松花江流域蓄滞洪区方案优选智能决策研究

针对松花江流域防洪工程重要组成部分的蓄滞洪区，基于陈守煜提出的模糊优选BP神经网络模型，引入了遗传算法，提出融入遗传算法的模糊优选神经网络智能决策模型，对松花江流域蓄滞洪区方案优选进行智能决策．该模型既能合理地构造神经网络的拓扑结构，又可加快网络的收敛速度，并能改善网络的全局寻优能力，是对模糊优选BP神经网络模型的进一步发展，同时更对松花江流域蓄滞洪区的优选提供了理论依据．     

基于生态遗传算法的冲击地压预测模型

针对传统方法预测冲击地压存在的弊端,采用遗传算法设计的模糊神经网络做为预测模型,为避免传统遗传算法"早熟"问题而使用生态遗传算法对该模糊神经网络进行训练,选择Matlab7.01在PC机上实现该网络模型,并比较BP算法、传统遗传算法以及生态遗传算法这三种算法所训练的网络性能.仿真和实验结果显示生态遗传算法使网络具有良好的收敛性能,提高了冲击地压预测的准确性.     

两种基于遗传算法的路面性能综合评价方法

分别采用遗传算法参数估计方法与遗传神经网络方法，并通过对实验数据进行的分析，建立了路面性能综合评价方法，在参数估计方法中，首先建立专家综合评价与道路实测数据之间的回归模型，通过对模型进行遗传算法参数优化，得到了相关度很高的结果。同时，还应用遗传神经建立主观综合评价和客观实测量数据之间的高度非线性关系，避免了BP网络的缺陷，结果表明，该模型具有很好的相关性，两种方法为路面管理系统路况分析，路面养护评价以及路面养护对策的排序提供了重要依据。     

基于AHP_FE与EM的透水性沥青路面混合料配合比方案优选研究

通过对配合比、指标测试以及管理理论的研究,解决了透水性沥青路面混合料配合比方案优选的问题.在广泛调研、专家咨询和问卷调查的基础上,对透水性沥青路面混合料配合比进行深入研究,建立适用于透水性沥青路面混合料配合比优选的评价指标体系,并结合层次分析法、熵权法和模糊评判法提出适用于透水性沥青路面混合料配合比方案优选的方法.成绵高速公路建成通车后,路用性能逐年下降,依托于成绵高速后期维修养护工程,开展透水性沥青路面混合料配合比方案优选研究工作.实践表明,根据该套体系、方法评价得到的结果进行配合比决策,可在保证路面材料使用强度的同时还具备一定的透气透水性,有效降低路面噪声且提高行车舒适性,其理论、思想和方法可供相关设计、研究人员参考.     

沥青路面预养护方法多属性灰色模糊决策

针对传统模糊综合评判方法对定性指标量化较为粗糙、评价过程未考虑系统整体信息的缺陷,本文利用模糊数学对定性指标进行量化,将灰色系统理论引入设计方案的多属性模糊优选,形成基于灰色关联分析的模糊优选模型.该优选模型综合考虑相关因素交叉耦合后的影响,对方案优劣进行整体比较而寻求最优设计方案.以上海某高速公路为例,运用该模型对预...     

基于模糊感知器的路面性能预测方法

利用模糊感知器人工神经元网络尝试建立一个智能型路面性能预测模型，对神经网络原理和模型结构进行了系统的理论分析，给出了详细的算法，并以平整度历年调查资料为数据基础，对该模型进行了实例分析，证明了模型的理论与实际运用的可行性。该方法利用神经网络与模糊方法各自的优点，针对不同性能指标，建立对应的神经网络预测模型，来对今后的指标值进行预测，较好地解决了路面性能预测中的模糊性和不确定性。     

基于加速遗传算法的FAHP在深基坑支护方案优选中的应用

为处理深基坑支护方案优选中评价指标的一致化和无量纲化问题,克服模糊综合评价方法中建立隶属度函数的困难,文章探讨了利用加速遗传算法的模糊层次分析法建立的深基坑支护方案优选模型.结合实例及与其他方法对比表明该模型对模糊优先关系矩阵修正幅度小,所得优度值可信度高, 评价结果离散程度较高,便于决策.     

高速公路沥青路面早期性能评价模型

针对沥青路面早期破坏现象,结合京秦(北京-秦皇岛)高速公路及河北省部分高速公路连续几年路面调查数据,提出了基于预防性养护的评价模型.该模型以路面裂缝、车辙、破损、平整度、抗滑性和结构强度作为评价内容,以路面早期性能指数作为综合评价指标,给出了路面预防性养护单项指标裂缝率指数、车辙深度指数、道路行驶质量指数、路面状况指数(除去裂缝和车辙)、路面抗滑性能指数和路面结构强度指数的预防性养护范围,并确定了各单项指标在综合指标中所占权重.该模型已在京秦高速公路养护工作中进行了验证.结果表明,该模型能较为准确地预测沥青路面的早期性能,当评价指标为75～90分时,应采取路面预防性养护措施.     

高速路入口匝道的模糊神经网络自适应协调控制

为了实现高速公路多路段入口匝道的协调控制,提出了一种基于模糊神经网络的自适应协调控制方法.该方法首先利用模糊规则实现了相邻路段间交通状态的协调,并对匝道排队进行调节,使其不超过最大排队长度.然后,在神经网络权值优化过程中,采用遗传算法对隶属度函数进行优化,避免算法收敛于局部最优解.该方法具有不依赖于系统的精确模型、控制算法能自适应外界变化、可实现多路段间协调控制等优点.仿真结果表明,该方法对3个路段的高速公路入口匝道能够较好地实现自适应协调控制;与经典的ALINEA方法相比,优化速度更快,在抑制交通密度波动和排队长度增长方面效果更好,对道路容量的利用也更加充分.     

基于神经网络技术的路面性能预估模型

根据神经网络技术对处理模糊或随机问题有较好适应性的特点,本文开发了基于神经网络技术的路面性能预估模型,该模型建模简单、使用方便,而且能较好地反映实际路面性能的变化规律。     

基于Chebyshev神经网络的非线性动态系统预测

针对非线性动态系统的预测常受到噪声或其他过程的耦合影响,使得规律变得难以发现的问题,提出了以一组Chebyshev正交基函数作为神经网络中各隐神经元的激励函数的新型的Chebyshev基函数神经网络预测模型.将该模型作为非线性动态系统预测模型,并采用基于粒子群和模拟退火组成的文化基因算法优化神经网络的权值,可以达到很高的预测精度和很好的预测结果.Chebyshev神经网络与传统的BP(back propagation)神经网络相比,工作量大大减少,加快了收敛性.文化基因算法用于确定权值的Chebyshev神经网络分别与粒子群和模拟退火优化的Chebyshev神经网络相比具有更好的拟合效果.     

基于遗传神经网络的城镇基准地价评估应用——以广西灌阳县为例

提出了一种融合遗传算法与BP神经网络的城镇基准地价评估模型。该模型以正方形网格作为基本评价单元,以遗传算法优化BP神经网络连接权值,以BP神经网络训练样本数据,实现其他网格地价的模拟与预测。结果表明,遗传算法可以有效增强BP神经网络快速学习网络权值能力和克服收敛速度慢、易陷入局部极小值等问题,BP神经网络的网络训练学习与自适应性符合处于动态变化的土地价格发展要求,呈现出广阔的应用前景。     

基于改进粒子群优化-反向传播神经网络算法的小麦储藏品质预测模型

在使用反向传播神经网络(back propagation neural network,BPNN)预测小麦的储藏品质时,由于其易陷入局部极值且收敛速度慢,导致预测误差较大且稳定性较差,由此提出一种改进粒子群(improved particle swarm optimization,IPSO)算法优化的BPNN预测模型.采用非线性函数动态调整粒子群算法中的惯性权重和学习因子,优化BPNN中的权值参数,进而构建IPSO-BPNN预测模型.为验证该模型的准确性和稳定性,将其与BPNN模型、PSO-BPNN模型进行对比,结果表明:IPSO-BPNN模型预测的均方误差显著降低,有助于提高小麦储藏品质预测的准确性和可靠性.     

基于深度学习神经网络和量子遗传算法的柔性作业车间动态调度

针对柔性作业车间动态调度问题构建以平均延期惩罚、能耗、偏差度为目标的动态调度优化模型,提出一种基于深度Q学习神经网络的量子遗传算法。首先搭建基于动态事件扰动和周期性重调度的学习环境,利用深度Q学习神经网络算法,建立环境■行为评价神经网络模型作为优化模型的适应度函数。然后利用改进的量子遗传算法求解动态调度优化模型。该算法设计了基于工序编码和设备编码的多层编码解码方案;制定了基于适应度的动态调整旋转角策略,提高了种群的收敛速度;结合基于Tent映射的混沌搜索算法,以跳出局部最优解。最后通过测试算例验证了环境-行为评价神经网络模型的鲁棒性和对环境的适应性,以及优化算法的有效性。     

量子粒子群优化神经网络集成股市预测模型研究

利用量子粒子群优化神经网络集成个体的网络结构和连接权值,对集成个体进行支持向量机回归集成,建立一个新的量子粒子群优化神经网络集成股市预测模型。新模型能有效提高神经网络集成系统的泛化能力,易操作,稳定性好,预测精度高,具有良好的应用前景。     

GA优化灰色神经网络的煤矿瓦斯浓度预测

针对神经网络在煤矿瓦斯浓度预测中存在缺少大量实时数据和难以精确建模的问题,建立一种遗传算法优化灰色神经网络模型。采用灰色预测少数据模型理论和神经网络的自学习能力构建改进的瓦斯浓度预测模型,并利用遗传算法对该模型的初始权值和阈值进行优化。结果表明,遗传算法优化灰色神经网络模型较传统模型提高了瓦斯浓度的预测精度和速度。该研究为预防瓦斯事故的发生提供了有益参考。     

基于IPSO-BP神经网络的坝基扬压力预测方法研究

针对坝基扬压力预测的传统BP神经网络模型初始权值和阈值随机性强、易陷入局部最优等局限,采用惯性权重动态调整的改进粒子群算法对BP网络的初始权值和阈值进行优化,建立了基于IPSO的BP神经网络坝基扬压力预测模型．通过算例验证算法的优越性及程序的准确性,并以某大坝多年扬压力监测数据进行工程实例应用,结果表明,IPSO—BP扬压力预测模型与传统BP模型相比,拟合相关系数大,统计误差小,预测精度更高．     

基于改进天牛群算法优化的BP神经网络的入侵检测

针对传统BP神经网络的入侵检测中,BP神经网络模型存在容易陷入局部最优、收敛速度慢、初始值随机性较大等缺点,本文提出改进天牛群算法(Beetle Swarm Optimization,BSO)用于优化BP神经网络的权值与阈值,并采用可变的感知因子及导向性的学习策略,以增强算法跳出局部最优的能力,提升算法全局寻优能力。利用天牛群算法群体智能的特点,提高BP神经网络的收敛速度。并将天牛群优化的BP神经网络模型应用于入侵检测,仿真实验结果表明优化后的BP神经网络模型能够显著提高模型的收敛速率和对入侵数据的检测率,降低误报率。     

基于改进粒子群算法的电力系统负荷预测

为了提高电力系统负荷预测的精度,并考虑到电力系统负荷的混沌特性,提出了将蜜蜂进化型粒子群算法和混沌神经网络相结合的负荷预测方法.构建了混沌神经网络模型,提出了蜜蜂进化型PSO算法(Bee Evolution Modifying Particle Swarm Optimization, BEMPSO);以此来训练混沌神经网络参数,并且分别对基本粒子群优化算法和BEMPSO优化算法的模型进行仿真预测.结果表明提出的BEMPSO混沌神经网络负荷预测方法具有较强的泛化能力和较高的精度.     

基于MEA的粗糙集神经网络研究及应用

将思维进化算法、粗糙集和神经网络相结合,提出一种基于MEA的粗糙集神经网络,用于变压器故障诊断。此模型采用思维进化算法全局寻优的特点,搜索粗糙集属性约简离散断点的位置以及神经网络的连接权值和阈值,避免了常规粗糙集属性约简时复杂的手工试凑以及BP神经网络收敛速度慢、精度不高等缺点,有利于更快地收敛于全局最优解,提高系统的诊断速度和准确率。仿真结果表明了方法的有效性。