遗传算法在求神经网络权值方面的应用

遗传算法是一种应用广泛的算法,主要用在全局寻优方面,是以种求解非线性问题的主要方法。神经网络具有学习功能,目前已有的算法是BP算法,RTF算法。本文试图从另外一个方面求网络权值,应用遗传算法求解网络权值。将神经网络与遗传算法有机的结合,完成对非线性问题的求解。     

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.     

基于均匀设计的遗传算法参数设定

在应用遗传算法进行优化计算时,各操作参数既有各自的功能又相互作用,彼此关系较为复杂,而各参数设定的好坏直接影响算法的性能,所以,各参数的设定是应用遗传算法进行寻优计算的重要问题·通过对遗传算法各操作参数作用与意义的分析,认为可以将遗传算法的参数设定描述为一个多因素多水平优化设计问题·为使遗传算法在应用中发挥最佳的寻优性能,同时考虑到参数设定方法的可行性,提出应用解决多因素多水平优化设计问题的均匀设计方法设定遗传算法的操作参数,实例应用仿真结果验证了这种方法的可行性、有效性·     

基于改进遗传算法的机器人路径规划

路径规划是移动机器人领域中的重要问题之一。传统遗传算法在寻找最短路径时容易陷入局部最优,为了缩短机器人运动路径长度和提高避障性能,本文提出一种免疫克隆自适应遗传算法,该算法结合了免疫克隆算子、自适应算子从而提高解的质量,设计栅格模型,给出适应度函数用于计算机器人路径长度,并针对复杂的二维路径编码问题,设计一维路径编码方式。在仿真实验中针对不同障碍物数量对免疫克隆自适应遗传算法和粒子群算法、模拟退火算法进行对比,结果显示:当障碍物数量提高至20时,免疫克隆自适应遗传算法优化过的路径长度与粒子群算法与模拟退火算法相比分别降低了5.99%和11.04%。因此,本文提出的免疫克隆自适应遗传算法可减少路径寻优时间,有效提升机器人路径规划的效率。     

一种改进的遗传算法在测试用例中的应用研究

测试用例的自动生成是软件测试的重要环节,其关键问题是路径搜索问题,遗传算法作为一种高效的搜索寻优算法被广泛应用到测试用倒中。该文提出一种改进的遗传算法,对选择算子和交叉算子进行改进,把传统遗传算法和最优保存策略相结合,提高遗传算法的局部搜索能力。研究表明,该算法比传统遗传算法在生成测试用例的效率方面更具优势。     

改进遗传算法求解VRP问题

用遗传算法(GA)求解车辆路径问题,但总体上他们所得解的质量都不高,这是由GA本身局部搜索能力不强所致,针对GA这一缺陷,该文对标准遗传算法改进,用于求解VRP问题,并通过实验计算证明了该算法具有良好的寻优性能.     

基于混合算法的最短路径优化算法

为了解决无向网络的最短路径优化问题,本文采用的是遗传算法和模拟退火算法相结合的思想,阻止早熟现象的发生,保证种群的多样性,防止陷入局部寻优情况的出现,并且定义了无向网络中的结点结构.仿真比较实验说明,混合算法不仅比单一遗传算法运算时间缩短,而且可以找到最短路径,证实了该算法的可行性.     

基于小生境遗传算法在多目标规划中的应用

遗传算法作为一种通用,高效的优化算法,已应用到工程计算的各个领域。本文系统地介绍了遗传算法在多目标规划中的应用,借助遗传算法及其工具箱验证其全局寻优能力,并将计算结果与局部搜索法和模拟退火算法得出的结果进行比较,比较结果表明:遗传算法在处理多目标规划问题方面具有更佳的寻优能力。     

二进制粒子群优化算法在车辆路径问题中的应用

车辆路径优化问题是一类实用价值很高的NP组合问题,针对传统启发式优化算法搜索速度慢、易陷入局部最优解的缺点,提出了一种新的基于二进制的粒子群优化算法,并将该算法应用于车辆路径优化问题,建立了相应的数学模型和求解算法.将该算法通过与遗传算法、混合蚁群算法和标准粒子群算法进行比较,证明了其搜索速度和寻优能力的优越性.     

基于捕食搜索策略混合遗传算法的车辆路径问题研究

在分析研究车辆路径问题的基础上,将其转换为经典TSP优化问题进行求解并建立数学模型,针对遗传算法在求解车辆路径问题时搜索效率低,容易陷入局部最优的缺点,提出了一种改进的遗传算法.改进算法引用自适应邻域法进行种群初始化;基于捕食搜索策略动态自适应调整遗传参数,在加快寻优速度的同时防止陷入局部最优;交叉前后的种群分别实施精英个体保留策略,交叉变异之后引进进化逆转操作,继承父代较优和较多的信息.实验结果表明:改进遗传算法搜索效率高、计算结果较为稳定;求解车辆路径最优问题较其它算法具有较好的性能.     

基于改进遗传算法的神经网络优化

针对在神经网络应用中,存在结构设计及权值训练算法的不足,提出一种新的基于混合编码方案的遗传算法.在算法中设计了用遗传算法全局优化神经网络拓扑结构和网络权值的新的编码方案,改进了适应度函数的设计和采用自适应的交叉和变异方法.试验结果表明本算法能有效地对神经网络的权值和结构同时优化,提高了训练效率.     

遗传神经网络法及其在机器人误差补偿中的应用

针对某打磨机器人的位姿误差分析,提出一种采用二进制和实数值混合编码的遗传BP网络法,同时优化网络结构和权值矢量;网络结构采用二进制编码保留了粒度编码方法的优点,对连接权值系数的实数编码进行Solis&Wets运算使新的遗传算法具有进化规划和进化策略的优点;结合遗传算子和Solis&Wets算子生成后代的方法以及最佳个体保留策略使得遗传搜索空间的群体多样性更好,加快了遗传算法的收敛速度;采用动态参数编码方法替代Vittorio粒度编码方法,既提高了连接权系数的优化精度,又避免了Vittorio粒度变化所引起的适应度的剧烈不连续变化.仿真和实验结果均表明该算法能有效克服遗传算法的非成熟收敛,提高机...     

免疫遗传算法在BP神经网络中的应用

提出了一种基于免疫遗传算法(IGA)的BP神经网络设计方法.该算法在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能.为了解决BP神经网络权值随机初始化带来的问题,用多样性模拟退火算法(SAND)进行神经网络权值初始化,并给出了算法详细的设计步骤.仿真结果表明,同混合遗传算法相比,该算法设计的BP神经网络具有较快的收敛速度和较强的全局收敛性能.     

基于改进DPSO算法的航空发动机失谐叶片排序

通过叶片模态实验获得叶片失谐参数,建立了叶盘系统动力学模型,提出了一种新的排序方式.在标准粒子群算法中引入遗传算法的交叉算子和变异算子以及遗传选择的思想,利用罚函数法兼顾错频与减振的应用需求,保留了粒子群算法收敛较快的优秀特性,改善了粒子群的全局寻优能力,并得到比其他优化算法精度更高的排序结果.结果表明,恰当的叶片排布顺序可有效降低叶盘系统振动局部化,采用提出的离散遗传粒子群算法进行叶片排布可使叶盘系统振动幅度较小或者在可接受范围内.     

基于自适应遗传算法的无人机轨迹优化

针对目前无人机爬升轨迹优化算法存在的收敛速度慢、容易陷入局部最优解等问题,提出了一种基于自适应遗传算法的爬升轨迹优化方法。首先,结合无人机爬升阶段的运动方程和性能指标给出爬升段轨迹的优化模型。其次,为提高染色体的多样性和算法的收敛速度,对自适应遗传算法做了相应改进,使其更适合用于爬升轨迹的优化。最后,根据无人机爬升段轨迹特点,给出具体优化步骤,并对某型无人机爬升段轨迹做了优化仿真验证,结果表明所提出的方法能够在一定程度上节省运营成本。     

免疫遗传算法在变频调速泵站中的应用

针对高速线材厂冷却水循环系统中调速泵站能耗高、效率低的问题,对调速水泵的性能进行了研究,建立了基于免疫遗传算法、变频调速技术以能耗为最小目标的优化运行数学模型,对不等式约束条件进行了简化。在求解数学模型的过程中,免疫遗传算法中融入了一种新的处理约束条件的方法。避免了处理约束条件时遇到的困难和遗传算法易早熟、易收敛等缺陷,使得处理约束问题简单化,并提高了收敛速度。最后通过仿真实验验证了此算法对于解决水循环系统中多台变频调速水泵并联优化运行问题的有效性。     

多目标柔性作业车间调度的多交叉策略元胞进化算法*

针对经典Job-shop调度问题的局限性,构建了以加工成本、瓶颈机器负荷、机器总负荷及制造工期为目标函数的柔性作业车间调度多目标优化模型,提出了基于多交叉策略的元胞多目标遗传算法。在分析优化模型的基础上,使用双层编码方式,并采用多个交叉算子协同进化,提出一种多交叉策略的进化算子。针对元胞多目标遗传算法的特点,提出一种改进的精英策略,保证更多的精英个体参与进化,从而提升算法收敛速度。通过2个基准实例求解对比分析,表明所提方法的有效性。将新算法应用于实际生产企业的车间调度问题中,得到了一组Pareto解集,并采用层次分析法得到一种满意度最大的方案。数据结果表明,该算法在解决多目标FJSP的工程有效性。     

粒子群优化算法在多参数拟合中的应用

提出一种新的自适应粒子群优化算法,以解决梯度法为基础的算法在进行多参数拟合时因各参数之间相关性较高而带来的拟合上的问题．该粒子群优化算法采用自适应变异和动态自适应调整搜索范围、惯性权重相结合的改进策略,数值模拟了将该算法应用于测量薄膜热物性时的多参数拟合,结果表明该算法是可行和有效的．     

多个体参与交叉的遗传算法

提出了多个体参与交叉的遗传算法,即采取新的交叉算子使子代个体同时含有多个父代个体的模式．突破了以前遗传算法只有两个个体参与交叉的局限,通过调整参与交叉的父代个体数目和交叉后产生的后代个体数目,实际上提出了遗传算法调试中的两个新参数．通过调整新参数,使得遗传算法可能有更高的计算效率．证明了多个体参与交叉的遗传算法的模式定理．将方差与熵作为描述遗传算法解群多样性的工具．分析了多个体参与交叉的遗传算法对解群方差及熵的影响．通过一个算例验证了多个体参与交叉的遗传算法具有较高的计算效率     

动态环境中基于遗传算法的机器人路径规划

为解决动态环境中足球机器人的路径规划问题,采用栅格法对机器人工作空间进行划分,用序号标识栅格,并以此序号作为机器人路径规划参数编码,建立了以路径最短、避障为优化目标的遗传算法个体评价函数.采用轮盘赌选择、重合点交叉、多种变异结合等方法完成了遗传操作.针对遗传算法易陷入局部最优的不足,在标准遗传算法基础上加入了复原操作和重构操作,使改进后的遗传算法收敛于全局最优.仿真结果表明:该算法能够成功地在动态环境里规划出一条近似最优的路径,算法是有效的