基于遗传BP算法的日径流预测

用遗传算法和BP算法相结合的混合算法来训练日径流神经网络预测模型的权值，即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，这一算法克服了BP算法收敛速度慢、易陷入局部极小等缺陷，实例证明提高了预测精度。     

基于遗传学习算法和BP算法的神经网络在矿坑涌水量计算中的应用

本文采用遗传学习算法和误差反向传播算法(BP)相结合的混合算法来训练前馈人工神经网络(BPN)，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和避免局部极小。作为实例，本文将该方法运用于多维时序问题。根据山东省黑旺铁矿的矿坑充水条件建立了一个网络，以矿坑充水的各种控制因素相关资料作为样本，对网络进行训练并用训练好的网络预测矿坑涌水量。网络的训练速度及预测结果表明，该算法收敛速度较快，预测精度很高，为矿坑涌水量预报提供了一种新思路和新方法。     

基于遗传神经网络的城市用水量预测研究

介绍了BP(误差反向传播算法)和GA(遗传算法)及GA-BP 3种神经网络,并以此分别对城市用水量进行预测.实验结果表明,基于GA-BP算法的神经网络方法应用于城市用水量的预测问题,能采用遗传学习算法优化BP神经网络模型的初始权重,即先利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和避免局部极小.GA-BP神经网络在收敛速度和预测精度等方面均优于BP和GA网络,从而为未来短期城市用水量负荷的准确预测提供了新的思路与方法.     

自适应遗传算法优化管网状态估计神经网络模型

针对遗传算法收敛速度慢、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，引进自适应遗传算法优化网络的权阈值以搜寻网络最优拓扑结构，并利用自适应遗传算法优化该网络的权阈值，建立基于改进BP网络的宏观管网状态模型．实例分析表明，改进模型具有较高的预测精度。     

误差反向传播神经网络模型的改进及其应用

针对误差反向传播神经网络模型(BP模型)学习收敛速度慢、容易陷入局部极小点等缺点，提出原始数据的非线性规格化函数、记忆式初始权值、阈值和参数自动优选等方法，对BP模型进行改进。结合陆浑水库大坝沉降实测资料的分析，编制了改进后的BP网络算法程序。分析结果表明，改进后的BP模型对于提高网络运行收敛速度、防止陷入局部极小点、克服手工调试参数的盲目性、提高模型精度等都有较大的改善作用。     

流域年均含沙量BP模型问题分析

本文在用人工神经网络BP模型对流域年均含沙量进行多因素建模过程中，对BP算法进行了改进，在学习速率η的选取上引进了一维搜索法，解决了人工输入η时，若η值过小，收敛速度太慢，η值过大，又会使误差函数值振荡，导致算法不收敛的问题，建模实践表明，改进后的BP算法可能使网络误差函数达到局部极小点，提高了算法的拟合精度。     

应用人工神经网与遗传算法进行短期负荷预测

针对BP网络的缺陷，提出了基于拟牛顿法的自适应算法和改进的遗传算法，以提高神经网的 学习效率，克服BP网络的局部收敛性的缺点，形成一种新的神经网与遗传算法相结合的短期 负荷预测模型。实测结果表明该模型和算法具有良好的性能和较高的预测精度。     

电力系统NP难问题全局优化算法的研究

通过对现有的NP难问题求解方法的分析，结合非确定性图灵机理论，提出基于随机化技术的方法是求解NP难及NP完全问题惟一有效途径的猜想。在现有的随机化方法中具有多点搜索特性的遗传算法具有最强的全局搜索能力，其局部精细寻优能力差的缺陷应通过专门的局部优化算法来补偿，即利用具体问题的特点开发面向问题的遗传算法。提出了开发新的高效全局优化算法的指导思想：多点随机化全局搜索策略 面向问题的局部寻优算法=最有效的全局优化算法。     

基于遗传神经网络的河流冰凌预报

在分析影响凌汛成因因素的基础上,选取合适的预报因子,建立了基于遗传算法(GA)和Levenberg-Marquardt BP网络(LMBP)相结合的冰凌预报神经网络模型.GA-LMBP算法先通过遗传学习算法进行全局训练,再用LMBP算法进行精确训练,克服了传统BP算法收敛速度慢、易陷入局部极小等缺陷.把该模型应用到松花江依兰、佳木斯段开河预报中,取得了良好的效果.     

结合广度搜索的遗传算法在水库调度中的应用

为了改善遗传算法在水库优化调度中的应用效果,采用自适应遗传算法和广度搜索算子结合的算法,同时为保证水库优化调度搜索全局最优提供了一定保障。针对遗传算法容易陷入局部最优的缺点,引入正弦函数取随机数的广度搜索与遗传算法相结合的算法。通过分析比较单独使用自适应遗传算法或者广度搜索算法以及结合算法在实际水库优化调度中效果,结果显示,优化结果要比自适应遗传算法以及广度算法的结果更理想。充分证明了结合算法的高效全局搜索能力,避免了自适应遗传算法陷入局部最优,同时在一定程度上克服了广度搜索很难收敛的缺点,在一定收敛条件下得到了更接近全局最优的结果。     

水电工程监理评标BP网络模型研究

为了使水电工程监理评标规范化、科学化，基于BP人工神经网络理论，并结合监理评标工作的特点，建立了监理评标BP网络模型。考虑到BP模型的误差反向传播算法容易陷入局部极小点，以及会出现收敛速度慢等问题，对模型训练的计算方法进行了改进。将所建立的评标模型应用于实际，并对模型的学习能力进行了检验，结果表明，该模型精度较高，具有较好的适用性。     

改进的遗传算法在水库调度中的应用

为了改善遗传算法在水库优化调度中的应用效果,采用自适应遗传算法和广度变异模块相结合的分层收敛算法:第一层采用广度变异和外部存档的方式改善种群的多样性;第二层嵌套广度变异模块,并采用自适应遗传算法进行全局搜索。通过比较自适应遗传算法和分层进化算法,结果显示:基于遗传算法的分层算法具有高效的全局搜索能力,避免了自适应遗传算法陷入局部最优的缺陷,在一定收敛条件下得到了更接近全局最优的目标值。     

基于遗传算法的模糊优选BP网络模型及其应用

在模糊优选BP神经网络模型的基础上，引入遗传算法，提出融入遗传算法的模糊优选神经网络预测模型，是对模糊优选BP神经网络模型的进一步发展。其基本思路是：在BP算法训练网络出现收敛速度缓慢时启用遗传算法优化网络的运行参数，把优化的结果作为BP算法的初始值再用BP算法训练网络，这样交替运行BP算法和遗传算法，直到达到问题要求的精度。在新疆雅马渡站年径流量的预报中，预测模型在预报精度和算法的收敛速度方面都达到了较好的效果。     

基于PSO-GRNN方法的城市用水量短期预测

鉴于城市用水量短期预测中传统的神经网络训练易陷入局部极小点、收敛速度较慢等问题,采用具有全局随机优化思想的PSO算法对GRNN神经网络径向基函数的扩展速度进行优化,提出了城市用水量的PSO-GRNN神经网络预测方法。根据某市日用水量的实测数据进行建模和预测,通过与最小二乘模型、核估计模型、局部线性估计模型的模拟效果进行对比表明：PSO-GRNN网络具有较强的自适应能力和泛化能力,能够有效地提高用水量的预测精度。     

BP模型的改进及其应用

本文针对BP模型学习收敛速度慢、容易陷入局部极小点等缺点，提出原始数据的非线性规格化函数、记忆式初始权值、阈值和参数自动优选等方法，对BP模型进行改进，并结合某水库大坝沉降实测资料分析，编制了改进后的BP网络算法程序，计算结果表明，改进措施有较大的实用价值。     

改进的模拟退火算法在搜索边坡最危险滑裂面中的应用

本文首先对模拟退火算法进行改进，将遗传算法的群体、交叉、变异等概念引入其中，使得它能从多个初始点开始并行寻优，能以较快的速度找到全局最优解。然后基于有限元应力场，应用改进的模拟退火算法建立边坡任意形状最危险滑裂面及相应最小安全系数的全局优化搜索方法。通过典型算例分析，证明应用改进的模拟退火算法搜索边坡最危险滑动面是可行和高效的。     

基于GACO-BP-MC的大坝变形监控模型

建立相应的安全监控模型来分析大坝变形监测资料对保障大坝服役安全意义重大。BP神经网络模型在此方面得到了广泛应用,但采用蚁群算法(ACO)对BP神经网络参数寻优时存在因初期搜索完全随机导致收敛速度慢的问题。将具有快速随机的全局搜索能力的遗传算法(GA)引入蚁群算法中,利用遗传算法指导生成初始信息素分布,再由蚁群算法正反馈寻得最优解来训练BP神经网络,从而得到大坝变形预测值,2种算法优势互补,缩短了蚁群算法的搜索时间并避免陷入局部最优点。在此基础上,为进一步提高预测精度,采用马尔科夫链(MC)对预测结果进行改进,由此建立了应用于大坝变形监控的GACO-BP-MC模型。工程实例分析表明,该模型在参数优化方面具有较快的寻优速率,且具有较高的拟合和预报能力。     

基于MATLAB下BP神经网络的边坡稳定性预测

将MATLAB中的BP神经网络引入到边坡稳定性研究中,但由于标准的BP算法存在收敛速度慢、容易陷人局部极小点等缺点,为此采用各种改进及优化的算法,以寻求更适合边坡稳定性预测研究的算法。本文结合了大量边坡实例,经过理论分析和实例测试,能显著提高训练速度、减少收敛周期,达到很好的边坡稳定性预测结果。     

基于模拟退火算法的BP网络在地下水位预测中应用

BP网络使用传统的权值修正方法易使网络在训练过程中,陷入局部极小点。本文将模拟退火算法与BP网络结合起来,可以保证网络在训练速度不被降低的情况下找到全局极小点。     

大坝变形预测的径向基函数网络模型

在大坝变形预测中,运用人工神经网络模型进行预测分析已较为广泛,目前使用最多的是BP网络模型,但由于存在计算量巨大,且易出现局部极小和收敛慢等缺点,为此建立了大坝变形预测的径向基函数神经网络模型,并与改进的BP网络模型进行比较.实例表明,径向基函数模型具有良好的泛化能力,克服了BP模型的局部极小和收敛慢等缺陷,在预测精度及训练速度方面显著优于BP模型,具有一定的推广价值.