遗传BP神经网络在网络流量预测中的应用

由于BP神经网络本质上采用的是梯度下降算法,具有收敛速度慢、容易陷入局部极小点等缺陷.针对这种情况,用具有良好全局搜索能力的遗传算法来改进BP神经网络模型,对神经网络的初始权值和阈值进行优化.仿真结果表明,遗传BP神经网络具有良好的预测效果,预测精度比传统的BP神经网络要高,误差更小,说明了遗传BP神经网络对网络流量预测是高效可行的.     

基于遗传模拟退火算法的BP算法研究

目前广泛应用于神经网络优化的方法是反向传播(Back Propagation,BP),但是BP神经网络的全局搜索能力很有限.文中探讨了两种全局优化算法:遗传算法(Genetic Algorithm,GA)和模拟退火(Simulated Annealing,SA),以及它们和BP算法结合形成的优化算法,并且比较了它们在神经网络优化中的优缺点.     

基于AHGA+BP的神经网络混合学习策略

在自适应递阶遗传算法(AHGA)中融入BP操作可以在对神经网络结构进行优化的同时,充分利用遗传算法的全局寻优能力在大范围内搜索可能的误差极值区域,并利用BP算法沿误差最速下降方向在极值点附近快速搜索,从而达到全局最优和快速搜索的有机结合。通过对混沌时序信号的预测,表明了混合学习策略在较大程度上改进了神经网络的学习性能和泛化能力。     

一种自适应遗传BP神经网络模型研究及应用

如何更有效地提高神经网络的收敛速度和收敛质量。基于遗传算法的全局搜索和BP神经网络局部精确搜索的特性，提出一种自适应遗传BP神经网络模型，该模型的主要算法是先采用一种自适应遗传算法优化BP网络初始权重。而后再进行BP网络的训练过程。最后并研究如何利用该模型进行三级跳远成绩预测。实验结果表明该方法优于传统BP算法。有利于提高网络的收敛性以及学习能力，可在一定程度上提高三级跳远成绩预测的准确率，具有一定的实用价值。     

基于GA-BP神经网络的动力锂电池SOC估算

为提升新能源汽车的整车动力性、经济性以及安全性,更精确估算车用锂电池的荷电状态值(SOC),以纯电动汽车动力锂电池为研究对象,采用遗传算法(GA)优化BP神经网络,解决了误差逆传播存在的收敛速度慢、全局范围搜索能力弱、容易陷入局部极小值等缺陷,同时建立了基于GA-BP算法的SOC值预测神经网络模型,通过仿真实验与传统BP算法进行对比,验证该算法兼顾神经网络学习速度、误差小、全局搜索能力并满足动力电池SOC值估算要求。     

基于改进遗传算法的模糊神经网络控制器的设计

为了充分利用遗传算法的全局搜索能力和BP算法的局部搜索能力,提出了1种基于改进遗传算法的模糊神经网络控制器的设计,并通过对二阶系统模型的仿真,证明基于改进遗传算法的模糊神经网络控制器比常规的模糊神经网络控制器具有更好的控制性,具有更大的实用性。     

基于遗传算法的小波神经网络在股票预测中的应用

小波神经网络采用传统BP算法,存在收敛速度慢和易陷入局部极小值两个突出弱点。本文建立了基于遗传算法的小波神经网络股票预测模型GA-WNN。该模型结合了遗传算法的全局优化搜索能力以及小波神经网络良好的时频局部特性。运用MATLAB对拟合和预测过程进行仿真。结果表明,该模型能有效地提高预测精度,避免了BP算法固有缺陷。     

改善遗传神经网络收敛性的研究

针对BP神经网络中采用的梯度下降法局部搜索能力强、全局搜索能力差和遗传神经网络中采用的遗传算法全局搜索能力强、局部搜索能力差的特点,提出了一种集梯度下降法和遗传算法优点为一体的混合智能学习法(Hybrid Intelligence learning algorithm),简称HI算法,并将其应用到优化多层前馈型神经网络连接权问题。对该算法进行了设计和实现,从理论和实际两方面证明混合智能学习法神经网络与BP神经网络和基于遗传算法的神经网络相比有更好的运算性能、更快的收敛速度和更高的精度。     

基于遗传算法的小波神经网络在电价预测中的应用

在电力市场中边际电价预测得准确与否,对于发电厂的竞价决策具有非常关键的影响。为了克服BP神经网络自身算法的缺陷,得到更高的学习精度和更快的收敛速度,该文建立了基于遗传算法的小波神经网络电价预测模型。该模型结合了遗传算法的全局优化搜索能力以及小波神经网络良好的时频局部性质。经实例验证该模型能有效地提高预测精度,避免了BP神经网络的固有缺陷。     

基于遗传模糊神经网络的煤气鼓风机故障诊断

为充分利用遗传算法的全局搜索能力和BP算法的局部搜索能力,提出了基于遗传算法的遗传模糊神经网络模型,研究了故障特征参数模糊化处理和利用遗传算法优化神经网络权重的方法,加快了网络收敛速度,提高了收敛精度.在煤气鼓风机故障诊断中的应用表明,遗传模糊神经网络克服了BP算法中存在的网络学习收敛速度慢,以及容易陷入局部极小的问题,有效提高了故障诊断的精度.     

遗传神经网络预测模型的设计及应用

分析遗传算法（ＧＡ）及ＢＰ神经网络（ＮＮ）的理论基础,提出了ＧＡ与ＮＮ结合的主要方式和步骤。讨论了基于遗传神经网络的建模思路,主要针对矿石可选性预测、选矿生产指标预报问题,建立相应的遗传神经网络模型。论述了原始数据预处理的方法和ＧＡ－ＢＰ神经网络的设计。通过实例验证,模型的预测精度达到９０％以上。     

模糊逻辑系统的GA+BP混合学习算法

提出一种在GA中融入BP算法的混合学习算法以实现模糊逻辑系统的自学习,利用遗传算法的全局最优性在大范围内搜索可能的极值,而用BP算法的误差梯度下降特性在极值点附近的快速搜索,从而达到了全局最优与快速搜索的有机结合,仿真结果表明,这种混合算法的学习效率无论是相对于GA还是BP均有显著提高。     

神经网络及遗传算法在径流预报中的应用

提出用遗传算法和BP算法相结合的改进神经网络模型来进行径流预报。即先通过遗传算法对初始权值分布进行优化，在解空间定位出一个较好的搜索空间，然后采用BP算法，在这个较小的解空间中搜索出最优解。使网络收敛速度加快和避免局部极小。作为实例，以清江鸭子口的实测径流资料为样本进行训练并用以预测该水文站的日径流量。结果表明，该方法具有收敛速度快和预测精度高的特点。     

遗传算法优化BP 神经网络的短时交通流混沌预测

为了提高BP神经网络预测模型对混沌时间序列的预测准确性,提出了一种基于遗传算法优化BP神经网络的改进混沌时间序列预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到几个典型混沌时间序列和实测短时交通流时间序列进行有效性验证.仿真结果表明,该方法对典型混沌时间序列和短时交通流具有较好的非线性拟合能力和更高的预测准确性.     

基于遗传算法的神经网络自适应控制器的研究

提出了一种基于遗传算法的神经网络自适应控制方法。该方法是针对ＢＰ算法训练神经网络控制系统时收敛速度慢、动态特性不够理想等不足，用改进的遗传算法来优化神经网络辨识器与控制器的参数，以提高控制系统的性能，仿真实验表明该控制器对于非线性、时变、滞后等对象都具有很好的控制精度、鲁棒性和动态特性。     

A Neurogenetic approach for the resource-constrained project scheduling problem

A variety of metaheuristic approaches have emerged in recent years for solving the resource-constrained project scheduling problem (RCPSP), a well-known NP-hard problem in scheduling. In this paper, we propose a Neurogenetic approach which is a hybrid of genetic algorithms (GA) and neural-network (NN) approaches. In this hybrid approach the search process relies on GA iterations for global search and on NN iterations for local search. The GA and NN search iterations are interleaved in a manner that allows NN to pick the best solution thus far from the GA pool and perform an intensification search in the solution's local neighborhood. Similarly, good solutions obtained by NN search are included in the GA population for further search using the GA iterations. Although both GA and NN approaches, independently give good solutions, we found that the hybrid approach gives better solutions than either approach independently for the same number of shared iterations. We demonstrate the effectiveness of this approach empirically on the standard benchmark problems of size J30, J60, J90 and J120 from PSPLIB.     

自适应差分进化算法优化BP神经网络的时间序列预测

针对BP神经网络学习算法随机初始化连接权值和阈值易使模型陷入局部极小点的缺点,设计了一种自适应差分进化算法优化BP神经网络的混合算法。该混合算法中,差分进化算法采用自适应变异和交叉因子优化BP神经网络的初始权值和阈值,再用预寻优得到的初始权值和阈值训练BP神经网络得到最优的权值和阈值。首先对改进的自适应差分进化算法运用测试函数进行性能测试,然后用一个经典时间序列问题对提出的混合算法进行了检验,并与一般的神经网络、ARIMA预测模型及其它混合预测模型进行了对比,实验结果表明,本文提出的混合算法有效并且明显提高了预测精度。     

A novel optimal PID controller autotuning design based on the SLP algorithm

A novel optimal proportional integral derivative (PID) autotuning controller design based on a new algorithm approach, the “swarm learning process” (SLP) algorithm, is proposed. It improves the convergence and performance of the autotuning PID parameter by applying the swarm and learning algorithm concepts. Its convergence is verified by two methods, global convergence and characteristic convergence. In the case of global convergence, the convergence rule of a random search algorithm is employed to judge, and Markov chain modelling is used to analyse. The superiority of the proposed method, in terms of characteristic convergence and performance, is verified through the simulation based on the automatic voltage regulator and direct current motor control system. Verification is performed by comparing the results of the proposed model with those of other algorithms, that is, the ant colony optimization with a new constrained Nelder–Mead algorithm, the genetic algorithm (GA), the particle swarm optimization (PSO) algorithm, and a neural network (NN). According to the global convergence analysis, the proposed method satisfies the convergence rule of the random search algorithm. With respect to the characteristic convergence and performance, the proposed method provides a better response than the GA, the PSO, and the NN for both control systems.     

Neuro evolutionary model for weld residual stress prediction

Welding is an efficient reliable metal joining process in which the coalescence of metals is achieved by fusion. Localized heating during welding, followed by rapid cooling, induce residual stresses in the weld and in the base metal. Determination of magnitude and distribution of welding residual stresses is essential and important. Data sets from finite element method (FEM) model are used to train the developed neural network model trained with genetic algorithm and particle swarm optimization (NN–GA–PSO model). The performance of the developed NN–GA–PSO model is compared neural network model trained with genetic algorithm (NN–GA) and neural network model trained with particle swarm optimization (NN–PSO) model. Among the developed models, performance of NN–GA–PSO model is superior in terms of computational speed and accuracy. Confirmatory experiments are performed using X-ray diffraction method to confirm the accuracy of the developed models. These developed models can be used to set the initial weld process parameters in shop floor welding environment.