基于遗传算法和BP算法的混合算法

本文就函数优化问题,结合遗传算法和 BP 算法的优点,提出一种新的混合算法。该算法既有较快的收敛速度又能以较大概率收敛到全局最优解,数值实验结果表明该算法显著优于遗传算法和 BP 算法。     

基于遗传算法和BP算法的混合算法

结合神经网络的优化问题,提出一种新的混合算法.该算法是在遗传操作中嵌入BP算子,有效地结合了遗传算法全局寻优与BP算法快速收敛的特点,同时采用二进制编码和实数编码将神经网络的结构与权值混合编码到串中,实现了结构与权值的同步优化.仿真结果表明,新算法既能够快速地收敛到全局最优解,又能够在简化网络结构复杂度的同时得到网络权值的最佳逼近.     

基于分层遗传算法的BP神经网络学习算法

针对BP算法局部搜索能力强,而分层遗传算法全局搜索优势突出的特点,结合二者优势构造了一种分层遗传算法与BP算法相结合的前馈神经网络学习算法．将分层遗传算法引入到前馈神经网络权值和阈值的早期训练中,再用BP算法对前期训练所得性能较优的网络权值、阈值进行二次训练得到最终结果．仿真结果表明,该混合学习算法能够较快地收敛到全局最优解,优于BP算法、分层遗传算法,具有一定的实用价值．     

遗传神经网络在铁矿石需求预测中的应用

将遗传算法与BP神经网络结合,利用遗传算法的全局搜索优化BP网络的初始权重,有效地克服了BP算法的局部收敛和收敛速度慢等问题.使用主成分分析法选取输入变量,并将建立的混合模型应用于铁矿石需求预测中.实验表明,该方法改善了预测精度,达到了较好的预测效果.     

基于云自适应遗传算法的改进BP算法

针对标准BP算法对初始权值敏感、收敛速度慢、易陷入局部极小等问题,结合正态云模型云滴的随机性和稳定倾向性,以及遗传算法的全局搜索能力、收敛速度快等特性,提出了云自适应遗传改进BP算法.该算法首次将云模型和遗传算法结合调整神经网络的权值和阈值.由X条件云发生器产生改进的自适应交叉概率和变异概率.实验结果表明:云自适应遗传改进BP算法比标准BP算法收敛速度快.     

动量化GA-BP算法的全局极小值搜索

针对传统BP神经网络算法存在收敛速度慢、易于陷入局部极小的缺点,提出了动量化GA-BP算法,即对传统BP算法引入动量因子,以提高网络的收敛速度,并将其与BP神经网络算法结合起来,充分利用遗传算法的全局搜索性能进行"粗"搜索.当搜索到全局最优点的附近时,再采用BP算法进行局部搜索,这样避免陷入局部极小,从而得到了全局最优解.煤矿安全等级预测的实验表明:动量化GA-BP算法能快速、精确地收敛,最终得到问题的全局极小值,取得了满意的预测结果.     

基于遗传算法的BP网络在机车滚动轴承故障诊断中的应用

提出一种遗传算法（GA）和BP算法结合的神经网络模型优化方案。首先采用自适应交叉概率和变异概率的遗传算法优化BP网络的权值,在进化结束时,能够寻到全局最优点附近的点;在遗传算法搜索结果的基础上,利用局部寻优能力较强的BP算法,从此点出发,进行局部搜索,进而达到网络的训练目标。在铁路机车滚动轴承诊断方面,利用MATLAB仿真实验结果表明,遗传算法与BP算法结合的模型诊断精度为100%,标准BP算法的模型诊断进度为80%,并且提高了网络的收敛速度。说明GA—BP算法模型诊断精度较高,诊断能力得到了改进,遗传算法与BP算法的结合算法可行有效。     

基于混合优化算法的岩体渗透系数反演方法

基于遗传算法全局搜索能力强和梯度优化方法收敛速度快的特点,考虑渗透系数反演问题本身的特性,在遗传算法的全局搜索过程中加入基于梯度的局部搜索过程以构造混合优化方法.所提出的算法在保证全局搜索能力的同时,具有较快的收敛速度.结合工程实例检验了所提出算法的全局最优性和快速收敛性.     

一种混合训练算法在数据挖掘中的研究

针对BP算法存在的缺陷,利用遗传算法能够进行全局最优化搜索这一特点,在改进的自适应遗传算法的基础上,得到了一种新的用于BP网络训练的混合算法,即改进的自适应遗传算法与BP算法相结合的混合训练方法。讨论该算法在数据挖掘中的运用。     

基于遗传算法的BP网络及其非线性逼近能力研究

提出了一种基于遗传算法(GA)的BP神经网络模型优化方案,指出了遗传算法和标准BP算法各自的优缺点。首先采用自适应交叉概率的遗传算法优化网络的权值,在进化结束时,能够寻到全局最优点附近的点。在遗传算法搜索结果的基础上,利用局部寻优能力较强的梯度下降法,从此点出发,进行局部搜索,进而达到网络的训练目标。仿真表明与单一的梯度下降法比较,混合优化算法的收敛速度快,逼近的效果好,因而所给出的算法可行有效。     

基于遗传算法的人工神经网络负荷预测研究

针对BP神经网络的固有缺陷，如训练速度慢，易收敛于局部极小点及全局搜索能力弱等，改进了传统BP算法，并采用遗传算法设计和优化神经网络结构参数，在此基础上建立了基于遗传算法的人工神经网络负荷预测模型，预测仿真结果表明，本文所提出的方法在预测精度和收敛速度方面均得到了改进。     

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。     

遗传神经网络在颅脑磁共振图像分割中的应用

采用全局最优化算法——实数遗传算法改进BP神经网络的学习算法。在此基础上，提出了一种新的基于实数遗传神经网络的磁共振图像分割算法。实验结果表明，新算法可以有效地降低噪声和边缘模糊对分割结果的影响。另外。设计了一个新的加速遗传算子，可以提高实数遗传算法的收敛速度。     

基于遗传算法的函数优化拟下降算法

在传统优化算法中嵌入一拟下降步,改善了算法的收敛性质;用遗传算法计算拟下降步,提高了算法的全局搜索能力,又不改变原算法的收敛性．数值计算结果表明,所提出的算法结合了遗传算法和传统算法的优点,是一种可行的解决函数优化问题的混合算法．     

基于云遗传的混合混沌粒子群算法研究

为了解决PSO算法种群随机初始化遍历性差、易陷入早熟收敛以及不具备全局收敛性的缺点,提出一种基于云遗传的混合混沌粒子群优化算法,使用均匀性更优的无限折混沌叠映射实现粒子初始化,通过自适应云算子、改进的Metropolis接受准则以及动态调整粒子集规模等策略,实现了云遗传算法和PSO算法的协同,最后通过全局收敛性证明、时间复杂度和实验分析,验证了算法的有效性。