遗传算法优化神经网络拓扑结构和权值

采用改进的串行遗传算法以各种变尺度搜索解空间,可以改变神经元输入和输出的映射关系,进而改变整个网络的性能,在高维解空间中自动寻找合适的解,并且验证了Simplex的有效性.     

基于遗传算法的双圆弧齿轮传动的神经网络优化设计

针对常规设计中双圆弧齿轮体积较大的问题,在先选定螺旋角的情况下,以圆弧齿轮传动的小齿轮齿数、法面模数及齿宽为设计变量,以两圆弧齿轮的体积之和最小为目标函数,应用遗传算法设计理论,建立双圆弧齿轮传动的遗传算法优化设计的数学模型,采用神经网络对其进行优化.结果表明,应用遗传算法和神经网络相结合的方法对双圆弧齿轮传动进行优化设计,可以克服单纯用遗传算法的早熟现象和神经网络发生局部收敛的缺点,体积减少30%以上.     

一种基于遗传算法的数据挖掘新方法

文章首先对相关理论进行了概述,阐明了数据挖掘和遗传算法的产生与发展以及他们的相互结合,接着提出了BP神经网络的原理及其不足之处。然后提出了一种遗传算法和BP神经网络相结合的算法,并讨论了该遗传算法的编码方法、遗传算子的设计和适应度函数的构造,并把算法运用在数据挖掘技术中。     

基于遗传算法的神经网络权值优化

针对BP算法学习效率低、收敛速度慢，以及易陷入局部最优等缺点，提出了一种新型的、基于自然选择和基因遗传学原理的随机搜索算法——遗传算法(Genetic Algorithm)，并论述了它在BP神经网络中权值优化的问题。仿真结果表明，用遗传算法优化BP神经网络的权值收敛速度快，并有效解决了BP算法易陷入局部最优的问题。     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。     

用于神经网络直接逆控制的连续空间遗传算法

为解决神经网络直接逆控制中训练样本的获取问题 ,提出一种神经控制器的设计方法 .通过对连续空间遗传算法的编码和遗传算子进行适当改进 ,采用保留精英的线性排序选择 ,避免成熟前收敛 ,并给出算术交叉算子和乘法变异算子 ,使算法同时具有好的搜索精度和搜索效率 ;然后采用这种改进的遗传算法对非线性动态系统的控制进行优化 ,获得基于一定性能指标的期望的状态轨迹及相应的最优控制序列 ,并以此训练神经网络控制器 .最后给出了以同步机为控制对象的仿真结果 ,验证了方法的有效性 .     

基于神经网络和遗传算法的无功优化设计

无功优化是一个复杂的混合优化问题,传统方法较难获得全局最优解.文中提出了将并行遗传算法和Hopfield网络相结合的算法.该方法利用遗传算法的并行搜索和解空间搜索的优点进行网络参数的选取,并采用Hopfield网络简单、快速、规范的优点来优化样本空间,以取得整体的优化效率.     

基于实数编码遗传算法的多层神经网络BP算法

提出用实数编码的遗传算法来优化多层神经网络的权值,并且将遗传算法与ＢＰ算法结合,能有效地避免ＢＰ算法陷入局部极小和遗传算法过早收敛,实验结果令人满意。     

基于遗传神经网络的混合气体识别研究

针对误差反向传播(BP)算法和遗传算法各自的优点和不足,提出了遗传算法优化神经网络技术:利用遗传算法的全局搜索能力,对神经网络连接权进行优化,以遗传算法优化的初值作为BP神经网络的初始权值,再用BP算法训练网络.优化后的BP网络其误差的递减速度和收敛速度都比标准BP网络快,而且对学习速率调整要求更少.将遗传神经网络应用于混合气体定量识别的训练中,得到的最大误差由20.7 %降为12.1 %,平均误差从5.4 %降为3.5 %,识别效果得到了提高.     

基于遗传算法的灰铁铸件缺陷诊断的神经网络模型

将铸造生产中缺陷产生的主要原因抽象为神经元,构建了灰铁铸件缺陷诊断的BP神经网络模型.采用非线线性变换,确定了样本的变化范围,用遗传算法学习网络模型的权值,开发出了基于C++的铸件缺陷诊断及防止的应用软件,并通过建立铸件缺陷数据库,以克服专家系统的"瓶颈"问题,从而有效地降低铸件的废品率.     

基于遗传算法神经网络盲均衡算法的研究

将遗传算法引入神经网络盲均衡,利用其全局搜索能力强的特性来消除传统神经网络算法易陷入局部最优解、训练速度慢的缺点。采用两阶段寻优法,首先,通过遗传算法来为神经网络提供一个全局较优的局部搜索空间;其次,利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡。计算机仿真表明,该算法能达到更好的收敛特性和均衡效果。     

基于遗传算法神经网络盲均衡算法的研究

将遗传算法引入神经网络盲均衡,利用其全局搜索能力强的特性来消除传统神经网络算法易陷入局部最优解、训练速度慢的缺点。采用两阶段寻优法,首先,通过遗传算法来为神经网络提供一个全局较优的局部搜索空间;其次,利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡。计算机仿真表明,该算法能达到更好的收敛特性和均衡效果。     

基于分层遗传算法的BP神经网络学习算法

针对BP算法局部搜索能力强,而分层遗传算法全局搜索优势突出的特点,结合二者优势构造了一种分层遗传算法与BP算法相结合的前馈神经网络学习算法．将分层遗传算法引入到前馈神经网络权值和阈值的早期训练中,再用BP算法对前期训练所得性能较优的网络权值、阈值进行二次训练得到最终结果．仿真结果表明,该混合学习算法能够较快地收敛到全局最优解,优于BP算法、分层遗传算法,具有一定的实用价值．     

基于遗传算法的人工神经网络负荷预测研究

针对BP神经网络的固有缺陷,如训练速度慢,易收敛于局部极小点及全局搜索能力弱等,改进了传统BP算法,并采用遗传算法设计和优化神经网络结构参数,在此基础上建立了基于遗传算法的人工神经网络负荷预测模型,预测仿真结果表明,本文所提出的方法在预测精度和收敛速度方面均得到了改进。     

基于遗传算法和BP神经网络的结构损伤识别

鉴于BP神经网络需要较长的训练时间、易陷入局部极小值、网络权值和阈值难确定等不足。运用遗传算法全局寻优的特点对BP网络的权值和阈值进行优化。同时运用遗传算法进行网络训练,避免网络收敛于局部极小值。通过对一根单梁实验数据的识别,结果表明两者的结合能对结构进行准确的识别。     

基于混合编码的遗传算法在神经网络优化中的应用

提出了一种结合浮点数编码与二进制编码的混合编码遗传算法,该算法在同一条染色体上同时使用浮点数编码与二进制编码,有机结合了两者的优点,并与BP算法结合用于优化神经网络的结构和系数,获得具有更好泛化能力的神经网络.仿真实验结果证实了这种混合编码遗传算法的有效性和优越性能.     

基于遗传算法的BP网络全局收敛的混合智能学习算法

给出了一种将 BP算法和遗传算法有机结合的全局收敛的混合计算智能学习算法。此算法结合了 BP算法和遗传算法的长处 ,既有较快的收敛性 ,又具备良好的全局收敛特性。计算机仿真结果表明 ,该混合算法显著优于遗传算法和 BP算法     

遗传算法在BP神经网络学习中的应用

在遗传算法与BP神经网络结构模型相结合的基础上,设计了用遗传算法训练神经网络权重的新方法．     

基于遗传算法的神经网络结构优化

介绍了遗传算法的基本原理,然后利用遗传算法优化神经网络结构,形成以遗传算法与神经网络相结合的进化神经网络.经验证可知,该算法具有一定的可行性与有效性.