基于WWW的人工神经网络遗传算法系统的实现

用Matlab的Web技术构造了基于WWW的人工神经网络-遗传算法系统，该系统可以通过训练来获得数据间的人工神经网络模型，并用遗传算法求得人工神经网络模型的最优值，用一个实例对该系统进行了测试，结果是令人满意的。     

基于混合智能学习算法的函数优化研究

为了改善人工神经网络在优化计算中的一些缺陷和提高遗传算法的局部搜索能力及收敛性能,提出了一种混合智能学习算法,采用遗传算法和误差反向传播算法(BP算法)相结合,将BP算法以一个算子的形式插入到遗传算法中,以提高利用人工神经网络和遗传算法进行优化计算的搜索能力和收敛性能;通过对实例函数的优化计算,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有较大改善.     

面向非专业人士的服装CAD系统

采用结合专业知识编码的遗传算法寻优，并使用人工神经网络逼近适合度函数，建立了一个面向非专业人士的服装CAD系统，得到了很好的效果。这是一个创新性的想法。建立这样的服装CAD系统对形成我国服装企业的快速反应体系具有深远意义。     

遗传算法求解函数极值的应用

通过用遗传算法求高等数学中的函数极值问题，说明了遗传算法对连续、可导等条件的放宽，同时，也体现了遗传算法在求解高等数学中函数极值的良好应用。     

几种改进的人工神经网络算法比较

文章分别介绍了模拟退火算法与BP网络结合的模拟退火人工神经网络,遗传算法和BP网络结合的遗传人工神经网络以及遗传退火人工神经网络算法。通过仿真实验比较证明,遗传退火人工神经网络和模拟退火人工神经网络的逼近精度高于遗传算法人工神经网络,而遗传算法人工神经网络收敛速度最快。并且随着求解变量个数的增加,基于遗传退火人工神经网络收敛速度高于改进的模拟退火人工神经网络。     

一种改进的混合遗传算法

针对遗传算法爬山能力差的弱点，对传统的遗传算法进行改进，构造出新的重组策略，提出用禁忌搜索作出变异算子，对典型函数的测试表明，改进的遗传算法提高了遗传算法的爬山能力。     

频响函数作为神经网络输入的BP算法实现

研究将实测结构频率响应函数作为反向传递人工神经网络的输入数据,用来进行结构健康检测.一般情况下,把频率响应函数应用到人工神经网络的困难在于需要压缩频率响应函数的庞大数据,因为直接使用全部的频率响应函数数据使得神经网络具有大量的输入节点,从而导致网络训练收敛和计算效率方面的困难.仅仅使用部分频率响应数据,或不合适的频率窗数据点选择会引起重要信息的损失.为解决上述困难,用FORTRAN语言编写了一个简化的BP神经网络程序,把某结构的频率响应函数作为网络的输入参量.每个实测频率响应函数具有8192个数据点,神经网络采用8192-8-4结构,网络训练获得了较快的收敛速度.经过训练的网络成功识别了某结构的四种不同状态,识别误差小于10%.     

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.     

用适应值激励机制提出遗传算法的效率

分析了传统遗传算法作为函数优化器在宏观进化机制上的局限性，讨论了群体的可进化性在函数优化中的作用。在此基础上提出在遗传算法中引入适应值激励机制，用它来动态地提高群体的可进化性。数值实验表明，带有适应值激励机制的改进遗传算法的搜索效率得到很大提高。     

基于多智能体的新型遗传算法及其在复杂系统中的应用研究

通过对简单遗传算法及其研究现状的分析研究，及对复杂系统与简单遗传 算法特点的比较分析，针对简单遗传算法的不足，提出了一种基于多智能体的新型遗传算法，定义了新型遗传算法中的环境、智能体结构、遗传算子、目标/评估函数和流程图，最后用一个测试函数和复杂环境下的多峰函数对它进行了验证分析. 结果表明，新型遗传算法具有明显的优点和优势，特别适合于复杂系统中的问题求解．     

一种模糊神经网络的结构和参数的确定方法*

结合FGP(Fuzzy Grid Partition,模糊网格划分)和FNN(Fuzzy Neural Network,神经网络)提出一种有效确定模糊神经网络模型中结构及参数的方法.该方法首先从样本数据中采用模糊网格划分确定出最佳规则数,从而可确定神经网络的结构;然后采用BP算法对神经网络进行调节,从而确定出模糊神经网络的参数.采用这种方法构建我国经济增长的模糊模型.研究表明这种方法构建的模糊神经网络具有更高的精度.     

利用影响因子遗传算法优化前馈神经网络

提出了一种带有影响因子的改进遗传算法并以此来优化前馈神经网络.染色体的每个基因都有一个影响因子,其不同取值体现了基因对整条染色体的不同影响程度.在遗传进化过程中,通过影响因子等遗传操作以达到对前馈神经网络的权值、阈值和结构优化的目的.仿真实验表明,该算法能够快速地确定神经网络的结构并且有效地提高了神经网络的收敛速度.     

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。     

遗传优化的灰色神经网络模型比较研究

针对灰色系统结合RBF神经网络时算法存在局部最优和收敛性等问题,引入遗传算法来辅助优化灰色神经网络预测模型。利用具有的较强全局搜索能力,且收敛速度快的遗传算法对GM（1,1）模型参数λ进行高效求解,然后融合RBF神经网络和改进的灰色GM（1,1）模型,构成两种不同结构的基于遗传算法的灰色RBF预测模型,一种是灰色RBF补偿预测模型GA-GRBF,另一种是灰色嵌入型GRBF模型。以某智能监控系统采集的风响应时程数据进行仿真分析,结果表明经过遗传算法优化的GRBF模型都要优于单一的GRBF模型,并且GA-GRBF模型建模简单,预测精度高,实用性强。     

交互式进化计算在虚拟角色表情建模中的应用

阐述了一种将交互式进化计算应用于三维计算机动画影片中训练虚拟角色面部表情的方法。将模糊神经网络应用于虚拟角色面部表情的建模,并用遗传算法结合交互式进化计算训练模糊神经网络。实验结果表明,当该算法应用于训练虚拟角色面部表情这一问题时,能在保证精度的前提下快速收敛,并能避免陷入局部最优,从而使得不同的动画导演利用这个系统,能够生成符合自己要求的虚拟面部表情。     

基于免疫遗传算法的动态递归模糊神经网络在发酵过程中的应用

针对软测量建模数据中过失误差及动态递归模糊神经网络的结构复杂,大量参数难以确定的情况,提出基于免疫遗传算法动态递归模糊神经网络软测量方法。利用样本间马氏距离进行样本相似程度分析,去除样本中错误数据以提高计算速度。此外应用减法聚类确定模糊规则数,以简化网络结构,同时应用免疫遗传算法优化模型参数以提高模型的精度和泛化能力。该方法应用于赖氨酸发酵过程菌体浓度的软测量,仿真结果表明,该方法具有较高的预测精度,满足现场测量要求。     

基于遗传算法的人工神经网络

为克服和改进传统的BP算法的不足,发挥神经网络和遗传算法各自的优势,提出了一种基于遗传算法的神经网络二次训练方法,将遗传算法应用于神经网络的权值训练中,并用神经网络二次训练得到最终结果,降低了计算时间,是一种比较有效的方法。     

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。     

入侵检测的进化神经网络研究

针对传统入侵检测系统漏报率和误报率高的问题,提出基于遗传神经网络的入侵检测系统。该系统将遗传算法和BP算法有机结合,利用遗传算法较强的宏观搜索能力和全局寻优特点,优化BP网络的初始权值和阈值,并在此基础上进行神经网络学习,从而建立入侵检测系统的优化分析模型。实验结果表明,该算法可以有效地运用于入侵检测系统中。