基于人工神经网络的注塑参数模拟预测系统

将CAE模拟与神经网络技术相结合,在Matlab环境下建立了注塑工艺参数模拟预测系统。将系统预测结果与模拟及实验验证结果进行比较和误差分析,显示出系统的稳定性和可靠性,表明了该系统具有工程实用价值。     

基于神经网络与遗传算法的传动部件设计优化

为了提高设计效率,得到最优设计效果。依据人工神经网络模型和遗传算法的基本原理,建立了基于神经网络和遗传算法的传动部件设计优化模型,用Matlab语言编制了应用程序,对神经网络的参数预测与遗传算法的优化过程进行求解,试验仿真结果表明,采用设计优化切实可行,具有良好的实际应用效果。     

基于遗传算法的注塑成型工艺参数优化研究

针对在热流道注塑成型中薄壁型塑件极易发生的翘曲变形问题,提出了一种利用遗传算法的工艺参数优化设计方法.首先利用响应面法基于塑件翘曲变形量和体积收缩率构建了数学模型,然后利用Matlab软件及遗传算法进行了最优化求解.求解结果表明:在注射时间4.9s、冷却时间68 s、注射温度190℃、保压时间5 s、保压压力57MPa...     

神经网络与遗传算法在传统化工企业中的应用

传统化工企业中产品的配方优化是一个很关键的问题。文章提出了一种新的配方优化方法——人工神经网络和遗传算法方法(ANN-GA)，这是在经验设计和数据处殚领域的一种新方法。     

基于遗传算法的微分方程模型参数优化

针对采用传统方法求解动态系统的微分方程模型的参数存在的不足与困难,设计了一种改进的遗传算法优化模型的参数.计算实例表明,用遗传算法优化模型参数可以得到与实际数据更加吻合的数学模型.     

基于遗传算法的微分方程模型参数优化

针对采用传统方法求解动态系统的微分方程模型的参数存在的不足与困难,设计了一种改进的遗传算法优化模型的参数。计算实例表明,用遗传算法优化模型参数可以得到与实际数据更加吻合的数学模型。     

基于遗传算法的舵型参数优化

舵是船舶操纵运动的主要控制装置,舵叶转动产生转船力矩从而使船转向来达到控制航向的目的。在舵设计过程中,包括选取舵型,舵面积,展弦比等参数,研究表明,优化展弦比与优化其他舵参数相比,可以更好的改善舵效。本文采用四自由度的船舶运动数学模型,以舵面积和展弦比为优化参数,通过遗传算法对其进行优化选取。仿真结果表明,通过遗传算法的参数优化使船在回转过程中回转半径与稳定外倾的综合控制效果达到最佳。     

基于遗传算法的选煤工艺参数优化

对选煤生产过程优化目标进行了分析,采用以经济效益为目标,建立了优化工艺参数与优化目标间的关系模型,该模型是非线性的。选煤生产过程工艺参数优化就是指在市场需求、资源配置,生产能力等条件下,选择最合适的分选密度和分选灰分,获得最大经济效益。遗传算法利用生物进化机制,在一个较大的初始解空间中,通过优胜劣汰的方法进行优化求解,和其他优化方法相比不仅寻优能力强而且计算速度快。基于遗传算法对选煤生产过程工艺参数进行了优化操作,根据具体情况,采用特定的遗传操作。仿真结果表明,优化后的工艺参数能获得最大的经济效益。     

基于遗传算法的PID参数优化与仿真

本文提出了一种基于遗传算法的PID控制器参数优化设计。通过仿真研究，表明了遗传算法是一种简单高效的寻优算法。与传统的寻优方法相比明显地改善了控制系统的动态性能。     

基于神经网络-遗传算法的CT-191合成工艺优化

本文用锌粉还原N-亚硝基二苯胺的产物直接与2-甲基-4（N,N-二苄基）氨基苯甲醛缩合合成了空穴传输材料2-甲基-4（N,N-二苄基）氨基苯甲醛-1,1-二苯腙（CT-191）,采用均匀设计制定试验方案获取原始数据,应用BP人工神经网络对合成过程中工艺参数和一次产品收率的关系建立了模型,并用遗传算法进行优化得到最佳工艺条件：原料2-甲基-4-（N,N-二苄基）氨基苯甲醛：N-亚硝基二苯胺约为1：2．5,还原时间为1h,缩合时间为2h,预测收率为96．28％。验证实验的结果为95．98％．和预测值基本吻合。为化学生产工艺的优化探索了一条新途径。     

遗传算法优化小波神经网络的网络流量预测

为了提高网络流量的预测精度,克服小波神经网络收敛速度慢、易陷入局部最优的缺点,提出一种遗传算法优化小波神经网络的网络流量预测模型.首先计算延迟时间和嵌入维数,构建小波神经网络的学习样本,然后采用小波神经网络对网络流训练集进行学习,并采用改进遗传算法对小波神经网络参数进行全局寻优,提高收敛速度和网络学习精度,最后采用网络流量数据对模型性能进行仿真分析.结果表明,相对于对比模型,本文模型的平均误差大幅度降低,训练次数急剧减,减小了二次优化训练的次数,具有更大的实际应用价值.     

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。     

基于遗传算法的神经网络性能优化

遗传算法是一种典型的进化算法。文中分析了遗传算法的特点和神经网络的特点,从而得出了把两种算法结合起来进行应用的思想。运用理论对比的方法,阐明了用遗传算法进行神经网络性能优化的原因,并得出结论,认为用遗传算法进行神经网络性能优化促使了神经网络更进一步的应用。阐述了遗传算法优化神经网络的两种主要方法,论述了遗传算法和神经网络的发展现状和将来的研究动向。     

基于遗传算法的神经网络性能优化

遗传算法是一种典型的进化算法。文中分析了遗传算法的特点和神经网络的特点，从而得出了把两种算法结合起来进行应用的思想。运用理论对比的方法，阐明了用遗传算法进行神经网络性能优化的原因，并得出结论，认为用遗传算法进行神经网络性能优化促使了神经网络更进一步的应用。阐述了遗传算法优化神经网络的两种主要方法，论述了遗传算法和神经网络的发展现状和将来的研究动向。     

基于改进人工鱼群算法的神经网络优化

针对人工鱼群算法的寻优速度慢,后期收敛性差等缺陷提出了一种并行运行方式的改进人工鱼群算法(Improvement Artificial Fish Swarm Algorithm,IAFSA)。进而应用IAFSA算法对BP神经网络初始权值进行寻优,以解决BP网络初始权值选取困难且优化过程中容易陷入局部极值的问题。最后,将IAFSA-BP网络混合算法应用于PID参数的优化,从而克服了PID控制参数难以整定的难题。通过仿真实验,结果表明:改进的人工鱼群算法寻优速度更快,优化值更加合理。应用IAFSA-BP混合算法得到的PID控制参数使得系统响应更快,稳态误差更小,系统性能得到提升。     

基于遗传算法的前馈神经网络结构优化

为防止交叉后优秀基因段的丢失,在随机非一致线性交叉的基础上,设计了一种与个体适应度相关的线性交叉方案。构造了一种使交叉率与变异率随进化过程自适应调整的方法,有效抑制了遗传算法的早熟收敛。然后,针对函数逼近问题用改进后的遗传算法去优化前馈神经网络的结构,降低了神经网络训练陷入局部最优的可能性,提高了网络的泛化能力。     

基于过程神经网络和遗传算法的系统逆向过程求解

针对系统过程的逆向优化求解问题,提出了一种基于过程神经网络和遗传算法相结合的方法。首先根据实际问题的领域知识和学习样本集,确定能够满足系统实际输入输出关系的正向过程神经网络。然后按照系统在过程区间的某一期望输出,逆向确定系统的过程输入信号,即按照给定的期望输出,反求过程神经网络的输入函数,使该输入函数满足已确定的正向映射关系,从而完成系统的优化过程控制。文中给出了具体的实现算法,应用实例证明了该方法的有效性。     

全局优化RBF网络的一种新算法

神经网络的输入变量、隐含层结点以及中心的选择对模型的性能都有重大的影响,以前的研究一般只考虑优化网络的参数或其结点数。为解决这个问题,提出了一种新的全局优化算法来自动选择RBF神经网络的输入变量和结点数目,并同时优化其参数。在提出的算法中,RBF网络的结点数目、输入变量的选择和参数都采用二进制编码,并用遗传算法来优化。为提高算法的性能和收敛速度,在遗传算法优化的同时引入了一种高性能的基于梯度的局部搜索算子(结构化的非线性参数优化方法)来优化RBF网络中的参数。Box-Jenkins煤气炉标准时间序列的预测问题被用来检验算法的性能。实验结果表明,提出的算法可以得到非常"紧凑"的RBF网络,且其性能优于其他一些算法。     

基于粒子群遗传算法的BP神经网络摄像机标定

摄像机标定是从二维图像提取三维空间信息的关键步骤,标定的精度直接关系到三维重构结果的逼真程度。为了有效解决传统摄像机标定算法中的多参数、计算费时费力等问题,提高摄像机标定的精度和速度,将粒子群遗传算法（particle swarm optimization genetic algorithm,PSO-GA）应用于摄像机标定中。对参数进行粒子群算法优化后,再使用遗传算法中的选择、交叉和变异等操作进行参数优化,以实现粒子群算法与遗传算法的融合。结合后的算法全局搜索能力较强,收敛速度更快,优化能力与鲁棒性得以提高。同时,基于神经网络的摄像机标定方法所能覆盖的标定空间十分有限,提出了一种采用粒子群遗传算法优化BP神经网络的摄像机标定方法,以解决传统摄像机标定方法难以解决的问题。实验数据表明,基于粒子群遗传算法的BP神经网络标定是一种可行的方法,标定精度高,收敛速度快,泛化能力强。