基于GA-BP的混合动力汽车匀速工况声品质预测模型

为快速准确评价混合动力汽车车内声品质,在分析BP神经网络和遗传算法(GA)特点的基础上,利用遗传算法对BP神经网络的权值和阈值进行优化,从而建立GA-BP的混合动力汽车声品质客观评价模型。利用此模型进行混合动力汽车匀速工况车内声品质预测后,把GA-BP模型预测结果与多元线性回归模型和传统BP神经网络模型预测结果进行比较。对比结果显示GA-BP模型预测结果精度最高。证明所建立的GA-BP声品质预测模型的有效性,说明该模型较适用于混合动力汽车车内声品质预测。     

MTMD控制下随机结构的动力可靠度分析

考虑到实际工程结构的不确定性,基于遗传优化的神经网络响应面法,进行了MTMD控制下随机结构的动力可靠度分析,并对TMD及MTMD控制下结构的动力可靠度进行对比。该方法不仅具有传统神经网络响应面法的特性,而且引进了遗传算法的全局随机搜索的优点,可以精确地逼近随机结构的功能函数表达式,有效地减少用JC法求解可靠度指标的迭代次数,节省时间。算例分析表明了本文方法的有效性和准确性,对于随机结构,MTMD比TMD能更好地提高结构的动力可靠度。     

基于GA-BP神经网络的结构损伤位置识别

针对传统BP神经网络训练中存在的一些问题，提出了一种基于遗传算法(GA)-BP神经网络混合技术识别结构损伤位置的方法。该方法利用基因实数编码的遗传算法优化BP网络的结构及初始参数，从而大大提高了神经网络的训练精度。运用GA-BP网络与传统BP网络技术分别对两个算例进行了结构损伤定位的识别仿真，结果表明遗传BP稳定性好，精度高，对噪声有很好的鲁棒性，便于工程应用。     

基于子结构和遗传神经网络的递推模型修正方法

根据实际动力响应对结构有限元模型进行修正,是实现损伤识别和健康监测的必要前提。针对基于神经网络的模型修正方法的不足,选用均匀设计法构造样本从而有效减少所需样本数量,而且计算效率高。采用遗传算法优化神经网络权值,提高了运算速度。基于上述研究,提出了基于子结构和神经网络的递推模型修正方法。该方法将结构分解成多层次的子结构,选取适当的损伤因素逐步实现逐级的修正。应用该方法对一网壳结构进行了模型修正,修正中首先采用固有频率作为损伤因素,结果表明遗传算法明显地提高了神经网络的计算速度,最后的递推修正效果令人满意;其次提出了采用小波包频带能量作为损伤因素的修正方法,该方法同样准确有效,并且不再依赖传统的模态分析技术,更为实用便捷。     

遗传算法和BP神经网络在电机故障诊断中的应用研究

人工智能方法在电机故障诊断中的应用,使得电机故障能够得到及时准确的预测和诊断,保障了电机的安全运行。介绍了BP神经网络及遗传算法的基本原理及组成结构,针对BP神经网络容易陷入局部极小点及收敛速度慢的问题,利用遗传算法对BP神经网络的权值和阀值优化,改善了BP神经网络的诊断性能;通过GA-BP网络对电机的三种故障模式进行了诊断识别,其实验仿真结果表明：无论是在诊断速度上还是诊断精度上,GA-BP神经网络诊断性能都比单独的运用BP网络有了很大提高。     

斜拉索基于MR阻尼器的神经网络半主动控制

该文利用神经网络强大的学习和非线性拟合能力模拟了MR阻尼器的逆动力性能。为了提高神经网络的计算性及泛化性,采用了Levenberg-Marquardt算法与贝叶斯正规化法相结合的方法。与此同时,利用MR阻尼器的神经网络逆模型,提出了一种新的斜拉索神经网络半主动控制策略。为验证所提控制方法的有效性,针对典型算例进行了数值分析,并将其与LQR主动控制方法进行了比较。得出结论:所提神经网络半主动控制方法是有效的,与LQR主动控制效果相比,效果略差,但相差不大。     

改进遗传算法的结构随机控制系统优化分析

结构主动/半主动控制效果与输入动力作用的性质、主动/半主动控制算法、减振装置的设置数目和位置等因素有关。为解决随机激励作用下、结构控制系统中控制器参数优化与作动器优化配置问题,提出一种改进的遗传算法。该遗传算法采用随机竞争与最佳保留相结合的选择策略,以提高计算效率;为避免交叉和变异操作产生违反约束条件的个体,发展了改进的二进制单点交叉和改进的单基因座与双基因座变异。数值算例分析表明,提出的改进的遗传算法计算精度高,收敛速度快,是一种有效的结构控制系统一体化优化分析方法。     

基于可控性柱面网壳结构主动控制作动器布置的优化研究

利用磁致伸缩材料的磁控特性制作的作动器可以对结构进行主动控制。首先分析了这种作动器的工作原理和设计方法,并通过实验对其进行了输出性能测试。接着在对作动器进行动力学建模的基础上,推导出整个柱面网壳结构的作动控制方程,同时基于作动效率,提出了不依赖于控制方法的位置优化准则,并且在综合考虑控制效果系数、硬件成本和系统复杂性等因素的基础上,初步确定了作动器的数量,然后采用遗传算法,对作动器的布置位置进行了优化。最后利用LQR主动控制算法,对一柱面网壳模型结构进行了主动控制分析。结果表明,通过优化布置的作动器能够有效地减小结构的动力反应,是一种较好的主动控制方法。此外,主动控制模拟结果也验证了应用遗传算法优化此类问题的优越性和可靠性。     

空间网壳结构振动问题的改进神经网络控制

结合经验公式及实验比较对神经网络的结构进行优化,利用Levenberg-Marquardt算法改进传统误差反向传播算法.基于两个改进人工神经网络的组合运用,针对结构动力响应,建立了一种可预测有效控制力的神经网络预测控制策略.用一个网络辨识结构的动力响应,另一个网络预测有效控制力.数值仿真显示:该算法具有比传统BP网络的最速下降法高一阶的收敛速度;除个别时间步外,该文控制策略可较准确识别结构的动力响应、、给出有效控制力.     

结构损伤的遗传神经网络检测方法

将遗传算法与神经网络相结合,用遗传算法完成神经网络的学习过程,建立了结构损伤的遗传神经网络检测方法,并对遗传算法进行了改进.研究结果表明,用改进的遗传算法进化神经网络可以有效地避免BP算法有可能陷入局部极小的缺点,而且运算速度大大加快,精度提高.     

焊接工艺参数优化的智能计算研究

如何找出特定的最佳工艺参数是焊接工作者重要而又艰巨的一项工作,是进行焊接加工时首先需要解决的问题.在全面考虑BP神经网络(Back propagation neural network)的非线性映射功能和GA(Genetic algorithm)全局寻优方法的基础上提出了综合利用回归正交表、人工神经网络(ANN)及遗传算法(GA),在所有可能的焊接工艺参数范围内自动搜寻最佳工艺参数的方法,研究中比较了不同种群大小、不同交叉概率对精度及效率的影响.结果表明,该方法具有适应性广、可靠性高的优点,由于可以大大减少试焊次数,具有良好的推广价值.     

A surrogate assisted evolutionary optimization method with application to the transonic airfoil design

A multi-layer perceptron neural network (NN) method is used for efficient estimation of the expensive objective functions in the evolutionary optimization with the genetic algorithm (GA). The estimation capability of the NN is improved by dynamic retraining using the data from successive generations. In addition, the normal distribution of the training data variables is used to determine well-trained parts of the design space for the NN approximation. The efficiency of the method is demonstrated by two transonic airfoil design problems considering inviscid and viscous flow solvers. Results are compared with those of the simple GA and an alternative surrogate method. The total number of flow solver calls is reduced by about 40% using this fitness approximation technique, which in turn reduces the total computational time without influencing the convergence rate of the optimization algorithm. The accuracy of the NN estimation is considerably improved using the normal distribution approach compared with the alternative method.     

An intelligent hybrid system for initial process parameter setting of injection moulding

Currently, determination of the initial process parameter settings for injection moulding is mainly performed by moulding personnel, and the effectiveness of the parameter setting is largely dependent on the experience of these personnel. In this paper, an intelligent hybrid system, called HSIM, is described, which is used to determine a set of initial process parameters for injection moulding based on the artificial intelligence (AI) techniques, case-based reasoning (CBR), and hybrid neural network (NN) and genetic algorithm (GA). HSIM can determine a set of initial process parameters for injection moulding quickly, without relying on expert moulding personnel, from which moulded parts free from major moulding defects can be produced.     

A hybrid AI optimization method applied to industrial processes

A hybrid artificial intelligent optimization (HAIO) method, which combines traditional classification pattern recognition (CPR) with artificial neural networks (ANN), applied to industrial processes is presented. This new method includes the fuzzy membership function of sample class, the center cluster of class, a hopeful region, inverse mapping, independent neural network modeling of classified analogy, CPR-ANN, GA (genetic algorithm)-ANN and network-based expert system etc. Some applications of the HAIO are shown.     

基于遗传算法的模糊神经控制及其应用

将遗传算法和模糊神经网络相结合，提出了一类智能控制方案，仿真系统和实际温控表明，这类智能控制器可改善具有时变、非线性及大纯滞后系统的控制品质，其性能优于一般模糊控制。     

Hybrid neural network model for the design of beam subjected to bending and shear

There is no direct method for design of beams. In general the dimensions of the beam and reinforcement are initially assumed and then the interaction formula is used to verify the suitability of chosen dimensions. This approach necessitates few trials for coming up with an economical and safe design. This paper demonstrates the applicability of Artificial Neural Networks (ANN) and Genetic Algorithms (GA) for the design of beams subjected to moment and shear. A hybrid neural network model which combines the features of feed forward neural networks and genetic algorithms has been developed for the design of beam subjected to moment and shear. The network has been trained with design data obtained from design experts in the field. The hybrid neural network model learned the design of beam in just 1000 training cycles. After successful learning, the model predicted the depth of the beam, area of steel, spacing of stirrups required for new problems with accuracy satisfying all design constraints. The various stages involved in the development of a genetic algorithm based neural network model are addressed at length in this paper.     

基于磁流变阻尼器的结构振动优化控制

磁流变（MR）阻尼器利用MR流提供可控性是当今最新的半主动控制装置，工程应用前景十分广阔，但由于MR阻尼器所固有的高度非线性动特性，使得描述其阻尼力-输入电压关系的逆向动特性的数学模型很难得到，而逆向动特性模型对实现整个控制策略又是至关重要的。本项研究针对这一问题提出运用神经网络技术建立MR阻尼器的神经网络模型来模拟其逆向动特性，并设计与之相适应的控制系统，建立起基于MR阻尼器的结构振动控制的有效分析方法，通过数值仿真结果探讨所提出的结构控制策略的有效性。     

基于多项式系的类模糊神经网络与非线性系统的控制

提出一种新的神经网络－－类模糊神经网络，并以基于多项式系的类模糊神经网络为例作了讨论。该网络具有隐层少，运算简单和函数逼近能力强的特点。就一类非线性系统的在线控制，给出了类模糊神经网络控制的选择记忆算法，并证明了这种算法的收敛性，这一类非线性系统的在线控制问题得以初步解决。     

改进遗传算法结合FLANN在加速度传感器动态建模中的应用

对遗传算法（CA）的交叉和变异操作进行改进，提出利用改进遗传算法（ICA）和函数连接型人工神经网络（FLANN）相结合实现加速度传感器的动态建模的新方法。该方法利用加速度传感器的动态标定数据，采用IGA和FLANN相结合搜索和优化动态模型参数。文中介绍动态建模原理以及算法，给出用IGA和FLANN相结合建立的加速度传感器动态数学模型。结果表明：上面提出的动态建模方法既保留了CA的全局搜索能力和FLANN结构简单的特点，又具有网络训练速度快、实时性好、建模精度高等优点，在动态测试领域具有重要应用价值。