基于NSGA-Ⅱ算法的BP神经网络优化研究

针对BP(Back Propagation)网络训练时,会遇到陷入局部极小点、收敛速度慢等问题,提出将BP训练看成多目标寻优过程,以网络输出节点的误差最小作为并行搜索的多个目标,通过带精英策略的非支配排序遗传算法(NSGA-Ⅱ,Non-DominatedSorting Genetic Algorithm Ⅱ)对BP网络的初始权值和阈值进行优化,给出了应用该方法的步骤.通过仿真验证,这种NSGA-Ⅱ&BP算法时一个单输入双输出非线性系统进行逼近,能克服BP网络训练的缺陷,且所建模型对检测样本的拟合程度比单独BP网络的效果要好.     

基于NSGA-Ⅱ的SVM参数优化方法研究

针对SVM的参数通常依靠经验试凑来确定,提出了将多目标寻优算法NSGA-Ⅱ运用到SVM的参数选取中。该算法利用SVM的三个参数（宽度系数δ,不敏感系数ε,惩罚系数C）作为决策变量,以SVM在实际运用中的寻优对象为目标,进行NSGA—Ⅱ寻优迭代,可获得SVM有效参数。通过有目标约束的参数优化过程,克服了SVM参数选取的随机性和经验性。给出了该方法应用于青霉素发酵过程建模的具体步骤,通过仿真实验证明该算法的有效性。     

改进NSGA-Ⅱ算法在锅炉燃烧多目标优化中的应用

提出改进非劣分类遗传算法(NSGA-Ⅱ)在燃煤锅炉多目标燃烧优化中的应用,优化的目标是锅炉热损失及NOx排放最小化。首先,采用BP神经网络模型分别建立了300MW燃煤锅炉的NOx排放特性模型和锅炉热损失模型,同时利用锅炉热态实验数据对模型进行了训练和验证,结果表明,BP神经网络模型可以很好地预测锅炉的排放特性和锅炉的热损失特性。在建立的锅炉排放特性和热损失BP神经网络模型基础上,采用非劣分类遗传算法对锅炉进行多目标优化,针对NSGA-Ⅱ在燃煤锅炉燃烧多目标优化问题应用中Pareto解集分布不理想、易早熟收敛的问题,在拥挤算子及交叉算子上进行了相应改进。优化结果表明,改进NSGA-Ⅱ方法与BP神经网络模型结合可以对锅炉燃烧实现有效的多目标寻优、得到理想的Pareto解,是对锅炉燃烧进行多目标优化的有效工具,同改进前的NSGA-Ⅱ优化结果比较,其Pareto优化结果集分布更好、解的质量更优。     

改进型Elman神经网络发酵过程建模研究

依据发酵过程的机理和改进的Elman神经网络动态建模原理,提出了一个新的发酵过程建模分批训练算法。通过发酵过程仿真实验,与传统的BP建模算法比较,改进的Elman神经网络建模算法具有收敛速度快、泛化能力强等特点。此外,利用该算法编制的软件可以内嵌到发酵过程监控系统中,实现发酵过程在线建模与状态参量的在线预估。     

火箭壳体加工的虚拟单元重构方法

针对火箭壳体加工车间新订单连续到达,排产方案重构频繁导致重构时间花销大、排产方案低效等问题,首先建立虚拟单元重构的多目标规划模型,以多批订单总生产时间、运输设备总运输距离以及车间生产设备负荷均衡因素为目标函数,以车间设备加工能力和火箭壳体加工工艺限制为约束条件;其次提出一种改进的NSGA-Ⅱ算法对模型进行优化求解,针对NSGA-Ⅱ算法局部搜索能力的不足,在NSGA-Ⅱ算法交叉过程中引入“首次改进”和“随机改进”两种局部搜索策略,提高该算法的局部搜索能力;最后基于超体积、均匀性两个多目标评价指标对提出的改进NSGA-Ⅱ算法与传统的NSGA-Ⅱ算法以及NSGA-Ⅲ算法进行比较,结合实例验证了改进NSGA-Ⅱ算法在进行火箭壳体虚拟单元重构时更加高效.     

协作MIMO无线传感器网络中多目标进化算法分析

现有的基于协作MIMO的无线传感器网络(WSN)传输策略设计往往只注重节能方面,追求网络生存时间的最大化,而忽略了网络数据速率在大部分实际工程应用中的重要性.基于线性多跳协作MIMO传输模型,分析了该模型的数据速率、平均功耗及生存时间并提出基于多目标进化算法——NSGA-Ⅱ的WSN优化算法.在NSGA-Ⅱ中,通过对种群进行初始化,利用二元锦标赛法选择,单点交叉,动态变异等操作进行进化,并采取利用最小生成树的权值表示拥挤度的方法保证种群的分布性.仿真结果表明:相比于聚集函数法,NSGA-Ⅱ所获得的网络生存时间更长.更重要的是,仿真给出一些能达到网络数据速率与生存时间两者同时最大且使网络功耗处于较小水平的参数值,能有效地指导于WSN工程应用.     

基于概率模型的混合多目标算法

对传统多目标算法NSGA-Ⅱ及模型多目标算法RM-MEDA进行了分析,并指出了二者的不足。在此基础上,提出基于概率模型的混合多目标算法,并设计了相应的建模准则用于实现两种算法的结合,使得提出的算法能够充分发挥两种算法的优势。将提出的算法与NSGA-Ⅱ算法和RM-MEDA算法在10个测试函数进行了实验对比,结果证实了算法在全局收敛性及多样性等方面有着较好的效果。     

一种基于拟态物理学优化的多目标优化算法

提出一种使用拟态物理学优化(APO)解决多目标优化问题的算法(MOAPO).根据多目标优化问题的特点,借鉴聚集函数法的思想,利用APO算法实现了对多目标优化问题中Pareto最优解集的搜索,并且在搜索过程中动态调整惯性权重与引力因子,以增强非劣解的多样性.实验结果表明了将APO应用于多目标优化问题的有效性.通过与基于微粒群优化(PSO)的多目标优化算法及NSGA-Ⅱ算法的比较,表明了MOAPO算法具有较好的分布性.     

青霉素发酵过程的粒子群模糊神经网络软测量

针对青霉素发酵过程中的基质浓度、菌体浓度、产物浓度等关键生物参数难以在线实时测量的问题,提出了一种基于粒子群模糊神经网络的软测量建模方法.采用模糊径向基函数-神经网络(RBF-NN)构建青霉素发酵的软测量模型,同时,结合改进粒子群优化训练算法(PSO),建立了青霉素反应过程的软测量模型,并对发酵工艺进行了仿真试验研究.仿真试验结果表明,所建立的软测量模型测量精度高、效果好,能够满足工程实际的要求.     

改进NSGA-Ⅱ算法的海上搜救调度方法

针对海上搜救资源调度决策困难、干扰多、实时性差、难以实现全局最优问题,本文以黄渤海海域为例,采用改进的非支配排序遗传(NSGA-Ⅱ)算法解决海上船舶搜救资源调度问题.首先,根据AIS以及北斗数据,建立了海上搜救资源的多目标优化模型;其次,改进的NSGA-Ⅱ算法采用基于正态分布交叉(NDX)算子,在扩大搜索范围的基础上,避免陷入局部最优,得到多目标问题完整的Pareto解集;采用综合评价法(TOPSIS)从Pareto解集中求得折衷解,即最终设计的搜救调度方案;最后,在考虑船舶数量约束以及时间约束的条件下,采用改进的NSGA-Ⅱ算法分别与NSGA-Ⅱ算法和贪婪算法进行对比,并采用黄渤海海域船舶采集数据进行仿真.结果表明该算法能够有效解决海上搜救资源调度优化问题.     

青霉素发酵过程的模型辨识及仿真研究

研究青霉素发酵优化问题.青霉素发酵过程是一种复杂的生化反应系统,生物参数难获得,许多代谢途径尚不明确,传统方法无法建立精确数学模型.然而支持向量机不需要了解青霉素发酵系统的内部结构,具有智能性、自学习能力,可以解决复杂青霉素发酵建模问题.因此,以青霉素发酵过程生化机理模型产生的数据为样本,训练支持向量机,并采用粒子群算法对支持向量机参数优化,建立了支持向量机的发酵过程模型.仿真结果表明,支持向量机可以对青霉素发酵过程进行状态变量的估算与预测,为有效提高青霉素发酵预测精度,提供了实际有效的指导作用.     

改进NSGA-Ⅱ算法及其在切削加工参数优化中的应用

针对NSGA-Ⅱ算法种群收敛分布不均匀,全局搜索能力差,易陷入局部最优等不足,引入正交交叉策略与混合变异算子,提出一种改进的NSGA-Ⅱ算法。在测试函数上对改进NSGA-Ⅱ算法与传统NSGA-Ⅱ算法同时进行性能测试,结果表明改进的NSGA-Ⅱ算法无论是在收敛性还是多样性上均优于NSGA-Ⅱ算法。将改进算法与传统NSGA-Ⅱ算法同时应用于6061铝合金精密车削加工参数多目标优化设计中,研究结果表明改进NSGA-Ⅱ算法收敛精度更高,收敛速度更快,优化结果更加逼近全局最优解,在求解切削加工参数多目标优化问题时更加有效。     

BP网络学习算法研究及其图像模式识别应用

BP神经网络的训练性能主要包括收敛速度和收敛精度等方面,该训练性能在很大程度上取决于所选择的网络学习算法。本文针对模式识别应用领域,通过实例,运用Matlab编程对部分较好的网络学习算法的训练性能进行了比较研究．给出了模式识别应用过程中BP网络学习算法的选择依据。在此基础上,运用BP网络编程实现了对常见单位符号图像目标的模式识别,并通过识别算法的实现过程,分析了用BP网络进行图像目标模式识别的具体思路和方法。     

基于NSGA-Ⅱ算法的装备研制多目标优化研究

为提高装备军事效益和经济效益,在网络计划技术的基础上,以装备研制成本和质量为目标,结合工期-质量模型、工期-成本模型和成本-质量模型,建立了多目标综合优化模型。采用一种基于Pareto最优解的多目标遗传算法——NSGA-Ⅱ算法求解,以某探测器研制为例,运用该方法进行建模求解,经MATLAB计算,验证了模型的合理性和算法的有效性。结果表明NSGA-Ⅱ算法的收敛性好,通过它求得的非劣解与实际能较好地相符,为部队在各种武器装备方案论证阶段开展工期、成本和质量之间的权衡分析提供了一种有效工具。     

SSUKF-WNN算法及其在飞行器气动力建模中的应用

针对传统小波网络算法的不足,提出一种基于改进无迹Kalman滤波(UKF)的小波网络算法.该算法使用一种基于简化球形分布Sigma点的UKF(SSUKF)来训练小波网络的参数,以提高小波网络的学习性能和训练质量.飞行器气动力建模算例表明,相对于BP算法和EKF算法,SSUKF算法训练的小波网络收敛速度更快,估计精度更高,计算量更小.同时也为飞行器的气动力建模提供了一种有效可行的手段.     

洪泽湖水位预测模型的研究

水位预测是进行洪水监测的规则非线性函数关系,不易使用某个函数进行逼近.采用了BP神经网络对历年的水文信息进行学习、建模,实现了对这种不规则函数的拟合,并支持在线学习及适时调整.另外,使用改进的粒子群优化算法(PSO)对常规的BP网络进行训练.实验结果表明使用由改进的粒子群优化算法进行训练的BP神经网络进行的水位预测的精度有显著提高,并且在训练过程中尽可能地避免收敛于局部最优值.     

发酵过程的多模型融合建模算法

提出了利用多模型融合技术进行发酵过程建模的新方法， 该方法能够将在线参数和离线参数同时用于建模中． 首先给出了多模型融合建模算法框架， 并描述了基于自适应模糊神经网络和模糊推理技术两个参与融合的子模型的建立方法. 采用三个非线性函数分别运用GMDH-PTSV算法、傅里叶神经网络和多模型融合建模算法进行建模精度比较. 最后给出了多模型融合建模算法在青霉素发酵过程中应用的结果．     

基于LCA与NSGA-II的混合算法解多目标优化问题

针对非支配遗传算法(NSGA-Ⅱ)存在易过早收敛和计算时间长的问题,本文提出一种列队竞争算法(LCA)与非支配排序遗传算法的混合算法(LCA-NSGA-Ⅱ)。通过将列队竞争算法引入NSGA-Ⅱ,均衡全局搜索和局部搜索,以解决NSGA-Ⅱ早熟的问题,并利用一种快速排序方法,降低非支配排序的时间复杂度,采用动态的拥挤度计算方法,保持外部存档集的均匀性。将LCA-NSGA-Ⅱ用于经典测试函数的计算,在收敛性、分布性和运算效率方面都取得了比NSGA-Ⅱ更好的效果。最后,在ASPEN PLUS与MATLAB集成平台上,用LCA-NSGA-Ⅱ算法以烯烃回收率和能耗为目标优化MTO烯烃分离过程,为实际操作优化提供指导方向。     

NSGA-Ⅱ求解多目标优化综合精度的研究

多目标过程综合可归结为1个多目标混合整数非线性规划(MOMINLP),主要有2大类求解技术:多目标数学规划法和以多目标遗传算法(MOGA)为代表的进化算法.MOGA能并行处理多个目标,鲁棒性强,近年来得到长足发展.但由于无法从理论上保证得到问题的真正非劣解,应用受到了一定限制.本文应用多目标遗传算法NSGA-Ⅱ对废料最少问题进行求解,得到近似非劣解集.提出1个逐步插值算法,对近似解集中的点依次进行筛选,给出了所选点的搜索目标函数的构造方法,并应用SQP法对其寻优,得到真正的非劣解.将精确解与近似解进行比较表明,NSGA-Ⅱ的求解精度较高,绝大部分近似解的最大可能误差不超过3%,可为实际工程中的初步决策提供依据.     

基于改进NSGA-Ⅱ算法的微电网多目标优化研究

在解决微电网分布式电源多目标优化运行问题时,针对传统NSGA-Ⅱ算法在逼近性、运算效率等方面的局限性,考虑进化过程个体相似度的差异及算法陷入局部最优的可能性,提出了一种改进型的NSGA-Ⅱ算法。新算法引入信息熵机制改进算子,将交叉概率、变异概率分别近似为递减函数模型、柯西分布模型,通过算法性能测试证明了新算法有效性。以分布式电源接入IEEE30节点电力系统为例进行仿真实验,通过与传统NSGA-Ⅱ多目标优化算法对比,证明了改进型算法在提高收敛速度、改善优化指标方面的优越性。