新型BP模型

为解决传统BP神经网络模型易陷入局部极小点、网络结构不稳定、收敛速度慢等问题,提出了一个小生境遗传算法优化的BP神经网络模型。该网络模型借助BP神经网络的非线性映射和学习联想能力和小生境遗传算法的搜索能力,利用小生境遗传算法的选择、交叉、变异及小生境淘汰等操作,来对BP神经网络的初始权值和阈值进行优化,同时使用BP算法来训练该模型,从而有效地解决了网络初值不合理的问题,提高了网络收敛速度、稳定性。实验证明：与传统方法相比,该模型具有很强的可行性和有效性。     

基于自适应递阶遗传算法的洪水预报模型

基于递阶结构的遗传算法可以同时对BP神经网络进行结构优化和权重求解。采用收缩解空间的方法可以有效提高算法的收敛速度和精度。采用先进行自适应递阶遗传算法获得最优网络结构及参数,再用BP算法对网络进行训练,并应用于洪水预报模型,可以获得较高的精度。     

基于粗糙集和遗传算法的神经网络模型研究

提出一种基于粗糙集理论和遗传算法的神经网络模型和它的构造方法.该模型先利用粗糙集理论进行属性约简;利用遗传算法优化BP网络参数;用约简结果和优化的BP网络参数进行网络训练.仿真实验结果表明,该模型能简化网络训练样本,优化神经网络结构,提高系统的学习效率和精度.此方法是有效可行的,具有理论意义和实用价值.     

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。     

遗传算法在神经网络优化中的应用

把遗传算法和神经网络结合起来，形成以遗传算法与神经网络相结合的进化神经网络。介绍了遗传算法的基本原理。讨论了用遗传算法优化网络结构和基于遗传算法的神经网络权值优化问题。并通过实验仿真将该算法与BP算法进行比较，从而验证了该算法的可行性与有效性。     

基于改进GA的神经网络航班保障时间估计

准确估计航班保障服务时间可以极大提高地面航班保障服务效率。采用主成分分析(PCA)方法降低变量间的相关性,考虑到BP神经网络的网络结构难以确定,且网络初始权重、阈值随机,提出改进的遗传算法来优化BP神经网络的结构,初始权重、阈值,建立自适应多层遗传算法(AMGA)的BP神经网络航班保障服务时间估计模型。为验证所提AMGA-BP算法的性能,以国内某枢纽机场航班保障服务时间作为研究对象,与传统的GA-BP、BP两种算法做对比实验,进行航班保障服务时间估计,实验结果表明,AMGA-BP算法比BP算法和GA-BP算法精确度更高。     

Evolving neural network using real coded genetic algorithm for permeability estimation of the reservoir

In this work we investigate how artificial neural network (ANN) evolution with genetic algorithm (GA) improves the reliability and predictability of artificial neural network. This strategy is applied to predict permeability of Mansuri Bangestan reservoir located in Ahwaz, Iran utilizing available geophysical well log data. Our methodology utilizes a hybrid genetic algorithm–neural network strategy (GA–ANN). The proposed algorithm combines the local searching ability of the gradient–based back-propagation (BP) strategy with the global searching ability of genetic algorithms. Genetic algorithms are used to decide the initial weights of the gradient decent methods so that all the initial weights can be searched intelligently. The genetic operators and parameters are carefully designed and set avoiding premature convergence and permutation problems. For an evaluation purpose, the performance and generalization capabilities of GA–ANN are compared with those of models developed with the common technique of BP. The results demonstrate that carefully designed genetic algorithm-based neural network outperforms the gradient descent-based neural network.     

遗传算法优化的BP神经网络拷贝数变异检测

拷贝数变异是一种主要的基因组结构变异形式,会导致基因组区域中出现大小不等的扩增或缺失。针对现有拷贝数变异检测算法受GC含量偏差、测序误差等因素影响而导致检测能力低的问题,提出了一种基于遗传算法优化的BP神经网络拷贝数变异检测算法。该算法充分考虑基因组相邻位置之间的内在相关性,融合多个特征,并使用BP神经网络解决各个特征之间的联合作用以预测CNV;针对现有的BP神经网络模型存在的问题,利用遗传算法优化BP神经网络的权值和阈值,以提高该算法的CNV检测性能。实验结果表明,该算法对不同测序覆盖深度和肿瘤纯度共300个样本的平均检测灵敏度、平均检测精度和平均[F1]评分分别为97.27%、97.78%和97.53%,均优于其他几种算法,且能够显著降低样本边界偏差值。     

Design of robotic visual servo control based on neural network and genetic algorithm

A new visual servo control scheme for a robotic manipulator is presented in this paper, where a back propagation (BP) neural network is used to make a direct transition from image feature to joint angles without requiring robot kinematics and camera calibration. To speed up the convergence and avoid local minimum of the neural network, this paper uses a genetic algorithm to find the optimal initial weights and thresholds and then uses the BP algorithm to train the neural network according to the data given. The proposed method can effectively combine the good global searching ability of genetic algorithms with the accurate local searching feature of BP neural network. The Simulink model for PUMA560 robot visual servo system based on the improved BP neural network is built with the Robotics Toolbox of Matlab. The simulation results indicate that the proposed method can accelerate convergence of the image errors and provide a simple and effective way of robot control.     

一种提高前向神经网络泛化性能的新算法

提出了一种利用遗传算法优化前向神经网络的结构和正则项系数的混合学习算法．将该方法与附加动量的BP算法、固定正则项系数神经网络方法进行比较．数值结果显示该方法具有精度高、学习收敛速度快和泛化能力高等优点．     

竞争算法优化BP神经网络性能研究

针对诸多群智能算法容易陷入局部最优、收敛速度慢的特点，提出一种参数设置少，全局搜索能力强的竞争算法.通过10个基准函数与粒子群算法的比较，30次试验下竞争算法的平均值与最小值均优于粒子群算法，验证了该算法的有效性.用竞争算法优化BP神经网络，并对11个测试数据集进行分类，实验结果表明，用竞争算法优化后的BP神经网络在11个测试集上性能均优于原始算法，且在大部分测试集上性能优于用遗传算法优化的BP神经网络.该算法能有效提高分类正确率，增强鲁棒性.     

扩散遗传算法及其应用研究

针对遗传算法在局部搜索能力方面的缺陷,提出了一种基于扩散算子的遗产算法(简称扩散遗产算法)。该算法中包含的扩散算子是变异算子,其主要作用是在遗传搜索中进行局部搜索。用扩散遗传算法和实数编码遗传算法分别训练用于解XOR问题的神经网络,对比结果表明,论文提出的算法兼具强的全局搜索能力和局部搜索能力,因此,该算法可以不借助其它局部搜索算法而单独作为神经网络训练算法,从而简化训练算法,提高训练效率。该算法对提高遗传算法搜索效率和求解精度具有重要的意义。     

The covariance intersection fusion estimation algorithm weighted by diagonal matrix based on genetic simulated annealing algorithm and machine learning

This paper is concerned with covariance intersection (CI) fusion for multi-sensor linear time-varying systems with unknown cross-covariance. Firstly, a CI fusion weighted by diagonal matrix (DCI) is proposed, and it is proved to be unbiased and robust and has higher accuracy than classical CI fusion. Secondly, the genetic simulated annealing (GSA) algorithm is used for multi-parameter optimization problem caused by diagonal matrix weights. Considering the serious time-consuming problem in optimization process of the GSA algorithm, Back Propagation (BP) network is used to obtain the optimal weights. Eventually, the DCI based on GSA algorithm and BP network is proposed. The proposed algorithm has higher accuracy and better stability than classic CI fusion algorithms. Simulation analyses verify the effectiveness and correctness of the conclusion.     

一种神经网络辨识的混合学习算法

文章提出了一种神经网络辨识的混合学习算法。采用具有递阶结构的遗传算法来获得神经网络拓扑结构和连接权值的全局次优解,之后由BP算法来进一步调整神经网络的连接权值,从而实现神经网络的自动优化设计。仿真结果表明,所得的神经网络结构简单、精度高,并具有良好的泛化能力。