基于改进型遗传算法的打浆优化

针对造纸生产线上打浆过程中的打浆优化问题,以基于神经网络的软测量模型辨识为基础,结合改进的遗传算法,解决了标准遗传算法中种群过早收敛和促使种群跳出局部极值点,实现了打浆全局最优控制.仿真结果验证了该算法的可行性与有效性,实践表明这种优化控制方法使打浆能耗明显降低,达到了节能的优化目的.     

车身覆盖件的夹持位置优化研究

为了减少车身覆盖件在冲压输送过程中的结构变形,提出了基于均匀设计法、神经网络和遗传算法相结合的智能的夹持点位置的优化算法。充分利用均匀设计代表性好,实验次数少,实验效益高的特点,建立了神经网络的训练样本;利用神经网络学习算法建立起夹持点位置坐标与位移、应力等的非线性全局映射关系,极大地减少了有限元重分析的工作量;最后利用遗传算法的全局寻优功能得出最优夹持点位置坐标,用于指导实际生产。仿真实验结果表明所提出的算法是有效的。     

智能优化算法的研究及其在锅炉燃烧中的应用

本文提出用智能优化算法模型来指导工业锅炉燃烧过程控制。首先通过免疫遗传算法来优化锅炉燃烧过程控制参数,利用优化结果调节锅炉燃烧过程控制。而后利用BP神经网络来模拟工业锅炉燃烧过程,建立工业锅炉燃烧过程输入输出之间的非线性模型。结果表明,本文所提出的智能优化算法模型具有较好的效果。     

基于种群熵的GA-BP混合优化算法及其应用

文章通过引入种群熵的概念把遗传算法和神经网络的BP算法有机结合起来,提出了一种新的混合算法GA-BP混合优化算法,从而充分利用了遗传算法和神经网络的BP算法各自具有的优点,并把GA-BP混合优化算法应用到机器人坐标逆变换中去。实验表明,GA-BP混合优化算法能较好地实现机器手端坐标到关节角的变换。     

量子遗传算法优化BP神经网络的网络流量预测

为了提高网络流量的预测精度,提出了一种改进的多种群量子遗传算法优化BP神经网络的网络流量预测模型。在确定了神经网络的结构后,采用多种群量子遗传算法对BP神经网络的初始权值和阈值进行优化。该模型利用K均值聚类算法将种群划分成若干子种群,多个子种群分别进化以保持种群的多样性。子种群间通过移民操作进行信息交互,减小了算法陷入局部最优的概率。同时采用一种自适应的量子旋转门调整策略加快算法的收敛速度。仿真结果表明,相较传统方法,该模型在网络流量预测方面具有收敛速度快、预测精度高的优点。     

基于反时限混沌郊狼优化算法的BP神经网络参数优化

针对郊狼优化算法优化性能弱及多样性低等问题,提出一种基于反时限衰减算子的混沌郊狼优化算法(ICCOA).首先,在个体迭代更新过程加入反时限衰减权重因子,使得全局搜索与局部开发能力保持平衡的同时提高算法的搜索速度;其次,加入基于Tent混沌映射的混沌干扰机制,将种群中部分较差个体经过映射产生新个体,进而增大种群多样性;接着,为了验证ICCOA算法的优化能力,分别在10、30和100维度下进行函数优化测试,并与5种优化算法进行比较,其实验结果表明ICCOA算法具有良好的优化性能;最后,将ICCOA算法应用于BP神经网络参数优化,提出新的神经网络模型(ICCOABP),并与标准神经网络、基于遗传算法的BP神经网络参数优化方法一同应用于机器学习的分类任务进行性能比较,实验结果表明ICCOABP算法具有高效性.     

自适应遗传算法优化神经网络的入侵检测研究

入侵检测是一种动态的安全防护技术,能够对网络内部、外部攻击进行防御.基于神经网络的入侵检测是常见的智能入侵检测方法.针对神经网络算法易陷入局部极值和简单遗传算法收敛速度慢的问题,提出了一种将神经网络和遗传算法相结合,用遗传算法优化神经网络权值,在遗传算法优化神经网络时采用自适应遗传操作.将自适应遗传算法优化神经网络算法应用于入侵检测系统中,实验结果表明,该方法能够有效的提高系统的检测率,降低误报率和漏报率.     

基于改进的遗传算法在函数优化中的应用

针对传统遗传算法在函数优化过程中容易陷入局部最优解、收敛慢等缺点,提出了一种新的自适应遗传算法NAGA。该算法考虑了种群适应度的多种集中分散程度,并且非线性地自适应调节遗传算法的交叉概率与变异概率;为了加快寻优效率,在选择算子方面将引进的选择算子与最优保存策略相结合;为了使遗传操作过程中种群数量恒定,又提出了保留亲本的策略。通过仿真实验发现,与经典遗传算法GA和IAGA相比,改进的自适应遗传算法在收敛速度与精准度等方面都有较大的进步。     

补料分批发酵过程优化控制

针对非线性、时变的发酵过程，建立了神经网络模型进行菌体浓度、基质糖浓度和产物浓度的在线估计。采用神经网络非线性预测控制方法，结合遗传算法寻优技术确定发酵过程的优化轨线，通过在线调整实现对优化轨线的跟踪控制。     

基于混沌免疫遗传算法的神经网络及应用

借助混沌随机序列构造初始种群,将免疫机制引入传统遗传进化过程,有效克服传统遗传算法种群“退化”和“早熟”的不足,保持种群多样性,构造得到混沌免疫遗传优化算法.进而将混沌免疫遗传优化算法与BP神经网络相结合,分别用混沌免疫遗传优化算法和自适应BP算法对网络权值进行全局优化和局部二次优化,建立基于混沌免疫遗传算法的神经网络模型.利用所建立的混合神经网络模型对渤海某海域年极值冰厚进行训练预测,并将模型预测结果与实际数据以及动态拓扑预测的结果进行对比,表明基于混沌免疫遗传算法的神经网络模型具有很高的预测精度和工程适用性.     

基于神经网络和非线性原—对偶内点算法的电网无功优化补偿

在简要分析了传统的电力系统无功优化的方法后，针对无功优化计算中离散变量和 连续变量共存的问题，提出了用神经网络对补偿后电网的质量参数进行预测，并结合求解无功优化的非线性原－对偶内点算法进行全局寻优，实现对电网无功优化补偿的控制方法．结果表明，该控制系统提高了系统的功率因数，减少了系统的损耗，初步解决了电网参数复杂、补偿系统难以建模等问题，并证明了该算法的有效性．     

基于GA-NN的复杂工艺生产过程多目标优化研究

在复杂非线性多目标优化问题求解中,非线性模型结构很难事先给定,需要检验的参数也非常繁多,应用传统的建模方法和优化模型已难以解决更为复杂的现实问题。人工神经网络技术为解决复杂非线性系统建模问题提供了一条新的途径。将神经网络响应面作为目标函数或者约束条件,加上其他常规约束条件进行系统模型的建立,再应用遗传算法进行优化,从而实现设计分析与设计优化的分离。以某化工企业的生产过程优化问题为例,利用BP神经网络建立了工艺参数与性能目标之间的模型,然后利用遗传算法搜索最优工艺参数,获取了用于指导生产的样本点数据。研究结果表明,该方法能够获得高精度的多目标优化模型,从而使优化效率大为提高。     

前馈神经网络的混沌学习方法研究

采用混沌优化策略，提出一种前馈神经网络权参数的最优学习方案．由于BP算法优化神经网络权参数时存在收敛速度慢、自身参数选取困难、易陷入局部极小等缺陷．采用混沌变量优化神经网络权参数，具有全局性、快速性、并行性的特点．仿真实验表明采用该方案对强非线性问题的逼近具有精度较高、学习较快的优点．     

粒子群优化算法在神经网络控制中的应用

考虑粒子群优化算法在不确定系统的自适应控制中的应用。神经网络在不确定系统的自适应控制中起着重要作用。但传统的梯度下降法训练神经网络时收敛速度慢,容易陷入局部极小,且对网络的初始权值等参数极为敏感。为了克服这些缺点,提出了一种基于粒子群算法优化的RBF神经网络整定PID的控制策略。首先,根据粒子群算法的基本原理提出了优化得到RBF神经网络输出权、节点中心和节点基宽参数的初值的算法。其次,再利用梯度下降法对控制器参数进一步调节。将传统的神经网络控制与基于粒子群优化的神经网络控制进行了对比,结果表明,后者有更好逼近精度。以PID控制器参数整定为例,对一类非线性控制系统进行了仿真。仿真结果表明基于粒子群优化的神经网络控制具有较强的鲁棒性和自适应能力。     

基于组件技术和遗传小波神经网络的智能建模系统研究

本文对已有的人工神经网络、小波分析、遗传算法的建模方法进行组合利用和加以改进,建立了智能信息处理器。该系统将大量的观测数据进行小波去噪等预处理后,作为小波神经网络模型的输入训练样本数据,网络训练中利用遗传算法动态修改网络结构和参数,并避免神经网络训练速度慢、容易陷入局部极值的缺点,从而完成数据挖掘和复杂的非线性建模功能;同时以智能信息处理器为基础,基于GIS平台利用组件技术建立扩展性强的智能建模系统。最后以某灌区水资源管理过程中的径流预报为例进行仿真实验,验证了方案的可行性和有效性。     

一阶纯滞后智能非线性PI 控制器优化设计

针对大惯性以及纯滞后严重的工业过程对象控制精度低的问题，采用专家控制与单神经元PI控制相结合的算法，并利用自适应变尺度混沌优化方法对其进行最优整定，从而实现了智能非线性PI控制器的优化设计．仿真结果表明，该智能非线性PI控制器具有较高的控制精度．     

多粘菌素补料分批发酵过程pH值的优化控制

针对补料分批发酵过程pH值优化轨迹难以确定和控制的问题,为了获取pH值的优化轨迹并加以有效控制,利用神经网络非线性预测控制方法结合遗传算法寻优设计基于动态数据交换的VB,Excel和Matlab的发酵过程优化软件平台;通过该优化软件平台找到多粘菌素发酵过程pH值的优化轨迹;对它采用参数自调整模糊控制方法,使之按优化轨线变化.统计多粘菌素10批次优化控制发酵生产结果,发酵时间平均缩短5 %,提高产量3 %.     

铅锌烧结过程智能集成优化控制技术

针对复杂的铅锌烧结过程。提出了基于神经网络和模糊专家规则模型的自学习模糊专家控制方法进行状态参数优化，基于神经网络模型的模糊C均值聚类搜索混沌遗传算法进行综合指标参数优化．智能集成优化控制技术具有高效性和实用性，有效地抑制了工况波动，提高了烧结矿产量和质量，取得了较好的工业控制效果．     

应用神经网络和遗传算法的智能电网综合补偿控制的研究

以变电站电网质量综合补偿控制为背景, 依照基本的三相平衡理论求出各相的补偿电抗参考值, 用神经网络对补偿后电网的质量参数进行预测, 并结合遗传算法对补偿的电抗值进行全局寻优, 实现对电网补偿的综合控制. 结果表明这一智能化的控制系统的性能是令人满意的, 证明了该算法的有效性.