最优模糊神经网络参数的设计--混沌模拟退火学习法

提出了一种新型优化算法———混沌模拟退火学习法,将混沌算法和模拟退火算法相结合学习模糊神经网络的结构和参数。首先将混沌变量引入模糊神经网络参数的优化搜索中,利用混沌变量的遍历性寻优,根据性能指标寻找较优的模糊神经网络控制器,然后在混沌优化确定的网络基础上,把经混沌搜索后得到的全局次优解作为模拟退火学习算法的初始值,再用模拟退火方法进一步学习网络的隶属函数和权值参数,找到一个全局最优的网络。仿真结果表明:混沌模拟退火学习法优于传统优化方法,其控制结果具有精度高、超调小和响应快的优点,为解决模糊神经网络控制器参数全局最优设计提供了一种切实有效的方法。     

模拟退火神经网络模型在地下水质评价中应用

采用模拟退火算法与神经网络相结合的方法建立了地下水水质评价的SA-BP神经网络模型,并对阜新新邱露天煤矿地下水水质进行了评价.结果表明,模拟退火算法具有快速学习网络权重和全局搜索的超强能力,有效地解决了BP算法的局部收敛的问题.应用此方法评价地下水水质简便可靠,预测精度高,具有通用性和客观性等优点.     

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.     

路网联网收费位置与费率组合优化模型与算法

对经济欠发达、交通流量小的地区公路网联网收费现状的调查表明,如果对所有可收费的路段都实施收费,可能出现某些收费路段经营处于亏损状况。因此,在决策路网最优收费费率的同时,还需对路网最佳收费位置进行选择。研究如何利用双层规划模型来测算公路网联网收费位置与费率组合优化的问题具有现实意义,上层以路网用户盈余最大化为目标,下层是弹性需求下的多车型随机用户均衡配流模型,双层模型很好地兼顾了相关各方的利益。基于模型求解的复杂性和困难性,文中采用遗传-模拟退火的求解算法,算例表明用多车型的双层规划模型测算收费位置与费率的组合优化是合理有效的。     

基于神经网络的桁架结构优化设计

阐述了基于神经网络的结构优化设计原理 ,提出了基于神经网络的结构优化设计的模拟退火算法 ,为了提高模拟退火算法的收敛速度 ,提出了改进的惩罚算子计算公式·用两个桁架结构的优化设计算例验证了所提方法的有效性与准确性·研究结果表明 ,该方法较之其他优化方法更准确 ,更有效·     

用神经网络新方法求解图的最大独立集问题

在Ｈｏｐｆｉｅｌｄ神经网络优化方法的基础上,根据模拟退炎算法逃离局部最优解的原理,提出了一种神经网络计算的新方法,并用这种方法求解图的最大独立集问题。结果表明,该方法获得最优解比Ｈｏｐｆｉｅｌｄ神经网络优化算法获得的解要好,且所需时间比模拟退火算法少得多。     

基于遗传算法和模拟退火算法优化神经网络的铁路营业里程预测

提出应用遗传算法(GA)和模拟退火(SA)优化神经网络预测铁路营业里程.采用3层前馈神经网络实现铁路营业里程的时间序列预测,输入节点数为5,隐层节点数为8,输出节点数为1.对神经网络的连接权重和节点阈值的确定,采用GA和SA算法相结合的混合优化学习策略.两种算法结合时,SA算法处于外层,GA处于内层.GA采用实数编码,把要确定的神经网络节点连接权重和节点阈值作为基因串.数值计算结果表明混合优化的神经网络的学习速度和精度都比单纯BP算法得出的结果好.因此,用GA-SA混合优化的神经网络预测铁路营业里程是可行的.     

改进的遗传局部搜索算法在漏磁逆问题中的应用研究

通过将模拟退火技术加到遗传局部搜索算法(GLSA)的扰动过程中,提出一种改进的遗传局部搜索算法(IGLSA)及基于IGLSA的逆算法,用于从漏磁信号中重构二维缺陷.该算法中,径向基函数神经网络(RBFNN)用作前向模型,IGLSA用于求解逆问题中的优化问题.实验将该逆算法分别与基于规范遗传算法(CGA)的逆算法和基于GLSA的逆算法进行了比较,结果表明基于IGLSA的逆算法更精确,并且对噪声具有鲁棒性.     

基于神经网络正向模型和遗传算法的涡流检测自然裂纹形状重构

提出了一种基于神经网络正向模型与遗传优化算法从疲劳裂纹涡流检测(eddy current testing, ECT)信号重构裂纹形状的方法.人工制作了疲劳裂纹试样,利用一种小波分析方法对采集的疲劳裂纹ECT信号进行了去噪预处理并提取了信号特征.随后通过破坏性检测方法获得了裂纹的真实形状.在建立疲劳裂纹参数化模型基础上,利用经过处理的裂纹ECT信号和裂纹形状参数样本库对径向基函数(Radial Basis Function, RBF)神经网络进行训练.遗传算法首先创建大量表示裂纹形状参数个体的初始种群,输入经过训练的神经网络,得到对应的ECT预测信号,然后运用遗传策略进行迭代反演优化,搜索裂纹形状最优解.重构结果表明该方法具有快速、精确的优点.