G-BP算法在烧结矿FeO指标预测中的应用

实现烧结过程工艺参数的优化,首先要进行烧结矿质量预测·采用遗传算法与BP神经网络相结合的方法,建立了烧结矿FeO含量预测模型,并改进BP学习算法·仿真表明,该方法可以优化神经网络结构,缩短学习时间·与传统的BP神经网络模型相比,预测值与实际值间的相对误差由6534%降低至1400%,其精度高于传统BP网络模型·该方法为实现在线预测奠定基础·     

数据挖掘的基本过程及方法

知识发现与数据挖掘是人工智能、机器学习与数据库技术相结合的产物。随着科学数据大量积累和各种数据库的普遍使用，人们又逐步认识到海量数据的利用十分困难、效率低下，而且从中难以获得有价值的指导性意见。另一方面，更多带规律性的信息和知识又往往被大量原始数据淹没。在这种情况下，数据挖掘技术就应运而生，出现在众多学科领域，成为一种强大的化学信息技术。     

基于分层的自适应遗传算法在UTP中的应用研究

UTP问题是一个NP问题,要求在一定时间空间内满足五要素的软、硬约束条件。本文讨论大学课程表的一种多方法结合的解决方法,这种方法是自适应算法、遗传算法以及分层思想的结合应用。     

引入生态位技术的遗传算法研究及应用

近来遗传算法得到了广泛的应用,但这种全局并行的搜索算法存在搜索偏差和早熟问题。为解决该问题,已有许多改进方法。本文提出一种动态方法,通过引入生态位的“态、势”理论对基本遗传算法进行改进。依照自然选择的原理,生物都有无限扩充其生态位的潜力。扩充必然导致生物进化,而生物扩充是由生物的生态位决定的,因此根据生态位的大小作为选择策略,产生下一代个体更符合自然进化法则。实例结果表明该算法的有效性。     

基于遗传算法的基站天线赋形波束综合

提出了一种改进的适应度函数确定方法,通过改变适应度函数中的待定参数,有效提高了搜索效率。采用遗传算法对基站天线的方向图赋形,其结果优于同种条件下用WoodWard法得到的结果。结合工程实践,考察了本文遗传算法的解的稳定性。文中的结果对工程和理论研究都具有重要意义。     

BP网络的一种泛化算法

提出一种新的泛化ＢＰ算法,在原误差函数中增加一项新的能量函数来提高系统的鲁棒性。经过论证分析和仿真证明该算法具有较强的鲁棒性和较好的实用性。     

无线传感器网络中节省能量的地理路由

针对高动态无线传感器网络中路由信息不易保持,以及传感器节点能量受限的问题,提出了一种不保存网络拓扑结构并节省能量的地理路由算法。每个节点发送数据前发送本节点的位置信息,邻居节点根据该位置信息和基站的位置、发送接收数据消耗的电路能量和传播损耗,计算虚拟中继节点的位置。邻居节点根据本节点、目的节点以及虚拟中继节点的位置决定是否参与竞争,成为中继节点。仿真结果表明,该分布式算法比BLR算法节省能量,并具有更低的丢包率,更适于拓扑快速变化的无线网络。     

Optimization Method for Turbine Airfoil Designing Using Genetic Algorithms, CFD and Parallel Computing

An optimization method to design turbine airfoils using a Genetic Algorithm (GA) design shell coupled directly with a viscous CFD (Computational Fluid Dynamics) analysis code is proposed in this paper. The blade geometry is parameterized and the optimization method is used to search for a blade geometry that will minimize the loss in the turbine cascade passage. The viscous flow prediction code is verified by the experimental data of cascade, which is typical for a gas turbine rotor blade section. A comparative study of the blades designed by the optimization technique and the original one is presented     

基于改进遗传算法的多维函数的优化计算

针对标准ＧＡｓ在多维优化中存在的弊端,提出了一种改进ＧＡｓ,在染色体基因解码方式,交换与变异算子、适应函数设计等方面做了改进。通过对极难优化函数的优化计算,说明该算法有良好的全局搜索能力和较快的收敛速度。     

一维全局最优问题的改进遗传算法

遗传算法是一种借鉴自然界生物自然选择和自然遗传机制的高度并行、随机及自适应的搜索算法,该算法对一般的全局最优有良好的鲁棒性。但是,对非线性较强的函数,简单的遗传算法的收敛速度较慢,稳定性差。本文提出了一种新操作：一点交换和两点交换相结合、普通变异和大变异相结合的操作。理论证明和数值计算结果表明,该算法是有效的。