GA在传动优化设计中的应用研究

本文阐述了遗传算法的基本原理,并通过Matlab中的遗传算法工具箱来实现一个2K-H行星传动实例,说明遗传算法相比传统机械优化设计方法有比较大的优越性.     

基于人工神经网络在齿轮优化设计中的应用

近十年来,为提高齿轮传动的承载能力、延长寿命、减小体积等,许多专家学者致力于齿轮传动的优化设计、胶合承载能力计算、可靠性设计等工作.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的优势,提出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,降低了齿轮设计计算时间,是一种比较有效的方法.     

遗传算法和模糊神经网络在齿轮传动中的应用

基于遗传算法优化模糊神经网络齿轮传动机构优化的新模型,首先将各参数用二进制串表示,用适合度函数衡量算法的收敛状况。然后寻找最优模糊隶属函数参数,按适值选取最后一代群体中N个可能具有全局性的进化解,分别以该进化解为初始权值,用BP神经网络进行求解,比较N个由神经网络求得最优解,从而获得全局最优解。Matlab仿真结果表明所构造的识别模型预测误差非常小。     

基于改进型遗传算法的前馈神经网络优化设计

阐明了遗传算法和神经网络结合的可行性,提出了一种改进的面向神经网络权值学习的遗传算法。通过对XOR问题的实验,显示出其快速学习网络权值的能力,且能摆脱局部极值的困扰和初始权值的限制,从各方面都表现出优于标准遗传算法和BP算法的性能。     

基于改进遗传算法的神经网络优化设计

针对前馈式多层神经网络的结构和权值设计方法的缺陷,提出了一种基于改进遗传算法的前馈神经网络自动优化设计方法,用以完成对网络结构和权值空间的搜索,提高神经网络的收敛速度和搜索全局最优解的能力。通过实验表明,该算法的收敛速度较快,过程稳定,而且泛化能力也较好。故此方法在神经网络设计上能够发挥较好的作用。     

智能算法在全终端网络可靠性优化设计中的应用

在计算机通信网络建设过程中,通信主干网的高可靠性一直是广大设计者和用户所关心的重大问题,分析了通信主干网的全终端可靠性优化设计问题,针对一种典型可靠性优化模型,分别设计了用于求解该模型的改进遗传算法、模拟退火算法、改进蚁群算法以及改进粒子群算法,并对该模型进行了优化求解,计算机仿真实例表明:粒子群算法在算法的优化质量和收敛速度上都优于其它三种算法,能够取得满意的优化结果,具有一定的实用价值.     

智能算法在机器人足球控制仿真中的应用

针对机器人足球中KICK技术存在的问题,本文从模糊逻辑、遗传算法、BP神经网络等三个方面,论述了智能算法在机器人足球KICK技术中的应用.在此基础上,提出进一步研究的解决方案.     

智能算法在金属矿山品位动态优化中的应用

对遗传算法、神经网络和模糊逻辑等智能算法进行深入研究并将其应用于复杂的矿山生产系统中,解决放矿截止品位和入选品位的优化问题。首先应用神经网络建立以品位指标为自变量的多目标优化函数模型,再对其进行模糊综合评判,将得到的模糊隶属度函数作为遗传算法的适应度函数,全局搜索出使适应度函数最大即最优的品位指标组合,实现截止品位和入选品位的动态优化,为矿山企业放矿生产提供决策。     

混合智能算法在彩色图像分割中的应用研究

对颜色空间做了全面地介绍,对当前传统的彩色图像分割技术进行了较为系统的论述,通过比较发现传统的单一分割算法在彩色图像分割中都不可避免地存在一定的不足与缺陷.而以神经网络、遗传算法和蚁群算法等智能算法进行图像分割时,由于从不同侧面反映了人类视觉感知的智能性、并行性,取得了较好的效果,推动了图像分割向智能化方向发展,但其在理论和实践上都没有达到让人满意的程度.因此,可以根据实际情况组合不同的算法,分层次地分割图像,寻找符合人类视觉感知特性的有效的彩色图像分割混合智能算法,从而弥补单一算法对彩色图像分割的不足.     

一种状态反馈的最佳控制设计法

针对状态反馈控制设计法存在的问题,论文提出一种以时间加权的误差积分(ITE)为最优准则,并采用遗传算法寻找最佳状态反馈增益与参考输入增益,以获得系统最佳动态性能并克服了静差,这为状态反馈控制设计提供了一种新思路。仿真实验证明,文中提出的方法是有效的。     

计算智能方法及应用研究

介绍了4种计算智能方法,即神经网络、模糊计算、遗传算法和免疫算法,通过总结和比较各智能算法的优缺点及其在各个领域的应用,给出了计算智能存在的主要问题及发展趋势。设计了脱机手写签名识别软件,提取签名图像的骨架特征和边角特征,并利用BP神经网络方法有效地识别真、假签名。     

基于PPGA-MBP的神经网络优化及其应用

多物种并行进化遗传算法应用于神经网络拓扑结构的设计,开辟了新的研究领域,论文提出伪并行(PPGA-MBP)混合遗传算法,结合改进的BP算法优化多层前馈神经网络的拓扑结构。算法采用实数编码来克服传统二进制编码的精度不足问题,并设计基于层次的杂交算子允许结构相异的个体杂交重组成新的个体,适应度函数更是综合考虑了均方误差、网络结构复杂度和网络的泛化能力等因素。实验证明取得了明显的优化效果,提高了神经网络的自适应能力和泛化能力,具有全局快速收敛的性能。论文还运用该算法建立了工业增产值经济预测网络模型,将网络预测值和多项式拟合值进行了对比分析。     

遗传算法在人工智能领域中的应用

该文介绍了遗传算法的基本概念、基本遗传算法的特点和基本遗传算法的求解步骤,同时也介绍了遗传算法在机器学习、并行处理、人工生命以及遗传算法与进化规则及进化策略的结合的发展动向,最后讨论了基于遗传算法的人工神经网络学习中的应用研究,具体论述了遗传算法在学习神经网络权重和学习神经网络拓扑结构的应用方法。     

基于神经网络和遗传算法的悬挂系统优化设计

悬挂系统具有复杂的机械结构,对于这种非线性系统进行优化设计难度较大,且采用计算机仿真反复试验耗时巨大;基于神经网络和遗传算法,利用机械系统动力学仿真软件MSC＼ADAMS中的ATV模块,对悬挂系统中影响自行火炮行驶平稳性的各参数进行优化,取得了较好的结果,证明了该技术路线的可行性。     

降维网络及其在混凝土配合比优化设计中的应用

提出在BP网络的输入层与隐层或径基函数网络的输入层与隐层之间增加一个只有2个结点的线性函数层（Z层）,以构成基于BP网和基于径基函数网的降维映射网络,这两种网络均将多维输出Y（可为一维）与多维输入X之间的非线性映射关系转变成与二 维向量Z之间的非线性映射关系,网络学习后,就可以在由Z构成的二维映射平面上描绘出输出向量的等值线,通过这些等值线可全景式地,准确可靠地出样本数据集的最估操作区域,实现混凝土配合比优化设计。     

智能优化算法及其在打浆优化中的应用

提出了一种遗传算法与神经网络技术相结合的智能优化算法,实现打浆过程的优化控制;首先针对打浆过程中系统的非线性、工艺参数间关系的不确定性,对打浆过程采用神经网络建立输入与输出之间的非线性模型,再利用遗传算法对控制参数寻求决策变量优化求解;通过改进遗传算法的交叉、变异算子等,使算法在优化过程中能有效地保持种群的多样性,防止种群过早收敛、局部收敛的现象,以实现打浆全局最优控制;实践表明,该智能优化算法,在满足打浆前后性能指标的同时明显降低了打浆能耗,是解决过程控制优化问题的可行之路。     

基于遗传算法的模糊系统优化设计方法

提出了一种带有混合变长编码和模糊变异算子的新型模糊遗传算法,并钭其应用到模糊系统的优化设计中。仿真结构表明,这种方法具有即使系统缺乏任何先验知识,也能通过评价学习,遗传优化获得满足系统动态性能的优化控制规则的特点。     

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。     

智能控制研究的发展及应用

首先介绍了智能控制的产生和发展过程;其次对智能控制在几个典型领域的应用情况进行了讨论,分析了当前研究的热点问题、研究方法与取得的成果;最后结合导弹的飞行特点和导弹武器系统的控制要求,从模糊控制、神经网络和遗传算法三个方面对智能控制在导弹武器中的应用进行了分析,并对智能控制的发展进行了展望。