基于BPNN/NSGA-Ⅱ的居住建筑节能改造多目标优化

为进一步推进居住建筑节能改造的发展，提出一种基于耦合BP神经网络和非支配排序遗传算法（NSGA-Ⅱ）的多阶段多目标优化框架，以提高节能效益并使经济效益最大化，并将该方法应用于西安某高层住宅能耗与经济性优化研究之中.在优化过程中利用BP神经网络预测建筑性能，将其作为响应面近似模型集成到多目标优化过程中能减少总仿真时间.同时分析算法参数对帕累托优化结果的影响，得到了可持续、成本最优、低投资的节能改造方案，为寒冷地区居住建筑节能改造多目标优化研究提供了一定的理论参考.     

多模块构架式空间可展开天线结构参数优化

为降低卫星天线的发射成本,提高天线的展开刚度,以多模块构架式空间可展开天线结构的质量和1阶固有频率为目标函数,基于误差反向传播（BP）神经网络和遗传算法对天线的结构参数进行了优化.运用ANSYS软件对支撑桁架的结构参数进行了数值模拟,得到了与设计变量对应的目标函数值;通过正交试验设计,构建了用于神经网络训练和检验的样本集;按照BP算法的基本思想,调整网络模型的参数,建立了用于优化的预测模型;采用分目标乘除法,将多目标优化问题转变成单目标优化问题;采用遗传算法进行了优化分析,得到了支撑桁架各杆件的设计参数.结果表明：该优化方法在降低天线质量的同时,使结构的刚度得到了提高,为天线的结构设计提供了参考.     

基于HyperStudy货车车架稳健优化设计

本文以某货车车架为研究对象,建立合理的有限元模型,并对设计变量参数化;选择合适的试验设计方法,确定合理的样本点;采用多目标遗传算法对近似模型进行优化求解,得到Pareto最优解集;并用蒙特卡洛模拟技术对Pareto解的鲁棒性进行评价。在减轻了车架重量的同时又有效保证了车架品质的稳健性。     

基于粒子群和布谷鸟搜索的BP神经网络优化方法研究

针对BP神经网络初始化敏感性高、易陷入局部最小值的问题,研究基于粒子群优化和布谷鸟搜索融合的BP神经网络优化方法,提出一种分层的融合优化模型MB-PSO-CS-BP。该方法在下层使用Mini-Batch算法将粒子群分割为小种群,利用粒子群优化算法进行局部搜索;在此基础上采用布谷鸟搜索算法进行全局搜索,从而减小BP神经网络初始化的敏感性,减缓其陷入局部最优的症状。在实际应用领域的数据集上对所提出算法进行实验验证。相较于一般的PSO-BP模型与CS-BP模型,所提出的MB-PSO-CS-BP融合模型在全局最优值、均方误差等多个评估指标上有所改进,进一步提升了利用BP神经网络进行预测的准确性与稳定性。     

知识驱动的SSVEP刺激界面序贯式实验方案优化

为解决传统实验设计方法中稳态视觉诱发电位(SSVEP)刺激界面优化设计时存在实验次数多、成本高、周期长的问题,提出一种知识驱动的SSVEP刺激界面序贯式实验方案优化方法.以SSVEP刺激界面参数为设计变量,SSVEP响应性能作为优化目标.利用概率模型表征刺激界面参数的先验知识,通过概率积分变换翘曲实验样本空间,缩小最优值存在概率低的区域,并扩大最优值存在概率高的区域.采用预期改进采集函数进行迭代优化,以较少的实验次数获得最优的刺激界面.实验结果表明:所提优化方法在保障找到最优刺激参数的前提下,与拉丁超立方和正交设计方法相比,实验次数分别减少了约53%和44%.     

一种高精度的概率积分法参数预计方法

为使概率积分法参数预计具备更高的精度,在充分分析概率积分法参数与地质采矿条件间关系的前提下,整合遗传算法和BP神经网络的功能特性构建了一种新的网络模型,即NA(new approach)模型。该模型利用遗传算法的寻优能力获得网络最优输入自变量组合,并优化模型的权值和阈值。以中国45个典型的地表移动观测站数据作为训练和测试集,分别建立NA、BP网络和SVM模型,并将模型预测结果与实测数据做了对比分析。结果表明:对不同的概率积分法参数预计时,NA模型的预测精度都优于BP网络和SVM模型;且误差波动范围小、稳定性高。随预计参数的不同,BP网络和SVM模型预测精度各占优势,但两者预测效果相差甚微。     

基于已有矿区工程实例对同一矿区不同工作帮边坡稳定性的分析

基于BP神经网络分析方法,选取合理的边坡物理参数、力学参数和几何参数,建立露天矿边坡稳定性分析模型.按照不同的分析目的与要求,分别建立了BP神经网络可行性模型、滑坡面预测模型和治理滑坡面模型;选取分析样本,进行网络结构及学习参数的优化;选取最优的学习样本进行学习训练,据学习结果,利用勘测数据对目标进行预测,其预测结果能够满足精度要求.为了进一步证明其可行性引入模糊的方法,通过信息扩散化原理进行二次数值计算,所得计算结果与之前预测结果吻合.     

基于改进蚁群算法优化参数的LSSVM短期负荷预测

提出一种自动优选最小二乘支持向量机(LSSVM)模型参数的改进蚁群(MACO)算法.该算法将LSSVM模型的参数作为蚂蚁的位置向量,然后采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,同时在最优蚂蚁邻域内进行小步长局部搜索,找到模型的最优参数,得到基于MACO算法优化的LSSVM(MACO-LSSVM)预测模型.将优化后的LSSVM模型应用于短期电力负荷预测问题,选择湖南某地区日期为2009-08-01至2009-08-30各小时点的数据进行分析,对2009-08-31该日24 h的负荷进行预测,并与BP神经网络和SVM模型进行比较.研究结果表明:本文方法得到的均方根相对误差为1.71％,比用BP神经网络和SVM模型得到的均方根相对误差分别低1.61％和1.05％.     

模块建筑参数化平面优化及智能化结构设计方法

以五层钢结构模块建筑住宅为例,探索钢结构模块建筑参数化平面多目标优化和结构智能化设计的完整链条.提出一种钢结构模块建筑参数化平面建模和设计方法;依托Rhinoceros&Grasshopper建模平台,编写Python脚本语言实现智能化结构设计;最后结合Ladybug&Honeybee建筑能耗性能模拟插件和Karamba有限元结构设计插件以及Octopus数据处理平台,基于建筑总能耗和结构用钢量2个目标分别对建筑平面不同房间长宽尺寸和结构构件尺寸进行设计和优化,生成满足结构承载力要求的Pareto最优解集,得出各参数变量与目标函数的相关性系数.     

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。