基于轮换寻优的遗传算法在神经网络中的应用

基于最优控制中的轮换寻优思想 ,对遗传算法进行了改进。综合采用交叉编码方法和多参数级联之点映射编码方法对寻优参数进行编码 ,为了避免遗传算法中经常出现的过早收敛现象的发生 ,把近亲回避交叉策略和最优保留方法应用到遗传算法中 ,对神经网络的权值和阈值进行了分组轮换寻优 ,成功地完成了对多层前馈神经网络的训练 ,并与常规的BP算法和常规的遗传算法进行了比较。仿真结果表明 ,改进算法的效果比常规的BP算法和常规的遗传算法要好。这种寻优方法把传统的寻优方法和遗传算法结合起来 ,为全局寻优方法提出了一种途径 ,但更通用的全局寻优方法还有待进一步研究     

基于GA的BP网络模型在水文计算中的应用

分析了BP神经网络的缺陷和遗传算法GA的特点,在对BP网络模型进行多方面改进的基础上,提出了基于GA的BP网络模型算法,该算法利用遗传算法全局寻优能力强的特点,可克服神经网络易陷入局部极小、收敛速度慢的缺陷.研究表明,基于GA的BP神经网络模型用于水文计算是有效可行的,该算法具有广泛的应用前景.     

基于GA的BP神经网络模型的研究及应用

分析了BP神经网络的缺陷和遗传算法的特点，提出了基于遗传算法的BP神经网络模型算法，该算法利用遗传算法全局寻优能力强等特点，可克服神经网络易陷入局部极小值、训练速度慢的缺陷。仿真结果表明：遗传算法和神经网络相结合的算法具有较好的全局快速收敛等性能。     

基于改进遗传算法的BP网络在降雨量预测中的应用

提出了一种改进遗传算法(GA)和BP算法结合的神经网络模型优化方案。首先采用自适应交叉概率和变异概率的遗传算法优化BP网络的权值,在进化结束时,能够寻到全局最优点附近的点;在遗传算法搜索结果的基础上,利用局部寻优能力较强的动量BP算法,从此点出发,进行局部搜索,进而达到网络的训练目标。仿真实验结果表明,在大庆市2000年到2004年6月降雨量的预测方面,遗传算法与BP算法结合的模型预测误差平均为39.13%,标准BP算法的模型预测误差平均为194.66%。说明GA-BP算法模型预报精度较高,预测能力得到了改进。     

基于模拟退火遗传算法的PID参数整定与优化

结合模拟退火算法和遗传算法的思想,提出模拟退火遗传算法,用此算法进行PID参数整定与优化．同时使用自适应交叉率、变异率以及适应度拉伸方法对传统遗传算法进行改进．模拟退火遗传算法有效抑制早熟,且具有收敛性快、全局寻优与局部寻优能力．仿真结果表明,基于此算法寻优设计的PID控制器动态品质和稳定性更好、鲁棒性更强．     

大跨度铁路钢桁斜拉桥传感器优化布置

为了解决大跨度铁路桥梁健康监测中的传感器优化布置问题,建立了基于改进自适应遗传算法的传感器优化布置方法。引入二重结构编码方法改进了遗传算法的个体编码方法。在最优保存策略中,采用自适应的部分匹配交叉和逆位变异方法,随适应度值的大小自动改变交叉概率和变异概率,确保布置结果收敛于全局最优解,克服了其他遗传算法应用于大型桥梁结构时收敛速度慢且易陷入局部最优的缺陷,加快了收敛速度。最后以某铁路钢桁梁斜拉桥健康监测系统的传感器优化布置为例,验证了该算法较基本遗传算法和广义遗传算法具有较好的全局寻优能力、计算效率和可靠性,所提方法可应用于实际铁路斜拉桥健康监测系统的传感器优化布置。     

遗传算法和BP算法相结合进行图像匹配

将神经网络理论应用于图像匹配 ,提出采用遗传学习算法进行全局寻优、利用BP算法进行精确训练、优化BP(backpropagation)神经网络权重学习和训练的神经网络图像匹配算法 .实验表明该算法的收敛性能及学习速度优于传统的BP神经网络图像匹配算法及其他同类改进算法 ,具有寻优的全局性和精确性 .     

基于微分进化遗传算法的双目摄像机标定

为提高遗传算法全局寻优的性能,将标准遗传算法改进并运用到摄像机标定,提出一种新的双目摄像机标定方法。通过改进编码方法,自适应调整变量搜索区间;引入微分进化进行交叉和变异,使群体呈多元化发展。该方法与现有的非线性标定方法相比,标定精度更高,可有效解决传统优化方法难以解决的多参数、非线性的复杂函数优化问题。实验结果表明,该方法具有较强的泛化能力,鲁棒性好。     

基于一类改进遗传算法的进化神经网络研究

分析传统遗传算法易早熟收敛的主要原因,提出一类改进的遗传算法以及一种基于改进遗传算法的前馈神经网络设计方法,用以同时完成对网络结构空间和权值空间的搜索。该算法将普通遗传算法的交叉算子和遗传算子进行改进,利用模拟退火算法、BP算法和小生境技术来加快算法的收敛速度,改善解的性能。通过对异或(XOR)、噪声模式识别等前馈神经网络性能的一组测试,与BP算法进行比较,实验结果表明,该算法能够有效抑制遗传算法初期收敛的发生,有效地提高多层前馈神经网络的收敛精度和收敛速度,由此得到的神经网络的泛化能力也较好,能够达到根据训练样本自动优化设计多层前馈式神经网络的目的,并可获得更为简洁的网络结构。     

遗传算法参数分析及其在故障诊断中的应用

针对BP神经网络收敛速度慢、易陷入局部极小的缺点,将具有全局搜索能力的遗传算法引入到神经网络的权值优化中.遗传算法优化神经网络模型时,参数选取直接关系到模型优化的效率,在给出一种遗传算法的基础上对相关参数进行了研究分析.并采用Matlab软件编程实现算法,把该算法应用到XOR问题求解中,显示出GA-BP算法的优越性,并通过磨机故障诊断实例验证了算法的有效性.     

BP神经网络的遗传优化及其应用研究

针对BP神经网络具有训练速度慢、容易陷入局部极小值的特点,在分析其训练算法本质的基础上,提出将遗传算法（GA）引入神经网络训练,优化神经网络的权值和闽值,充分发挥遗传算法的全局寻优能力和BP算法的局部搜索优势,形成了一种新的GA—BP神经网络．应用实例仿真结果表明,GA—BP神经网络具有全局搜索、快速收敛的特点,建立的模型具有较高的预测精度和良好的泛化能力．     

基于改进粒子群优化的神经网络及应用

为了克服粒子群算法的早熟收敛,提出了一种改进的粒子群算法用于神经网络训练。该算法对种群进行均匀初始化,用多个粒子的信息引导个体的更新,以保证全局搜索的有效性,同时引入随机算子对陷入局部最优的粒子进行变异,提高了算法的寻优性能。将改进粒子群算法训练的神经网络应用于IRIS模式分类问题和短期电力负荷预测,与BP算法、遗传算法及粒子群算法比较,该算法在提高误差精度的同时可加快训练收敛的速度。     

基于改进遗传算法和BP神经网络的矿井通风风速预测

矿井通风风速的准确预测对提高矿井安全性具有重要意义。为提高矿井通风风速预测的准确度,提出一种基于改进遗传算法和BP神经网络的矿井通风风速预测方法。该方法采用前向神经网络建立矿井通风风速预测模型,将排序选择策略和概率生存策略相结合,从而代替传统选择算子,得到一种改进遗传算法。采用改进遗传算法对网络最优权值和阈值进行全局搜索,在此基础上,再利用BP算法进行局部寻优,从而得到网络的权值和阈值。采用矿井工作面的数据作为实验数据进行仿真预测,并与已有的几种模型进行比较,仿真结果表明,该模型提高了矿井通风风速的预测精度。     

基于GA-BP神经网络的双目摄像机标定

为克服传统BP算法收敛速度慢、易陷入局部极小等缺陷,本文利用遗传算法的全局寻优能力对神经网络的初始权和阈值进行优化,并将其运用到摄像机BP神经网络标定.采用遗传算法构建的神经网络,在不增加网络结构复杂度的情况下,大大提高了样本训练的精度和成功率,保证了网络的泛化能力.实验结果表明,该算法具有较高的标定精度,而且可行.     

改进遗传算法及其在倒立摆控制中应用研究

针对标准遗传算法寻优时存在的个体多样性不足、搜索速度迟缓、容易陷入局优的问题,使用自适应调整的交叉算子和变异算子对其进行改进,并利用改进的遗传算法对直线一级倒立摆模型实现稳定控制的关键参数进行寻优.在Python3.8软件上对寻优过程进行仿真,仿真结果表明,改进的遗传算法可以更好地平衡全局搜索和局部寻优能力,在实验中展现了良好的效果.     

基于粗糙集和改进遗传算法优化BP神经网络的算法研究

针对BP神经网络结构由于特征维数增多变得复杂,以及网络易陷入局部极值点,提出了粗糙集和改进遗传算法结合共同优化神经网络的方法。首先利用粗糙集对样本空间进行属性约简,降低特征维数,进而简化BP神经网络的结构;然后训练过程中先用改进的遗传算法全局搜索网络的权值和阀值,再使用BP算法局部搜索细化,避免网络过早收敛。试验分析证明优化后BP神经网络比传统BP网络的预测精度得到了极大提高,泛化能力得到了增强,说明了该方法的可行性、有效性。     

基于微粒群算法的神经网络储层物性参数预测

建立了一个具有自适应、复杂非线性储层预测模型,在计算方法上,由于多层前向型神经网络BP算法存在易陷入局部最优的缺点,而微粒群算法具有较强鲁棒性和全局收敛的优点.结合二者长处,利用基于微粒群算法的神经网络计算方法,对神经网络结构进行了改进.利用四川洛带地区气田的测井资料,用所设计的算法对储层的物性参数(孔隙度、渗透率)进行预测,并对其预测精度与用常规基于BP算法和基于LMBP算法得到的预测结果进行了比较分析,发现地质效果明显,有效地克服了基于BP算法和基于LMBP算法的缺点.     

基于灰色遗传BP神经网络的大坝变形预测

提出了一种基于灰色预测模型的遗传算法优化BP神经网络的组合预测模型。通过对原始大坝序列进行灰色拟合,弱化原始序列的随机扰动影响,增强数据的线性规律,并采用遗传算法优化BP神经网络的连接权值和阈值,之后将灰色拟合后的残差作为优化后的BP神经网络的输入样本进行训练和测试,进而建立灰色遗传BP神经网络预测模型。组合模型充分结合了BP神经网络自适应学习的优点,避免了灰色方法及模型在非线性预测方面的缺陷;同时集成了遗传算法的全局寻优性能,弥补了神经网络容易陷入局部极值点的缺陷。与灰色GM(1,1)和单一BP神经网络对比表明,组合模型能保证较优的局部预测值和较高的全局预测精度,应用于复杂的大坝变形预测中是可行的。     

遗传神经网络在滑坡灾害预报中的应用研究

针对传统BP算法易收敛于局部最优以及网络结构难以确定等问题,引进遗传算法进行混合建模.采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免陷入局部极小.文中结合实例,对BP神经网络,遗传算法改进的神经网络进行了比较分析.实验表明,利用改进的混合模型可以提高预测精度,缩短收敛时间.     

遗传算法优化BP神经网络的说话人识别系统

针对BP神经网络收敛速度慢、容易陷入局部极小的缺陷,将遗传算法全局寻优的特点与BP神经网络相结合,利用遗传算法对神经网络的权值和阈值进行优化,构成一个GABP神经网络,有效地解决了BP神经网络容易陷入局部最优的问题。实验结果表明:相对于BP神经网络的说话人识别系统,基于GA-BP神经网络的说话人识别系统具有更快的网络收敛速度和更高的系统识别率。