基于遗传算法优化模糊神经网络的倒立摆智能控制

提出了一种利用遗传算法来优化模糊神经网络的倒立摆智能控制,利用RBF神经网络与模糊推理过程具有函数等价性.设计了基于模糊系统的RBF网络结构。同时采用改进的遗传算法优化了神经网络的参数和权值。其中利用一种动态的交叉率和变异率.有效地加快了收敛的速度。最后,利用Matlab软件对倒立摆进行仿真.仿真结果表明.该控制具有较好的通用性和控制效果。     

用进化RBF神经网络控制二级倒立摆

提出了一种应用ＲＢＦ神经网络和遗传算法相结合的控制算法,用于控制二级倒立摆系统,这种方法把线性控制系统的条件作为非线性最优控制性能指标的约束条件,用改进的遗传算法求解使性能指标最小的ＲＢＦＮＮ控制器参数。仿真结果表明,该方案优于传统的状态反馈方法和模糊控制方法,具有更大的稳定域,抗干扰能力更强。     

基于模糊神经网络的倒立摆控制系统

在分析模糊控制、神经网络控制的基础上,根据倒立摆的特点,提出了模糊神经网络的控制结构。使用了遗传算法和BP算法相结合的方式来优化模糊神经网络,并以固高公司的倒立摆做实验,对实验结果进行了深入的研究和分析。     

基于模糊规则优化的改进模糊遗传算法

该文针对遗传算法的特点,提出了一种基于模糊规则优化的改进模糊遗传算法及其算法结构,即用模糊控制的方法来调整遗传算法中的交叉概率和变异概率,同时寻找与控制对象相匹配的最佳模糊规则。在数学函数上的仿真结果表明,此种模糊遗传算法不仅加快了解的收敛速度,而且大大提高了解的质量。     

基于改进遗传算法的模糊RBF神经网络控制器设计

提出一种改进的优良模式自学习模糊遗传算法,并用来优化设计模糊RBF神经网络控制器。改进的算法主要基于模糊编码、优良模式自学习算子、保留遗传算法和最优串重组。仿真结果表明,改进的遗传算法可实现模糊RBF网络结构和参数的快速、全局寻优,优化后的控制器具有很强的自适应性和鲁棒性。     

基于遗传算法的神经网络学习方法

本文阐述了将遗传算法用于神经网络权值学习和训练的原理和万法,并详述了神经网络权值学习和训练中遗传算法的具体实现过程。     

遗传算法优化径向基神经网络的尾矿库安全预测

在研究径向基(RBF)神经网络的基础上,利用遗传算法对其进行优化,并结合尾矿库系统安全状况与各影响因素之间的非线性关系,将优化的RBF神经网络应用于尾矿库安全预测中。为证明该优化网络的优越性,将优化后的RBF网络和传统RBF网络进行仿真实验,结果表明优化后的RBF网络较传统RBF网络在尾矿库安全预测的精度和速度效果更好。     

遗传算法控制参数优化策略研究

提出了新的遗传算法控制参数优化策略，包括变异率、交叉率调整策略，动态收敛准则以及二进制编码下最优种群规模的确定方法。研究结果可用于提高GA运行效率及克服早熟现象。     

遗传算法交叉和变异操作的模糊优化

该文针对遗传算法存在的问题,在总结了有关交叉和变异操作的启发性知识的基础上,给出了交叉概率、交叉点位置和变异概率的模糊优化规则,提出了一种新的基于模糊控制器的遗传算法(FCGA)。对三个函数的优化结果表明:FCGA不仅能够有效克服早熟收敛,而且提高了算法的收敛速度。     

基于EKF滤波的倒立摆神经网络控制研究

为解决一类带干扰的模型不确定倒立摆系统中存在的两类未知项——未知函数和外界干扰,采用了基于Lyapunov函数稳定性的神经网络控制方法设计控制器。控制器设计中利用扩展卡尔曼滤波(EKF)消除系统观测噪声,获取系统状态的估计值,进而利用径向基函数(RBF)神经网络良好的逼近性来近似设计的控制律中的未知项。最后在倒立摆系统中对设计的神经网络控制器进行了仿真研究,仿真结果表明所设计的控制器能有效抑制外界干扰,在精确控制倒立摆的同时可以保证控制系统的稳定性和快速性。     

基于遗传算法的二级倒立摆模糊控制器研究

倒立摆系统本身的不稳定性为系统的平衡提出了难题,也因此成为自动控制实验中验证控制算法优劣的极好的实验装置.本文利用把模糊控制和遗传算法结合起来,用遗传算法对模糊控制器的三角形隶属度函数的宽度和顶点进行自动调整,,克服了一般模糊控制设计中模糊变量的隶属度和比例、量化因子的选取通常靠经验来获取的不足,从而达到优化设计模糊控制器提高其自适应控制能力的目的,改善了控制效果.     

基于模糊遗传算法的神经模糊控制器的综合优化

针对遗传算法的特点,提出一种用模糊控制的方法来调整交叉概率和变异概率的改进模糊遗传算法及其算法结构,并将其应用于神经模糊控制器的综合优化设计。在以二阶模型为控制对象的仿真结果表明,此种模糊遗传算法不仅加快了解的收敛速度,而且大大提高了解的质量。     

基于改进遗传算法的RBF神经网络结构优化研究

针对RBF神经网络隐含层节点数过多导致网络结构复杂的问题,提出了一种基于改进遗传算法(IGA)的RBF神经网络优化算法。利用IGA优化基于正交最小二乘法的RBF神经网络结构,通过对隐含层输出矩阵的列向量进行全局寻优,从而设计出结构更优的基于IGA的RBF神经网络(IGA-RBF)。将IGA-RBF神经网络的学习算法应用于电子元器件贮存环境温湿度预测模型,与基于正交最小二乘法的RBF神经网络进行比较的结果表明:IGA-RBF神经网络设计出来的网络训练步数减少了44步,隐含层节点数减少了34个,且预测模型得到的温湿度误差较小,拟合精度大于0.95,具有更高的预测精度。     

基于改进层次遗传算法优化的神经网络信道均衡器

层次遗传算法的性能与评价个体进化优劣的适应度函数密切相关,对适应度函数的参数进行了研究,提出了依据信道零点和单位圆之间距离设定参数值的新方法,降低了函数复杂度,减少了人为因素影响,提高了算法确定RBF神经网络均衡器结构的效率及性能。仿真结果验证了算法的有效性和稳定性。     

改进交叉操作的遗传算法在神经网络优化中的应用

提出了一种对交叉操作进行改进的遗传算法优化神经网络的方法,它保留了父代中的优良模式,增加了找到最优解的概率,从而可以加快算法的收敛速度,缩短了寻找最优解的时间。实验证明,使用这种改进的交叉操作后的算法可以提高神经网络获得最优解的速度。     

进化神经网络在倒立摆控制中的应用

倒立摆作为典型的非线性系统，伴随着多变量、快速运动和绝对不稳定的特征，难于建立精确的数学模型，这就使得对倒立摆的控制变得异常困难和复杂。智能控制理论则是解决此问题的一个有效途径，该文针对倒立摆控制的传统神经网络算法（即BP算法）的缺点，将遗传算法与神经网络结合起来，提出了倒立摆的进化神经网络控制方法。控制器在结构上采用神经网络，利用遗传算法优化神经网络的连接权值。实验研究表明，该控制器不仅具有良好的动态和稳态控制性能，而且对于干扰也具有很强的抑制能力。同时还具备结构简单，易于实现的优点。     

基于遗传算法的RBF神经网络的优化设计方法

该文提出了一种新的RBF神经网络的设计方法，采用遗传算法对RBF神经网络的隐层节点中心值进行进化优选，用自适应梯度下降法选择隐层节点高斯函数的宽度，用递推的最小二乘法训练RBF神经网络的权值，仿真结果证明了该方法的有效性。     

基于模糊神经网络的倒立摆非线性系统分析

倒立摆系统以其自身的不稳定性而难以控制,也因此成为自动控制实验中验证控制策略优劣的极好的实验装置;针对倒立摆系统的平衡控制问题,提出了用一种应用神经网络来控制倒立摆的方法,同时由于神经元网络的训练的反复性,因此在系统中加入一个模糊控制器,来对神经网络输出的控制变量进行补偿,使神经元网络训练的权值能够始终保持在某一稳定值,从而保证了控制器稳定,仿真实验结果表明采用该方法设计的并联型模糊神经网络控制器对倒立摆这一先天不稳定的系统具有理想的控制效果。     

一种改进的遗传算法及其在函数优化中的应用

针对基本遗传算法容易出现早熟早敛,本文提出了一种改进的遗传算法.这种算法主要是通过在进化过程中不断加入一些新鲜的个体来增强群体的多样性,在进化初期采用较大交叉和变异概率,在进化后期采用较小交叉和变异概率以及改进交叉算子来达到抑制早熟现象的发生.