基于粗糙集和改进遗传算法优化BP神经网络的算法研究

针对BP神经网络结构由于特征维数增多变得复杂,以及网络易陷入局部极值点,提出了粗糙集和改进遗传算法结合共同优化神经网络的方法。首先利用粗糙集对样本空间进行属性约简,降低特征维数,进而简化BP神经网络的结构;然后训练过程中先用改进的遗传算法全局搜索网络的权值和阀值,再使用BP算法局部搜索细化,避免网络过早收敛。试验分析证明优化后BP神经网络比传统BP网络的预测精度得到了极大提高,泛化能力得到了增强,说明了该方法的可行性、有效性。     

神经网络式电力负荷预测的混合计算

针对BP算法存在的缺陷,如训练速度慢,易收敛于局部极小点及全局搜索能力弱等,利用遗传算法能够进行全局最优化搜索这一特点,提出了一种新的用于BP网络训练的混合算法,即遗传算法与改进的BP算法相结合的混合训练方法.将所提出的混合训练方法应用于神经网络式电力负荷预测中,结果表明:所提出的算法与单一的BP算法相比,不仅可避免陷入局部极小点,而且提高了网络的训练速度和负荷预测精度.     

基于改进遗传算法和BP神经网络的矿井通风风速预测

矿井通风风速的准确预测对提高矿井安全性具有重要意义。为提高矿井通风风速预测的准确度,提出一种基于改进遗传算法和BP神经网络的矿井通风风速预测方法。该方法采用前向神经网络建立矿井通风风速预测模型,将排序选择策略和概率生存策略相结合,从而代替传统选择算子,得到一种改进遗传算法。采用改进遗传算法对网络最优权值和阈值进行全局搜索,在此基础上,再利用BP算法进行局部寻优,从而得到网络的权值和阈值。采用矿井工作面的数据作为实验数据进行仿真预测,并与已有的几种模型进行比较,仿真结果表明,该模型提高了矿井通风风速的预测精度。     

基于改进狮群算法和BP神经网络模型的房价预测

将狮群算法(lion swarm optimization, LSO)与海鸥算法的迁徙机制和螺旋搜索机制结合,增强算法的局部搜索能力;同时增加监督机制,提高算法的全局搜索能力。与粒子群算法和狮群算法对比,在常用的测试函数上验证改进狮群算法的优越性。采用改进后的狮群算法优化BP神经网络模型,对房屋价格预测问题进行研究,通过房屋的户型、面积等相关指标有效地对青岛市的二手房价格进行预测。改进后的狮群算法对BP神经网络的权值和偏置进行优化,提高BP神经网络的收敛速度和训练精度。试验结果表明,提出的螺旋搜索狮群和BP结合算法(spiral search lion swarm optimization-BP, SLSO-BP)模型在房价预测问题上预测效果更好。     

基于云遗传算法优化BP神经网络的轨道客流预测

城市轨道交通客流预测是线路规划和运营组织的基础, 为提高客流预测的准确度, 提出了基于云遗传算法优化BP神经网络的轨道客流预测模型。首先利用云模型云滴的随机性和稳定倾向性改进传统遗传算法中固定设置交叉和变异率的方式, 克服了标准遗传算法搜索速度慢及容易早熟的缺陷; 再通过改进后的遗 传算法来优化 BP 神经网络的初始权值和阈值; 最后结合重庆轨道交通3号线的客流数据进行实例分析, 结果表明, 基于云遗传算法优化的BP神经网络比传统BP神经网络的预测精度提升了5.95%, 达到了97.84%。     

遗传神经网络在滑坡灾害预报中的应用研究

针对传统BP算法易收敛于局部最优以及网络结构难以确定等问题,引进遗传算法进行混合建模.采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免陷入局部极小.文中结合实例,对BP神经网络,遗传算法改进的神经网络进行了比较分析.实验表明,利用改进的混合模型可以提高预测精度,缩短收敛时间.     

BP神经网络的遗传优化及其应用研究

针对BP神经网络具有训练速度慢、容易陷入局部极小值的特点,在分析其训练算法本质的基础上,提出将遗传算法（GA）引入神经网络训练,优化神经网络的权值和闽值,充分发挥遗传算法的全局寻优能力和BP算法的局部搜索优势,形成了一种新的GA—BP神经网络．应用实例仿真结果表明,GA—BP神经网络具有全局搜索、快速收敛的特点,建立的模型具有较高的预测精度和良好的泛化能力．     

改进哈里斯鹰优化算法与BP神经网络组合的滑坡位移高精度预测模型

开展滑坡位移高精度预测研究对于滑坡灾害的防灾预警具有重要意义。针对哈里斯鹰优化算法(HHO)搜索精度低且会陷入局部最优的问题,对其进行改进并进一步与BP神经网络组合,同时有效兼顾滑坡外部影响因子,发展了一种改进哈里斯鹰优化算法(IHHO)与BP神经网络组合(IHHO-BP)的滑坡位移高精度预测模型。结合我国典型黄土滑坡——甘肃黑方台党川滑坡HF08、HF05和HF09等3个监测点的北斗/GNSS实测数据,验证了IHHO-BP模型在3个实测数据集中的位移预测精度均优于单一BP神经网络模型,以及哈里斯鹰优化算法、麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)与BP神经网络组合的预测模型。结果表明:引入Levy变异、局部增强和随机化Halton序列种群初始化策略的改进哈里斯鹰优化算法,可有效解决哈里斯鹰优化算法搜索精度低且会陷入局部最优的问题; IHHO-BP模型具有更好的泛化能力,可有效提升滑坡位移的预测精度,该组合预测模型具有更好的推广应用价值。     

触觉传感器非线性补偿仿生算法

为解决触觉传感器非线性误差大的问题,本文提出了一种基于动态密度聚类改进的自适应多种群遗传算法(IMPGA)。IMPGA算法通过对个体相似度的动态聚类分析生成多个子种群,各子种群采用自适应交叉、变异概率并行进化,提高了搜索全局最优解的效率。通过动态邻域搜索策略提高算法局部搜索的能力,通过移民算子保持每个种群的多样性和进化动力。实验表明通过IMPGA算法优化的BP神经网络能够有效减小触觉传感器非线性拟合误差,鲁棒性能好。     

基于遗传模拟退火算法的钢桁架结构优化设计

将遗传算法(GA)的全局寻优性能好和模拟退火算法(SA)的局部搜索能力强的优点相结合,提出了用于钢桁架结构离散变量优化设计的遗传模拟退火算法(SAGA).以十杆桁架为例对此算法进行了数值实验,并将实验结果与其他优化方法相比较.算例结果表明,遗传模拟退火算法的寻优概率是100%,平均进化代数为35代,其稳定性和求解效率均高于改进的遗传算法.实验结果显示,遗传模拟退火算法在整体搜索同时,采用退火操作进行局部搜索,提高了算法的局部搜索能力,有效克服了遗传算法迭代缓慢的缺点,把遗传模拟退火算法用于钢桁架离散变量的优化设计中是行之有效的.     

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).     

变照度下的视觉测量系统误差建模

针对二维视觉在线测量工件时,照度变化因素导致测量误差的问题,提出基于遗传算法优化的最小二乘支持向量机（GA-LSSVM）,建立照度误差模型的方法. 分析视觉测量系统的误差来源,通过最小二乘法分析照度影响下的误差规律. 利用照度变化误差实验,获得照度和测量系统的误差数据,分别训练GA-LSSVM、支持向量机（SVM）以及BP神经网络,建立照度和测量系统误差模型,对系统测量误差进行预测. 结果表明：在变照度测量误差预测模型中,GA-LSSVM模型、SVM模型及BP神经网络模型的预测精度分别为94.90%、90.23%及80.60%. 这表明遗传算法优化的最小二乘支持向量机建立的变照度误差模型,在拟合和预测精度上优于传统的BP神经网络.     

一种基于进化学习的中药定量组效关系建模方法

针对中药的组分配伍优化设计，提出一类中药药效智能预测及定量组效关系（QCAR）建模方法.采用全新设计的自适应浮点编码遗传算法，并与反向传播（BP）算法集成用于神经网络学习训练，既改善了神经元网络获得全局最优解的能力，又消除了经典遗传算法（GA）在编码与解码时产生的截断误差，从而提高了QCAR模型的训练与预报精度.以中药当归为实例对该方法进行应用研究.结果表明，无论是交叉验证还是独立检验均取得较好效果，明显优于常规建模方法，可用于对中药药效进行智能预测     

基于遗传BP神经网络的磁流变悬置模型辨识

为克服误差逆向传播算法的多层前馈型BP神经网络收敛速度慢、局部极小化问题,提出用遗传算法(GA)的全局搜索能力寻求最优的BP神经网络权值和阀值,以提高神经网络的收敛速度和克服局部最优。以磁流变液压悬置动态特性试验结果为数据样本,分别用未优化的BP神经网络和优化后的GA-BP神经网络对磁流变液压悬置正、逆模型进行辨识。结果表明,相对于BP神经网络,GA-BP神经网络具有更高的辨识精度、更快的收敛速度,在磁流变液压悬置数学模型辨识方面具备更优的性能。     

基于遗传神经网络的入侵检测模型

针对入侵检测系统中存在的对入侵事件高误报率和漏报率问题,提出了遗传神经网络,该方法基于遗传算法的全局搜索和BP网络局部精确搜索的特性,利用遗传算法优化网络初始权重,将遗传算法和BP算法有机结合．实验结果表明,该算法正确鉴定合法的用户矢量为93％,发生7％的误报率．与BP、GA算法相比,分别高出2．875％和5．562％．     

Optimization of Process Parameters for Cracking Prevention of UHSS in Hot Stamping Based on Hammersley Sequence Sampling andBack Propagation Neural Network-Genetic Algorithm Mixed Methods

In order to prevent cracking appeared in the work-piece during the hot stamping operation, this paper proposes a hybrid optimization method based on Hammersley sequence sampling (HSS), finite analysis, back-propagation (BP) neural network and genetic algorithm (GA). The mechanical properties of high strength boron steel are characterized on the basis of uniaxial tensile test at elevated temperatures. The samples of process parameters are chosen via the HSS that encourages the exploration throughout the design space and hence achieves better discovery of possible global optimum in the solution space. Meanwhile, numerical simulation is carried out to predict the forming quality for the optimized design. A BP neural network model is developed to obtain the mathematical relationship between optimization goal and design variables, and genetic algorithm is used to optimize the process parameters. Finally, the results of numerical simulation are compared with those of production experiment to demonstrate that the optimization strategy proposed in the paper is feasible.     

PSO-SVM与BP神经网络组合预测供水系统余氯的方法

针对余氯量在供水系统内非线性变化的特性,建立了PSO-SVM与BP神经网络组合模型对管网末端余氯进行预测分析。该模型通过粒子群优化算法（PSO）,对SVM的特性参数进行优化;采用BP神经网络对模型进行残差修正。通过对单一的BP模型和SVM模型、组合模型的预测精度进行分析。结果表明：组合模型预测比BP和SVM单一预测均方误差分别降低了62.30%、75.29%,平均相对误差降低了55.03%、54.27%。综上所述,该模型具有强大的非线性拟合能力,预测精度高,运行稳定性强,对供水企业控制余氯的投加量和设置二次加氯点有一定的指导作用。     

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。