基于遗传模拟退火算法的BP算法研究

目前广泛应用于神经网络优化的方法是反向传播(Back Propagation,BP),但是BP神经网络的全局搜索能力很有限.文中探讨了两种全局优化算法:遗传算法(Genetic Algorithm,GA)和模拟退火(Simulated Annealing,SA),以及它们和BP算法结合形成的优化算法,并且比较了它们在神经网络优化中的优缺点.     

BP神经网络的优化算法研究

BP学习算法通常具有收敛速度慢,易陷入局部极小值等缺点;遗传算法是全局优化算法,具有较强的全局搜索性能,但它在实际应用中容易产生早熟收敛的问题,且在进化后期搜索效率较低;模拟退火算法具有摆脱局部最优点的能力,能抑制遗传算法的早熟现象.因此,本文在BP算法结合遗传算法的同时,再加入模拟退火算法,可以有效地缓解遗传算法的选择压力.     

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.     

基于改进遗传模拟退火算法的BP神经网络的畸变校正研究

针对相机所采集的图像大多都存在畸变现象的问题,设计了基于改进遗传模拟退火算法的BP神经网络校正算法。该算法针对传统遗传算法易于收敛局部最优的问题,提出分段选择策略与随机抽样相结合的选择算子,自适应交叉与变异算子。在畸变校正中,该算法通过网络的输入输出建立理想点与畸变点的关系,使用改进的遗传模拟退火算法来优化神经网络中的阈值与权值,然后使用基于LM算法的BP神经网络进行局部优化,最后通过插值算法得到校正后的图像。实验表明,该算法能过较好的对图像进行畸变校正,同时与传统的BP神经网络算法相比精度更高,收敛速度更快。     

基于遗传算法和模拟退火算法的特征选择方法

针对模式识别时原始特征数量大而有冗余的现象,提出了一种基于遗传退火算法的特征选优方法。首先对遗传算法和模拟退火做了简要评论,然后在遗传算法中引入模拟退火的Boltzmann更新机制,以克服传统的遗传算法易于过早收敛和易于陷入局部极小的问题。最后阐述、设计了适应度函数和遗传算子。仿真实验表明,该方法在求解的效率和解的质量方面都达到了令人满意的效果。     

基于SAGA优化BP神经网络的木材含水率预测

针对木材干燥过程中含水率的检测问题,提出了一种基于SAGA优化BP神经网络的木材含水率预测方法,即采用遗传算法与模拟退火算法相结合的学习策略,利用SAGA的全局寻优能力优化BP网络的权值和阈值.仿真试验表明,优化后的BP网络表现出良好的预测性能,缩短了训练时间,避免了BP算法陷入局部小,具有很高的预测精度.     

基于粒子群优化算法的测试选择优化方法研究

测试选择优化问题作为复杂电子装备的诊断设计优化过程中的一个关键问题,是一个典型的集合覆盖问题,属于经典的N—P难题;针对现有优化方法存在的不足,通过对测试选择问题的分析,提出一种基于二进制粒子群优化算法的测试选择优化方法,将备选测试集合采用二进制粒子编码,构造粒子适应度函数,通过粒子群搜索实现了快速求解;与传统方法相比较,该方法搜索速度快,优化效果明显,该方法已在工程实践中得到应用。     

利用遗传模拟退火算法优化神经网络结构

常用的神经网络是通过固定的网络结构得到最优权值,使网络的实用性受到影响。引入了一种基于方向的交叉算子和变异算子,同时把模拟退火算法引入了遗传算法,结合遗传算法和模拟退火算法的优点,提出了一种优化神经网络结构的遗传——模拟退火混合算法,实现了网络结构和权值的同时优化。仿真实验表明,与遗传算法和模拟退火算法相比,该算法优化的神经网络收敛速度较快、预测精度较高,提高了网络的处理能力。     

基于遗传算法的特征子集选择

数据挖掘对象是大型数据库中的海量数据，而数据库中记录包含众多属性，由于其中存在的冗余和不相关属性降低了数据挖掘性能，增加了算法复杂性，因此，特征子集选择问题成为数据挖掘领域中的重要研究课题。该文根据过滤法思想，提出了基于遗传算法的特征子集选择算法，实验证明该算法获得了良好的收效性和稳定性。     

基于退火免疫遗传算法的测试用例生成研究

在软件测试技术中,高效的测试用例生成是简化测试工作、提高测试效率的必要手段.提出了一种应用于软件测试中的基于退火免疫遗传算法(AIGA)的测试用例自动生成算法,介绍了AIGA测试用例生成模型和AIGA算法的基本思想.算法融合了模拟退火算法和免疫算法在避免陷入局部最优和保持种群多样性方面的优势,克服遗传算法局部搜索能力差及其早熟现象和模拟退火算法全局搜索能力差、效率不高的问题.实验结果表明,算法在测试用例自动生成的效率和效果方面.优于传统遗传算法.     

基于遗传退火方法的灰度图像阈值选择算法

灰度图像分割问题一般采用传统的最大类间方差法来解决,但是类间方差方法计算量大,不适合实时图像处理。为了解决上述问题,提出了一种改进型遗传退火的阈值分割算法。算法的整个运行过程由冷却温度进度表控制,使用经典的最大类间方差法作为遗传算法的适应度函数,再根据M etropolis准则判断产生的新解是否被接受,从而求得灰度图像的一个最佳阈值。图像分割的仿真结果表明,与传统的最大类间方差法相比,计算量不大,算法具有很强的全局优化搜索能力,由于算法效率高,收敛速度快,适用于实时性的灰度图像处理。     

基于混合遗传算法的车间生产调度问题研究

解决车间生产调度问题的目的不仅仅是为了缩短生产周期,更重要的是为了提高生产效率,降低生产成本。现大部分国有制造企业在车间生产过程中采用的是人工调度,调度时主要依赖于调度经验,调度效率不高且易出错。将遗传算法和模拟退火算法相结合,提出了解决车间调度问题的混合遗传算法,并给出了一种编码方法以及建立了相应的解码规则。遗传算法的引入保证了解的全局最优性,仿真后表明了该混合算法的可行性和有效性,且能够有效地提高搜索效率,改进了收敛性能。     

基于遗传算法和模拟退火算法的布局问题研究

文章在介绍遗传算法和模拟退火算法的基本理论及主要特点的基础上,提出了一个基于遗传算法和模拟退火算法的求解布局问题(矩形件排样优化)算法,并通过算例验证了该算法的有效性。     

基于GA-SA混合算法的VLSI门阵列布局设计

布局是VLSI布图设计中的关键环节，通常采用随机优化算法。该文采用遗传算法(GA)与模拟退火法(SA)相结合的搜索算法实现VLSI门阵列模式布局，利用遗传算法进行全局搜索，模拟退火法进行局部搜索。进化过程中采用精英保留策略，并对进化结果进行有选择的模拟退火操作，这样既加强了局部搜索能力又防止陷入局部最优。在复合布局目标函数中引入对最长线网的惩罚，其收敛速度比以总线长度为单一目标函数的要快。在交叉操作中，对交叉位置的选择采用了一种新的策略，增加了交叉的有效性。实验表明，此算法与简单遗传算法相比，有效地提高了全局搜索能力。     

基于遗传算法优化神经网络的房地产评估模型及实证研究

针对房地产价格和影响因素之间存在复杂且非线性的关系,用传统评估方法预测房地产价格精度不高的缺陷,提出一种基于遗传算法(Genetic Algorithm,GA)和BP神经网络(BP Neural Network,BPNN)的房地产评估预测模型。该模型利用BPNN确定房地产价格影响因子与评估价格之间的函数映射关系,并采用GA优化BPNN的权值和阈值来提高BPNN的收敛速度,解决了算法陷入局部极值点的问题。最后,通过对100组实际交易样本数据的计算机仿真实验,证明了该方法对房地产估价的有效性和准确性。     

一种改进的基于遗传算法的模糊C-均值算法

把遗传算法搜索的随机性和并行性引入到模糊聚类中,克服了模糊C-均值聚类的局部性和对初始聚类中心的敏感性;该改进算法中采用了适合于模糊聚类的树型编码方案,且在遗传算法中采用了适合于模糊聚类的树型编码方案。同时详细设计了该方法,将该算法引入仓储物害虫的模式识别分类系统中,实验结果表明了该算法的可行性和有效性。     

一种改进的Hopfield神经网络SST图像恢复方法

提出了采用三元存储结构和图像分块的改进算法,同时利用模拟退火算法和遗传算法来提高恢复算法的收敛速度,从而进一步提高图像恢复的实时性,最后利用所提出的基于Hopfield神经网络的快速恢复方法进行模拟计算,其运算效率和恢复结果都能达到SST图像恢复的使用要求。     

基于免疫遗传算法的前向神经网络设计

针对传统BP算法训练速度慢、易陷入局部最优等缺点,该文提出了一种采用免疫遗传算法设计前向神经网络的方法。为解决神经网络权值随机初始化带来的问题,介绍了一种基于免疫的多样性模拟退火法(SAND算法)来进行神经网络权值初始化。仿真结果表明,该算法比混合遗传算法有更高的性能。