改进的遗传神经网络在灰渣粘度预测中的研究及应用

提出一种基于改进遗传神经网络的灰渣粘度预测方法。通过节点相关性评价,使得低于某阈值的网络内部节点在交叉操作时被排除,从而降低节点冗余;将交叉/变异概率与种群个体适应度相联系,提出一种自适应交叉/变异概率,将其用于遗传操作,使得个体多样性较好。仿真实验表明,用提出的算法优化的神经网络在一定程度上可以避免"种群早熟",保持种群多样性,提高了学习效率。     

自适应遗传算法

自适应遗传算法采用自适应的适应度函数、交叉概率及变异概率代替固定的适应度函数、交叉概率及变异概率,与基本遗传算法相比,结果证明改进的遗传算法显著提高了收敛性能,并且具有很强的自适应能力.     

遗传算法在神经网络设计中的应用

通过对正被广泛应用的、智能的、并行的全局优化方法—遗传算法的性能分析，并与其它算法比较，阐述了遗传算法在神经网络设计中的优越性.     

基于混合遗传算法和神经网络的软硬件划分算法

在对比了Hopfield神经网络(Hopfield Neural Networks,HNN)和遗传算法(Genetic Algorithm,GA)各自特性的基础上,针对嵌入式系统和SoC的软/硬件双路划分问题,在时间性能的约束下,将系统功耗作为优化目标,提出了基于Hopfield神经网络和遗传算法的混合算法(GA_HNN).Hopfield神经网络快速求解的特性和遗传算法高效的全局搜索能力,使得GA_HNN算法能够跳出局部最优解而快速趋于全局最优解.最后通过实验仿真表明,GA_HNN算法与单一的Hopfield神经网络和遗传算法相比,不仅具有高速的搜索能力,而且还具有更好的节省功耗的优势.     

用混合遗传算法实现神经网络快速训练

快速神经网络训练算法的研究是人们所关注的问题之一。经过分析与研究 ,遗传算法是一种全局并行随机搜索优化算法 ,具有很强的全局搜索能力 ,而 BP算法的局部搜索能力较强。文章将两者结合起来 ,形成一种混合遗传算法 ,并就混合遗传算法的原理及其在实现时所涉及到的许多策略问题进行了分析比较 ,仿真结果表明它具有收敛速度快和不会陷入局部极小的特点。     

基于改进遗传算法的BP神经网络自适应优化设计

BP(Back Propagation)神经网络在网络训练中存在着局部最优问题,其算法收敛过慢、局部收敛不理想,影响其工作性能.针对以上不足以及传统神经网络设计规模庞大等问题,提出了一种由EGA(改进的遗传算法)确定网络拓扑结构和训练网络的方法,该方法通过实数编码、自适应多点变异等操作有效地优化了网络拓扑结构和网络参数,从而有效缩小了网络规模和提高了BP网络训练的速度以及收敛的有效性.最后结合了番茄常见病害诊断的实例说明了此方法的可行性.     

基于自适应遗传算法的RBF神经网络优化算法

针对传统遗传算法收敛速度慢的缺点,本文将改进后的遗传算法应用于RBF神经网络,对隐层中心和宽度值进行同步优化,并在复杂非线性函数的逼近实验中证明了本文算法相比传统遗传算法在搜索全局最小点的速度上得到了很大提高.     

基于自适应遗传算法的无刷直流电机的优化设计

对遗传算法特别是自适应遗传算法作了分析，重点研究了交叉算子和变异算子对遗传算法收敛性的影响，提出了一种改进的自适应遗传算子的方法。该方法可在遗传模式得到保证的基础上加快新个体的产生速度，所构造的遗传算子随适应值自动变化，对远离最优值的个体采用较大的遗传算子值，对接近最优值的个体采用较小遗传算子值，以提高得到全局最优解的概率。通过测试函数的求解，验证了所构造的自适应算子的有效性和正确性。实算结果表明，在无刷直流电机的优化设计中，改进后的自适应遗传算法可在满足各项性能指标的前提下取得良好的优化效果，得到全局最优解的概率较改进前有明显提高。     

基于混合遗传算法的建筑结构优化设计

提出一种离散变量结构优化设计的单向搜索算法并与标准遗传算法结合成混合遗传算法,即发挥了单向搜索算法省时、高效、局部搜索能力强的特点,又发挥了遗传算法全局性好的特点·算例结果表明,该方法能直接计算具有应力约束和截面尺寸约束的离散变量结构优化设计问题,也能处理同时具有稳定约束和位移约束的多工况、多约束、多变量的离散变量结构优化设计问题·这种混合遗传算法优于标准遗传算法和单向搜索算法,是兼二者之长,弃二者之短的高效的理想优化设计方法·     

一种改进的神经网模型研究及应用

针对用遗传算法优化神经网络时存在＂近亲繁殖＂以及在后期搜索效率低的问题,分析常见遗传编码存在的问题,把每一个网络转换成一个规范形式,从而排除神经网络的冗余编码,并通过评价节点相关性删除对网络输出无贡献的隐节点.为提高算法寻优速度,将自适应交叉变异概率用于遗传操作,并限制进入交叉的两个个体适应度距离要满足规定的阈值,从而保持种群的多样性,最后从不同角度验证本文所提出的方法的有效性.实验表明该方法对保持种群的多样性,加快进化速度比较有效,一定程度上缓解＂早熟收敛＂,从而大大减少学习参数,提高学习效率.     

基于BP神经网络与遗传算法的鸟苷发酵培养基优化

运用BP神经网络对鸟苷发酵培养基组成进行建模以及鸟苷产量预测,在此基础上利用遗传算法对鸟苷发酵培养基组成进行全局性寻优,得到最佳鸟苷发酵培养基组成:葡萄糖120 g·L-1,豆饼水解液50 g·L-1,酵母粉16 g·L-1,(NH4)2SO415 g·L-1,味精10 g·L-1,CaCO320 g·L-1(分消),CaCl22 g·L-1,硫酸镁3 g·L-1,生物素0.9 mg·L-1,硫酸锰4 mg·L-1,磷酸二氢钾4 g·L-1。结果表明,BP神经网络与遗传算法耦联法能够有效地优化发酵培养基配比。     

基于改进遗传算法的藻类神经网络识别

为了借助智能方法对日益严重的水污染进行识别预测,提出了一种改进遗传神经网络识别算法.该算法通过各个分算子的多元冲突、融合、协作和互补等方式,有机地结合形成一种整体优化算子,它包含了降维差异选择、暂态自适应交叉和冲突自适应变异等3个新的彼此相关联的分算子,能有效地生发多样性,提高解空间处处可达性.数值优化及湖泊蓝绿藻神经网络识别实验表明,该算法在克服早熟、提高全局收敛速度和增强神经网络的泛化能力等方面,均取得满意的藻类识别效果.     

基于遗传算法神经网络流量测量

针对高炉煤粉喷吹系统,建立一种基于遗传算法的神经网络流量测量模型,考虑BP算法训练神经网络测量模型时收敛速度慢、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测量模型的参数,以提高测量系统的精度·现场实验表明,最大满量程误差小于3.8%,具有工程应用价值·     

L-异亮氨酸发酵培养基的遗传算法优化及发酵过程的神经网络建模

应用遗传算法对L-异亮氨酸发酵培养基进行优化,经优化后的发酵培养基能积累L-异亮氨酸16.84g/L,比初始值提高28.7%.并且运用神经网络对L-异亮氨酸的发酵过程进行建模并预测,取得了良好的效果.结果表明,神经网络在L-异亮氨酸发酵的模拟与预测中是一种高效快速的方法.     

一种改进的自适应遗传算法

在对自适应遗传算法中选择、交叉、变异算子作用分析的基础上,提出一种新的自适应遗传算法,新算法基于实数编码机制,选择操作采用精英选择与轮盘赌相结合,变异和交叉操作采取根据适应度自适应地非线性调整变异和交叉概率的策略,同时提出进化的后期采取先变异后交叉的操作次序.仿真实验表明,新算法有效防止早熟,收敛速度更快,鲁棒性更好且拥有较强的寻优能力.     

基于神经网络和遗传算法的在线优化软件设计与实现

提出了一种基于神经网络和遗传算法的在线优化体系，设计并实现了基于神经网络和遗传算法的在线优化软件包，并将该软件成功应用于甲醇合成的在线操作优化，进而对此类软件的特点进行了讨论，最后对它的应用前景作了展望。     

具有自适应交换率和变异率的遗传算法

简单遗传算法存在着收敛速度慢、易陷入局部上等缺陷。针对这些,本文设计出随相对遗传代数呈双曲线下降的自适应换率,并提出与父串间的相对欧氏距离成反比、随相对遗传代数指数下降的自适应异率。实例验证表明,具有自适应交换和变异率的遗传算法在收敛速度和获得全局最优解的概率两个方面都有很大的提高。     

一种基于遗传算法的BP神经网络算法及其应用

主要分析了神经网络和遗传算法的特点和存在的一些缺陷，研究了遗传算法和BP神经网络学习算法相结合的相关技术，设计并实现了一个基于遗传算法的BP神经网络算法BP—GA，已应用于肺癌早期细胞病理诊断系统中。实验结果表明，该算法具有较强的收敛性和鲁棒性，其应用效果很好。     

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.