一种基于遗传算法和LM算法的混合学习算法

针对遗传算法与神经网络结合方式中存在的早熟收敛、泛化能力弱等问题, 提出一种交替使用遗传算法和Levenberg Marquardt算法优化神经网络的混合学习算法（GALM算法）. 该算法先通过遗传算法粗调得到一组全局最优近似解, 再以该近似解为初值, 交替使用遗传算法和LM算法优化神经网络训练, 直至发现满意的网络参数. 实验结果表明, 新算法提高了网络的学习能力和收敛速度.     

基于遗传算法的小波神经网络研究及应用

目的 为改进小波神经网络算法的缺陷.方法 当网络的输出层节点的输出值与1之差或输出层节点输出值小于等于设定的阚值,使用变系数法调整输出层的误差,然后再利用遗传算法优化小波网络的参数.结果 在齿轮箱故障诊断中,变系数法有效地防止了误差无法逆向传播下去,使网络失去学习能力.然而,通过遗传算法的全局优化搜索能力得到网络的最优参数,从而避免了网络陷入局部最小.结论 提出的基于遗传算法的小波神经网络即提高网络的诊断精度,又加快了其收敛速度.     

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BP神经网络和遗传算法技术的边坡稳定性评价

本文将BP神经网络和遗传算法技术应用于边坡的稳定性评价,通过对标准BP算法进行改进,提出了用遗传算法优化神经网络的GA-BP算法,这样既发挥了神经网络的广泛映射能力和遗传算法的全局搜索能力,实现了两者的优势互补,也加快了网络的学习速度,综合提高了整个学习过程中的逼近能力和泛化能力。     

改进自适应遗传算法在BP神经网络学习中的应用

针对遗传算法容易产生局值的问题,提出一种新的自适应遗传算法,改进遗传算子,通过比较两代之间的适应度评估值,选取适合的交叉率和变异率,保证了优秀个体进入下一代,而且避免了种群中最大适应度值的个体的交叉率和变异率为0的情况.最后,将改进后的算法应用于库存控制模型,实验表明,改进后的自适应遗传算法能避免局值,提高网络的收敛速度,改善了网络的学习性能.     

一种基于粗糙集和遗传神经网络的数据分类器模型

为了实现对无线传感器网络监测得到的高维冗余且不确定的数据进行分类识别,提出一种由遗传算法和粗糙集进行优化的BP神经网络数据分类器模型,并形成了数据挖掘分类算法。该模型通过粗糙集理论的属性约简算法删除训练样本的冗余属性,利用遗传算法对神经网络的权值和阈值进行优化,并进行神经网络学习。数据挖掘分类算法学习速度快,能够有效提高无线传感器网络中数据的分类效率。     

遗传算法在BP网络权值学习中的应用

针对BP算法学习神经网络权值收敛速度慢、易陷入局部最优等缺点 ,采用遗传算法学习BP网络的权值 ;并给出了“异或”(XOR)问题的仿真示例 ,通过比较 ,发现遗传算法不会陷入局部最优 ,有效地改善了收敛速度     

一种基于小数据集的贝叶斯网络学习方法

 贝叶斯网络是用来表示不确定变量集合联合分布的图形模型,反映了变量间潜在的依赖关系.从完备数据集和不完备数据集上学习贝叶斯网络是研究的热点之一,要求有大数据集.针对实际应用中常常只能获得小样本数据,提出了基于Bootstrap抽样的网络结构学习的遗传算法,实验结果表明该方法在小数据集上学习贝叶斯网络具有一定的有效性.     

一种宽带匹配网络的遗传算法设计

为同时兼顾带宽和效率,将遗传算法应用到天线宽带匹配网络设计中。遗传算法中建立了多目标优化目标函数即适应度函数。根据算法寻优结果,结合仿真软件仿真分析了所设计的宽带匹配网络的电特性。结果表明：该宽带匹配网络具有良好的阻抗宽带性能,证明了遗传算法在设计宽带匹配网络中的有效性。     

基于演化学习超网络的微阵列数据分类

为解决传统模式识别方法学习结果过于复杂且难以解读的问题,提出了一种基于遗传算法的演化学习超网络模型.与传统的基于梯度下降和超边替代的超网络学习算法不同,演化学习超网络模型在其学习过程中引入了遗传算法.将超网络的超边集合划分成多个子种群;对子种群中的个体进行选择、交叉和变异等遗传操作,并对每一代种群进行子种群间优秀个体的迁移.每个子种群并行执行演化操作,完成演化后得到一个具有决策能力的超网络分类器.利用演化超网络对急性白血病、肺癌和前列腺数据集进行分类试验.结果表明,演化学习超网络对3个数据集的分类准确率分别为96.21%,99.26%,96.09%.所提出的方法与其他传统的模式识别方法相比,具有更高的分类准确率,而且其学习结果具有很好的可读性,有利于挖掘与癌症诊断密切相关的基因对高阶关联关系.     

混合遗传算法求解0-1背包问题尝试

遗传算法是一种基于自然选择和遗传机制的搜索算法．为解决著名的0-1背包问题，尝试混合使用一点杂交与多点杂交以及将传统的算法与遗传算法相结合的方法，对经典遗传算法进行改进，并在实验中获得了更佳近似解．     

多峰函数优化的混合遗传算法

研究了2种基于最速下降法和遗传算法的求解多峰函数优化问题的混合遗传算法,以Schaffer函数的全局优化问题和收敛概率、平均收敛时间和平均收敛值等评价指标检验了混合算法的性能.结果表明混合算法的性能优于单独的遗传算法或最速下降法,采用随机方式选择局部优化个体的混合遗传算法性能在总体上优于从每代群体中选择适应度高的个体进行局部优化的混合遗传算法.     

改进的遗传模拟退火算法在TSP中的应用

在介绍遗传算法和模拟退火算法的理论基础上，分析遗传算法和模拟退火算法的主要优缺点，提出了一种改进的遗传模拟退火算法。结合两种算法的优点，对其中的复制、交叉、变异操作进行了改进，并将该算法应用于TSP问题的求解之中。最后给出用该算法求解TSP问题的具体实现过程，并进行仿真实验，验证了该算法的有效性。     

高空长航时无人机优化设计

采用实数编码、过滤和交叉限制机制、改进的惩罚机制，改进了标准遗传算法，建立了多目标遗传算法，使之可以克服标准遗传算法的缺陷，并将其应用于高空长航时无人机的优化设计中，以空机重量和最大升阻比为性能目标，得到了优化问题得Pareto解。结果表明，高空长航时无人机优化后的总体性能得到改善，说明该方法适用于高空长航时无人机总体方案的优化设计，对方案研究有一定参考价值。     

基于网格法的遗传算法及其应用

在基本的遗传算法(sGA)中,初始群体是随机产生的.为了增加个体的遍历性和多样性提出-种用网格法来产生遗传算法的初始群体,并对网格法的遗传算法的优化效率进行了定量的评价.同时与基本的遗传算法一起应用在DeJong的测试函数F1上便于进行对比.评价结果和实验结果表明网格法在提高遗传算法的优化效率上是可行的.     

一种应用于负载均衡的模拟退火遗传算法

提出了一种基于模拟退火遗传优化算法,求解流量工程中的网络负载均衡问题。这种新型算法不仅能够均衡网络业务流量,相对于其它遗传算法,还具有收敛速度快、简单高效的特点。通过理论分析详尽说明算法的设计思想和相对于现有算法的优越性。     

BP遗传算法在结构形状优化设计中的应用

利用遗传算法(GA)对桁架结构分别进行杆件截面和节点坐标的优化设计,利用BP网络的高度非线性映射能力来得到遗传算法的适应度函数值,替代优化中重复采用有限元分析的方法,降低计算花费时间,提高了算法收敛速度.通过25杆输电塔架算例的优化设计,验证了此方法的实际应用是可行的.     

Memetic算法及其在分类中的应用研究

群体智能优化算法Memetic算法(Memetic Algorithm,MA)采用进化算法的操作流程,引入局部搜索算子,使其在问题的求解中保证较高收敛性能的同时又能获得较高质量的解,克服了遗传算法等传统全局优化算法易"早熟"的问题,同时避免陷入局部解。在MA框架基础上,提出了全局动态适应MA算法,采用遗传算法为全局搜索算子,k-means算法为局部搜索算子。使用Java语言实现算法并对UCI中分类实验数据集进行测试,结果表明,将遗传算法和k-means结合的全局动态适应MA在分类问题中具有较高准确率。     

生物信息处理系统--遗传算法探讨

分析了遗传算法中改进后的分层和混合遗传算法,并针对遗传算法中仍然面临着的主要问题提出和分析了免疫遗传算法,阐述了免疫遗传算法的实现过程.预见了未来遗传算法与其他信息处理系统的融合,未来的遗传算法将从生物信息处理系统的其它角度来进行研究,应用于更广泛的学科领域.     

基于遗传算法的RBF神经网络设计

采用了遗传算法自动构造ＲＢＦ网络,把网络结构的形式作为一个子集选择问题来解决,并提出了新的遗传操作算子来改进遗传算法,加快了收敛速度,提出了算法的实用性,文中介绍了遗传算法的结构与优化原理,并给出了ＲＢＦ网络结构的生成方法,用仿真结果证明了本算法的可行性。