采用遗传算法的小波神经网络在降雨量预测中的应用

为了提高降雨量预测的精度,提出了一种基于遗传算法(GA)优化小波神经网络(WNN)的降雨量预测方法.依据邯郸市1956—1998年历年的降雨量构造了两类不同的训练样本,分别利用BP神经网络、小波神经网络和遗传小波神经网络(GA-WNN)对7月份的降雨量进行了预测.仿真结果表明,遗传小波神经网络克服了BP算法容易陷入局部最优的缺点,提高了预测精度,为降雨量预测提供了一种新方法.     

基于GAELM神经网络的日前电价预测

针对日前电价预测问题,利用极限学习机建立预测模型.鉴于极限学习机在训练前随机产生输入权重和隐藏节点偏置,可能导致预测结果不稳定以及预测精度太低的问题,提出了一种基于遗传算法(GA)和极限学习机(ELM)的预测方法.首先利用遗传算法对极限学习机随机生成的参数进行寻优,然后根据优化后的参数建立基于GA-ELM的电价预测模型.最后以此模型对PJM电力市场的日前电价进行预测.结果表明,相比ELM和BP神经网络,GA-ELM具有更高的预测精度.     

基于图像质量分析的PM_(2.5)空气质量预测

为了提高空气污染物PM_(2.5)质量浓度预测的准确性,提出了一种基于图像数据预测PM_(2.5)质量浓度的方法.首先用手机或相机获取图像数据,然后用图像质量分析模型提取与PM_(2.5)质量浓度相关的特征向量作为输入,建立一个基于粒子群优化(particle swarm optimization,PSO)算法的支持向量回归机(support vector regression, SVR)(PSO-SVR)预测模型来估计PM_(2.5)的质量浓度.实验结果表明,与SVR模型和用遗传算法(genetic algorithm, GA)优化的支持向量回归机(GA-SVR)模型相比,PSO-SVR模型在预测准确性和实施效率方面具有更好的预测性能.     

预测混合生物质灰熔点的CV-GA-SVM模型

为了更加快速、精确地对混合生物质灰熔点进行预测,利用交叉验证(cross validation,CV)方法进一步优化了前人提出的经遗传算法(genetic algorithm,GA)优化的支持向量机(support vector machine,SVM)回归模型。以灰成分作为输入量,灰熔点为输出量,以单生物质数据训练该模型,对混合生物质灰熔点进行了预测;并与仅经GA优化模型的预测结果进行了比较。研究结果表明:经GA与CV优化的SVM模型对混合生物质灰熔点进行预测,平均绝对误差为25。0℃,平均相对误差为2。7％,比仅经GA优化的SVM模型预测结果更为精确;适当地设置相关参数可以节省程序运行时间。     

改进的遗传算法在结构优化设计中的应用

遗传算法(GA)是基于达尔文进化论和遗传学说形成的一种崭新的优化算法.它具有全局收敛性和并行性;对先验知识要求较少,具有很强的适应性.针对结构优化设计方法中存在的局限性,将改进的遗传算法用于结构优化设计中.改进的GA采用以下措施提高搜索效率:(1)动态调整变量区间和GA参数;(2)在每一轮进化结束后重新初始化群体,开始新的进化;(3)将最优个体保留到下一轮.据此编制了计算机程序,并将其应用到一个桁架结构的优化实例中.运行结果表明,改进后的遗传算法用于结构优化设计能够有效地避免陷入局部最优解的现象,提高了搜索效率,具有较强的适应性.     

基于GA-BP神经网络的砌体结构拆除造价预测

精准快速地进行造价预测对于拆除工程的招投标决策具有重要意义.我国目前待拆除建筑物多为砌体结构.为寻求砌体结构拆除工程造价的高效预测方法,本文首先分析了反向传播(BP)神经网络和遗传算法(GA)的优势和缺点.通过利用GA的全局搜索最优性能,调节BP神经网络的权值阈值,改善BP神经网络容易陷入局部最小值且收敛速度慢的缺点,提出了优化砌体结构拆除工程造价的预测模型.针对拆除工程的特点,选取8个主要参数,利用50组样本数据进行训练预测.结果表明,优化后的预测模型具有较好的泛化能力和良好的稳定性,可为砌体结构拆除工程造价预测方面提供参考.     

基于GA-PSO-BP 的大坝变形监测模型

提出了一种基于GA-PSO 混合优化BP 神经网络的大坝变形监测模型, 将遗传算法(GA)和粒子群算法(PSO)的寻优过程进行融合, 利用GA 算法的全局性和PSO 算法收敛速度快的特点,通过迭代选取最优的粒子作为BP神经网络的连接权值和阈值,以减小网络输出误差, 提高其收敛速度和加强网络泛化能力。运用GA-PSO-BP 模型对大坝自动监测数据进行预测分析, 实验结果表明GA-PSO-BP 模型优化了BP 神经网络的连接权值和阈值, 能有效提高网络训练精度与收敛速度, 有效避免早熟收敛, 使模型的整体预测效果得到提高。     

基于遗传算法与模式搜索的混合优化算法

为了更好地实现全局优化,提出一种遗传模式搜索(Genetic Pattern Search,GPS)算法,该算法结合了遗传算法(GA)的强全局搜索能力与泛化模式搜索算法(PS)的强局部搜索能力.算法流程分为两步:首先是GA与PS联合实现粗搜索;其次是PS实现细搜索.实验对Hump、Powell、Rosenbrock、Schaffer、Woods测试函数进行搜索,表明GPS算法的成功率明显优于改进遗传算法与改进模式搜索算法,可作为一种有效可行的全局优化算法.     

基于遗传神经网络沥青混合料抗车辙性能研究

动稳定度是评价沥青混合料在规定条件下抵抗塑性流动变形能力的指标,它的大小直观反映了沥青混合料抗车辙能力的强弱。介绍了BP、遗传算法(GA)优化BP两种神经网络,建立了沥青混合料抗车辙性能预估模型,并以此分别对沥青混合料车辙动稳定度进行预测,实验结果表明:基于遗传算法(GA)优化BP神经网络的沥青混合料动稳定度预测方法,能够使网络收敛速度加快并避免局部极小;GA-BP神经网络在收敛速度和预测精度方面均优于BP神经网络。     

基于GA-WPT-ELM的6061铝合金表面粗糙度预测

为了提高工件表面粗糙度预测的准确性,针对振动信号特征识别和表面粗糙度预测建模时多个参数难以同步优化和人工经验调优误差较大的问题,提出基于遗传算法（GA）的信号特征识别和表面粗糙度预测的优化算法. 对采集的6061铝合金铣削振动信号进行小波包变换（WPT）和多个特征提取,利用GA优化WPT母小波和特征向量;将信号特征向量和表面粗糙度分别作为极限学习机（ELM）的输入和输出,对预测模型训练的同时,利用GA优化ELM隐含层的神经元个数;对训练好的预测模型进行测试. 实验结果表明,通过GA对振动信号识别和表面粗糙度预测的3类参数同步优化,获得了最佳的信号特征和较高的表面粗糙度预测精度,节省了建模分析计算成本.     

基于GA-RBF神经网络的电力系统短期负荷预测

针对短期负荷预测问题,提出了一种遗传算法-径向基函数(GA-RBF)神经网络负荷预测方法,解决传统径向基函数(RBF)神经网络预测中难以确定最佳隐藏层数问题,以提高预测的准确性。首先分析了GA算法模型和RBF神经网络模型;然后利用GA算法与RBF模型结合得到GA-RBF负荷预测模型;最后利用仿真工具对所建模型进行训练和预测。结果表明,与传统方法相比,其平均绝对百分误差值降低了4. 7%,证明了该方法的精确性和有效性。     

基于免疫遗传算法的煤与瓦斯突出预测研究

根据影响煤与瓦斯突出的各个因素与突出强度之间存在的复杂的非线性映射关系,建立了突出强度预测的BP网络模型.针对BP网络收敛速度慢和易陷入局部极小值及基于遗传算法的BP网络易出现未成熟收敛问题,提出了一种基于免疫遗传算法(IGA)的BP网络,即利用IGA实现对BP网络的优化.IGA在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能.结果表明:将基于IGA的BP网络应用于煤与瓦斯突出强度预测,该算法设计的BP网络具有较快的收敛速度和较强的全局收敛性能,在煤与瓦斯突出预测中取得了良好效果.     

基于不同神经网络模型的冷凝器两相换热量的研究

在混合工质下利用4种神经网络模型(反馈神经网络模型(BP)、遗传神经网络模型(GA - BP)、极限学习机网络模型(ELM)和递归神经网络模型(RNN))预测了板式换热器的换热量(含相变换热).结果显示:热源温度为30、40、50 ℃时,GA - BP神经网络模型的平均绝对误差(MAE)、平均相对误差(MAPE)和均方根误差(RMSE)均小于其他3种神经网络模型,且与实际值接近.该结果表明,GA - BP神经网络模型比其他3种神经网络模型更适用于预测板式冷凝器的换热量(含相变换热).     

基于EMD的短期风速预测混合模型

为了让风电电力系统在并网时能够平稳运行,降低因系统波动带来的经济损失,同时提高风电电力系统的竞争能力,找到一种稳定准确的风速预测方法有着重要且现实的意义。在机器学习的方法中,基于反向传播算法调整权值的BP神经网络是最常用也是最有效的方法之一。尽管BP神经网络拟合非线性序列的能力很强,但是在调整权值的过程中收敛速度慢,同时十分容易陷入局部最优值,为有效解决这两个可能出现的问题,将遗传算法(GA)用于优化神经网络。在此基础上,考虑到风速序列的间歇性、非平稳性以及差异性等特点,提出了一种基于经验模态分解(EMD)、遗传算法(GA)和BP神经网络的短期风速预测模型EMD?GA?BPNN,通过和其他几种模型的横向对比,验证了此模型在短期风速预测效果上的可靠性与优势。     

基于GA算法的弹簧CAD三维参数化设计

遗传算法(GA)是一种全局优化自适应概率搜索方法,并且具有很强的全局优化性和搜索效率.基于遗传算法优化弹簧的设计参数,用GRIP语言对弹簧进行三维参数化造型,由程序自动完成弹簧的三维设计,从而使优化设计与参数化设计一体化.     

一种基于神经网络和参数优化的隐式广义预测控制

提出一种基于神经网络和参数优化的预测控制方法。首先利用带有动量项的改进BP神经网络辨识系统模型,在辨识过程中使用粒子群算法(PSO)对改进BP网络的初始权值/偏置、学习率、动量系数等辨识参数进行学习优化,解决这些参数的取值问题;然后将辨识得到的模型用于隐式广义预测自校正控制中,使用遗传算法(GA)对控制过程进行优化,寻找最优的控制参数(预测时域、控制时域、控制加权系数、柔化系数)。将该方法应用在热工系统中,仿真结果表明了方法的有效性。     

神经网络在GPS高程拟合中的应用

讨论利用遗传算法(GA)、粒子群算法(PSO)来优化BP神经网络权值和阈值的原理;结合平坦地区的工程实例,研究二次曲面、BP、GA-BP与PSO-BP 4种拟合模型在GPS高程拟合中的应用.拟合结果表明:PSO算法优化BP神经网络精度效果优于GA算法优化BP神经网络精度,拟合误差更小.     

基于NN-GA的优化设计方法

针对优化设计中,传统的建模方法无法建立复杂系统的精确模型和传统优化算法无法获得满意优化效果的问题,将神经网络(NN)和遗传算法(GA)应用到设计中,构成一种基于NN-GA的优化方法.利用神经网络建立系统的数学模型,用遗传算法对参数进行优化,得出系统的最优值,并经过计算实例验证取得了较好效果.     

采用BP-ANN和改进SVR的进水BOD软测量模型

进水水质条件是研究和优化管理污水处理厂所需的关键要素,及时获取进水水质数据至关重要.针对污水厂关键性水质指标BOD5不易直接检测、滞后强的特点,分别采用BP神经网络(BP-ANN)、网格搜索算法(GS)优化支持向量回归(SVR)、粒子群算法(PSO)优化的SVR和遗传算法(GA)优化的SVR 4种方法,通过利用其他进水...     

基于GA-SVM的电能质量扰动分类方法研究

电能质量扰动的准确分类,是电能品质改善和治理的重要决策依据.为解决支持向量机(SVM)分类器在多分类问题中的不足,采用模式识别领域中聚类分析的思想,提出了一种基于遗传算法(GA)的SVM决策树多分类电能质量扰动识别方法.该方法首先对参数进行初步最优值筛选,将得到的初步最优值作为遗传算法初始值进行编码,根据设立的适应度函数完成GA中的选择、交叉、变异等操作,进一步搜索最优值,再以最优决策树构建SVM分类器,最终实现SVM的多分类.仿真结果表明,相比未经优化的SVM模型,基于GA算法优化的SVM具有较高的识别精度和抗噪能力.