一类改进的遗传算法及其优化性能分析

分析了传统遗传算法易早熟收敛的主要原因,提出了一类改进的遗传算法.通过采用多种群进行并行搜索,改进原有的适应值函数.采用最优保存策略和赌轮选择相结合的选择思路,以及采用二元变异算子、个体重新分配等方法,提高了全局搜索性能和收敛速度.通过典型的测试函数进行了数字仿真,验证了算法的有效性.     

一类改进的遗传算法及其优化性能分析

分析了传统遗传算法易早熟收敛的主要原因，提出了一类改进的遗传算法，通过采用多种群进行并行搜索，改进原有的适应值函数。采用最优保存策略和赌轮选择相结合的选择思路，以及采用二元变异算子、个体重新分配等方法，提高了全局搜索性能和收敛速度。通过曲型的测试函数进行了数字仿真。验证了算法的有效性。     

基于竞争协同进化的改进遗传算法

针对标准遗传算法中的早熟收敛现象,提出一种基于竞争协同进化的改进遗传算法.该算法根据个体与对手竞争的表现来衡量个体的生存能力,生存能力由个体所击败对手的数量和优秀程度决定,个体在击败更多更优对手的努力中逐步进化.函数优化实验结果表明,该算法收敛速度快,且能有效保留种群多样性,与标准遗传算法及其他多种群遗传算法相比,能有效减轻早熟收敛现象.     

一种自适应遗传算法研究

首先提出一个刻画进化种群多样性的函数，考虑种群多样性与进化代数的关系，提出一个作用函数，在此基础上，提出一种自适应遗传算法，该 算法中交叉和变异操作的点数随种群多样性函数和作用函而变化，多峰值函数优化结果表明，该算法可以有效地解决早熟收敛问题，更易达到全局最优解。     

基于进化遗传算法的神经网络优化

遗传算法能有效解决神经网络优化设计存在的问题,但古典的遗传算法有一定的弊端。本文对遗传算法的操作算子进行改进,对结点和连接权采用两种不同的交叉规则,使子代结点个数在两父代之间,而子代个体的权值在较好的父代个体两侧;并增加一个变异概率,增大网络的结构进行突变的几率,这样既加快了搜索进程,在精度上也收到了很好的效果。     

基于蚁群算法的改进遗传算法

遗传算法具有快速全局搜索能力,但对于系统中的反馈信息却没有利用,往往导致无为的冗余迭代,求解效率低。根据这一缺陷提出一种将蚁群算法融合到遗传算法的新策略：为了弥补遗传算法中的变异算子变异过程中的盲目无原则性,将蚁群算法的正反馈思想引入到遗传算法中。利用蚁群算法信息素更新原则指导变异规则,有效地提高了算法的寻优效率,优化了解的质量。为了验证算法的有效性,对TSPLIB库中的两个公共实际事例eil51和gr202以及安徽省17个城市的数据进行了仿真实验,结果表明改进后的算法是有效的。     

一种基于排挤机制的改进遗传算法

为解决遗传算法求解具有多个极值点的函数时容易出现的早熟的弱点,根据排挤机制,提出了一种改进的遗传算法。该算法采用分组选择的方式,首先按适应度大小进行分组,然后根据个体间相似度来淘汰种群中相似个体,以此维持种群的多样性,避免算法未成熟收敛。用典型函数对算法进行测试,结果表明该算法性能优于基本遗传算法。     

动态变异遗传算法

遗传算法是根据达尔文生物进化理论而提出的一种优化算法。该文提出了一种新的遗传算法,理论分析显示,它不仅能保持遗传种群的多样性,而且能快速收敛。计算机仿真实验证明了改进后的遗传算法能够有效地克服不成熟收敛、进而搜索到全局最优解,并将这种新遗传算法用于BP网络的拓朴结构的优化和连接权值的训练,实例表明了该算法的有效性和可行性。     

基于改进遗传算法的起重机臂架结构优化设计

在起重机臂架结构设计中,引入非均匀变异算子和小生境算子与采用浮点数编码遗传算法相结合,同时通过个体基因改变总几率来确定浮点数编码遗传算法的变异概率,提出了一种改进的遗传算法.算例结果表明,改进的遗传算法优化效果明显,对结构优化设计有较好的参考价值.     

基于神经网络和遗传算法的实验参数确定

将 BP神经网络用于实验数据结果的“预处理”,剔除奇异样本数据 ,并利用实数直接操作的遗传算法 (FGA) ,发挥 FGA概率搜索和群体优势 ,将处理后的数据分别代入给定的含参数的方程 ,在总体误差最小的情况下 ,寻求符合实验数据的参数的优化解 ;将优化结果与常规数理统计方法进行了比较 ,证实了该方法的有效性 ;而且对其它实验数据的处理及实验参数的确定 ,有一定的参考价值。     

遗传优化神经网络的一种改进算法

提出一种搜索算子．结合自适应交叉和变异算子,构成了遗传优化神经网络的一种改进算法。将这种算法用于一个算例的计算。与遗传优化BP算法相比较,发现遗传优化BP算法出现了网络瘫痪问题,改进算法则取得了较好的运算结果。     

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。     

基于遗传算法BP神经网络的零件图特征识别

研究用多层BP神经网络识别二维零件图的形状特征信息.利用遗传算法加快BP神经网络的收敛速度.提出零件图扩展属性矩阵的概念及求法,对AutoCAD R2000进行二次开发,完善了我们开发的二维回转类零件图特征识别和提取系统,具有一定的理论和实用价值.     

模拟退火算法对遗传神经网络优化的性能分析

遗传神经网络是利用遗传算法优化连接权值代替梯度下降法求解的方法,在遗传算法进化的过程中加入模拟退火算法,同时具有优秀的全局寻优能力和局部搜索能力,不仅能够提高运算收敛的速度和效率,而且可以有效避免出现早熟现象,防止陷入局部最优,同时性能也很稳定,完全能满足实时系统对精度和速度的要求。研究了遗传神经网络分别在复制、交叉和变异后应用模拟退火算子进行优化的方法,并且比较了三者在遗传神经网络优化中性能的优劣。     

基于遗传优化的神经网络盲均衡算法

传统前馈神经网络盲均衡中神经网络的初始权重的确定缺乏理论依据,收敛速度慢,容易陷人局部极小值.为有效克服这些缺陷,提出了遗传优化神经网络的盲均衡算法.算法用遗传算法对前馈神经网络的网络权重进行优化,为神经网络提供一个全局较优的局部搜索空间;再利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡.计算机仿真结果表明:与传统神经网络算法相比,新算法达到了更好的收敛特性和均衡效果,剩余稳态误差减少30%以上,收敛速度加快约20%,误码率也有明显降低.     

基于遗传算法的神经网络结构设计

神经网络具有广泛的工程应用前景,但在实际应用中还存在一些困难,如何优化网络结构目前尚无理论指导,应用遗传算法与误差反向传播算法相结合的混合学习过程研究网络结构设计,实例表明通过遗传算法优化网络结构,能够有效地提高网络性能。     

一种基于神经网络的专家系统设计

提出了一种基于神经网络的专家系统设计方案,其核心是作为知识库的人工神经网络(ANN)和基于ANN的正向推理机制。研究了一种表达知识的二元产生式规则及其编码方法,通过编码知识被存储在ANN中。基于ANN的知识库,设计了一种具有正向推理的推理机,并且以动物识别为背景,设计了一个原型系统。     

Optimization of Processing Parameters of Power Spinning for Bushing Based on Neural Network and Genetic Algorithms

A neural network model of key process parameters and forming quality is developed based on training samples which are obtained from the orthogonal experiment and the finite element numerical simulation. Optimization of the process parameters is conducted using the genetic algorithm (GA). The experimental results have shown that a surface model of the neural network can describe the nonlinear implicit relationship between the parameters of the power spinning process:the wall margin and amount of expansion. It has been found that the process of determining spinning technological parameters can be accelerated using the optimization method developed based on the BP neural network and the genetic algorithm used for the process parameters of power spinning formation. It is undoubtedly beneficial towards engineering applications.