一种基于遗传算法的神经网络控制方法

本文比较了传统的BP算法和遗传算法用于神经网络设计的优缺点，阐明了遗传算法和神经网络相结合的必要性，提出了一种用遗传算法同时优化网络的结构和权值的神经网络控制方法，通过对遗传算法基本参数及骗码方案，遗传算子的设计，实现了权值与结构的同时优化，成功地应用于二级倒立摆系统的控制，仿真结果显示了这种遗传算法能够有效抑制早期收敛，以较快的速度与较高的精度达到全局快速收敛。     

基于神经网络和遗传算法的优化设计方法

随着生产规模的复杂化，多维化和非线形等复杂特性，对高效的优化技术的要求也越迫切，利用并行遗传算法和Hopfield网络的优点，提出了采用遗传算法的并行搜索和解空间搜索的优点进行网络参数的选取，利用Hopfield网络简单、快速、规范的优点来优化样本空间，以取得整体的优化效率。     

基于遗传算法和梯度下降的RBF神经网络组合训练方法

在使用基于梯度下降的径向基函数（RBF）神经网络学习方法时，由于网络目标函数误差曲面极其复杂，因而产生了网络收敛速度慢，且容易陷入局部极小，网络初始值的设置对网络训练结果影响很大等问题。基于遗传算法的训练方法能够摆脱陷入局部最优的困扰，但遗传算法的局部搜索能力不够，从而影响网络的训练效果。为了解决上述问题，在研究两种算法特点的基础上，提出一种组合训练方法，用提出的训练方法对UCI中的部分数据集进行了仿真实验，并将实验结果与传统方法下的结果进行了比较，实验结果表明新方法是有效的。     

基于实数编码遗传算法的混合神经网络算法

该文比较了神经网络与遗传算法的特点，提出了一种融合遗传算法和BP算法的神经网络算法设计。该方法采用了基于实数编码的改进遗传算法来替代随机设定神经网络的初始权阈值，然后由改进的LMBP算法在已由遗传算法确定了的搜索空间中对网络进行精确训练。仿真结果表明神经网络的逼近能力和泛化能力得到了综合提高，能够有效抑制遗传算法初期收敛的发生，确保了快速达到全局收敛，克服了传统BP算法精度低、收敛速度慢、容易陷入局部极小的缺陷。     

基于遗传算法的RBF神经模糊控制器

基于RBF网络和T-S模糊推理过程的函数等价性，将遗传算法引入RBF网络，并结合RBF网络常用的梯度法构成一种模糊控制、RBF网络及遗传算法三者合一的的控制器，从而达到准确、快速的控制。     

神经网络在网络入侵检测中的应用研究

研究网络安全问题,针对网络受到非法用户入侵,破坏系统的正常工作,传统网络初始权值凭经验确定,易出现初始权值确定不当,导致网络入侵检测准确率低的难题.为了提高网络入侵检测的准确率,提出一种遗传神经网络的网络入侵检测方法.方法把神经网络和遗传算法结合起来,把网络初始权值作为遗传算法的一个种群,把网络检测准确率作为遗传算法的目标函数,通过遗传算法种群的"优胜劣汰"机制搜索到神经网络算法的全局最优初始权值,采用最优权值对网络入侵数据进行检测,得到最优网络入侵检测结果.结果证明,方法学习速度快、检测准确率高、漏报率与误报率低,克服传统网络检测方法不准确的缺陷.     

基于改进自适应遗传算法的BP神经网络模型研究

针对自适应遗传算法容易陷入局部最优值的问题，提出了改进的自适应遗传算法，并将改进的自适应遗传算法应用于神经网络权值学习和训练中。提高网络的处理能力。     

遗传算法在T—S模糊模型辨识中的应用

给出了Ｔ－Ｓ模糊模型的一种模糊神经网络实现方法。提出了采用遗传算法优化网络参数，实现了Ｔ－Ｓ模型的辨识。给出了参优化的详细过程，并用仿真实例证实了 这种方法的有效性。成功地将神经网络，模糊逻辑与遗传算法融合于一个系统中。     

一种基于改进遗传算法的径向基小波神经网络

为了提高神经网络进行函数拟合的精度,首先在三层径向基神经网络基础上通过增加网络层次和改变激励函数提出了一种四层径向基小波神经网络,并采用遗传算法来确定初始网络参数;其次针对遗传算法中容易早熟的缺点,在遗传算法中引入动态平衡策略,根据适应度的变化来动态改变遗传算法中交叉和变异概率,从而增加算法全局探索和局部开发的平衡能力;最后通过对函数拟合试验并与其他方法相比较表明了算法的有效性。     

基于遗传算法的动态神经网络的建模与应用

本文分析了改进的ELMAN网络的结构，并讨论了神经网络的学习算法，针对BP算法的缺陷，提出了用遗传算法修正网络权值的学习算法。另外，将采用遗传算法进行训练的改进ELMAN网络应用于非线性系统的辨识和建模。通过仿真和在汽车磷化加热系统建模中的应用进一步说明了该方法用于高阶次非线性系统建模的可行性。     

基于AIGA-BP神经网络的粮食产量预测研究

为了提高预测粮食产量的准确度,针对BP神经网络进行粮食产量预测时易陷入局部最优的缺陷,主要借鉴免疫系统的浓度调节机制和遗传算法的全局寻优特性,用自适应免疫遗传算法（AIGA）来优化BP神经网络的权值和阈值,并给出了具体的优化过程。用优化的神经网络对粮食产量进行了仿真预测,通过仿真实验表明,与BP神经网络预测法和遗传神经网络预测法对比,优化的网络模型在粮食产量预测中取得了更精确的结果。     

基于k均值和量子遗传算法的RBF网络优化

针对遗传算法容易出现早熟的问题,提出一种基于k均值和量子遗传算法的径向基函数(RBF)神经网络组合优化方法.通过k均值聚类求取网络的中心,用量子遗传算法训练网络的权值,利用量子染色体的表示方式以及量子染色体的更新提高算法的并行性,从而解决遗传算法早熟的问题,提高网络的适应度.相对于PSO-RBF和ACO-RBF,该方法...     

基于遗传算法的Hopfield联想记忆吸引域的优化

由于一般离散Hopfield神经网络存在很多伪稳定点.使稳定点的吸引域变小.网络很难获得真正的最优解.因此,提出将遗传算法应用到Hopfield联想记忆神经网络中.利用遗传算法对复杂、多峰、非线性极不可微函数实现全局搜索性质.对Hopfield联想记忆吸引域进行优化,使待联想模式跳出伪模式的吸引域.使Hopfield网络在较高噪信比的情况下保持较高的联想成功率.仿真结果证明了该方法的有效性.     

基于行为进化的智能保洁机器人模型

通过对神经网络的研究，采用双种群遗传算法（DPGA）来进化神经网络的权值，提出了一种智能保洁机器人模型。该模型模拟生物的行为规律，能够依据周围环境采取限定区域搜索或者广域搜索方式清扫垃圾。仿真实验表明了该模型的有效性，通过比较也体现了双种群遗传算法较之传统单种群遗传算法（SPGA）的优越性。     

基于遗传算法与人工神经网络相结合的固体推进剂燃速计算

为了提高固体推进剂燃速预示精度,将遗传算法(Genetic Algorithm)与误差反传(Back Propagation)网络结构模型相结合,设计了用遗传算法优化神经网络权重的新方法。以固体推进剂燃速数据库为基础,对推进剂的燃速进行了预估,并与BP算法进行了比较。结果显示,预估值与实际值接近,误差小于BP算法模型,具有良好的预示效果,为推进剂燃速预估提供了新方法。     

自适应遗传退火算法优化BP神经网络及其应用

以提高预测软件老化趋势为应用背景,提出一种新型自适应遗传退火算法（NAGSA）优化BP神经网络模型,该模型采用轮盘赌选择法与精英保留策略相结合的选择算子,在迭代后期通过模拟退火算法对适应度函数进行拉伸,相比传统的自适应遗传算法（AGA）在个体适应度较低时,能够非线性地自适应调节交叉概率和变异概率,从而对BP神经网络的权值和阈值优化并进行网络训练.对在线售书网站注入内存泄漏的代码使之老化,收集实验所需的老化数据进行仿真训练,实验结果表明,NAGSA-BP模型相比于传统遗传算法（GA）、传统自适应遗传算法（AGA）、传统自适应遗传退火算法（NGSA）优化的BP神经网络模型提高了预测精度和取得了优良的收敛效果,在该应用领域验证了本文方法的有效性.     

基于神经网络集成的入侵检测研究

提出一种新的基于神经网络集成的入侵检测方法。首先通过有区别地对待不同的训练数据训练神经网络，提高对小类别入侵的检测能力并防止网络训练中的退化现象；然后利用一种新的改进遗传算法优化集成网络的权，提高系统整体性能。理论和实验表明该方法具有较好的检测能力。     

混合遗传算法在Job-shop调度问题中的应用

首先建立了Ｊｏｂ－ｓｈｏｐ调度问题的神经网络模型，根据这种模型的特点，提出了求解复杂Ｊｏｂ－ｓｈｏｐ调度问题的混合遗传算法．仿真结果表明了本文方法的有效性，在运行时间和最优率方面具有较好的优势．     

基于GA优化RBF神经网络的英语教学质量评价

针对目前英语教学质量评价准确性不高的问题,提出了一种基于遗传算法（GA）优化RBF神经网络的教学质量评价方法.首先利用主成分分析对教学质量评价指标进行选择,然后设计了RBF神经网络教学评价模型,并采用GA对RBF神经网络的初始权值进行优化.实验结果表明,该方法能够有效评价英语教学质量,且准确性和实时性较高.     

基于遗传BP网络的股市预测模型研究与仿真

股票价格走势已经成为人们关注的焦点,为了更精确的预测股票价格,得到更合理的股票投资意见,利用遗传算法全局寻优和BP神经网络局部寻优相结合的方法.提高了传统BP神经网络的计算精度和收敛速度.建立了基于遗传BP网络的股市预测系统模型,对贵州茅台股票价格进行预测.仿真结果表明,经遗传算法改进后的BP神经网络模型在降低计算和预测的平均误差的同时,迭代次数比一般BP神经网络模型也大大减少.因此适用于求解如股市预测等非线性问题,具有较高的精确度和应用价值.