BP神经网络改进遗传算法在桁架结构优化设计中的应用

遗传算法直接应用于结构优化设计时,需要对每代进化种群的全部个体进行结构有限元分析,这将耗费大量的计算时长.文章针对这一问题,首先采集若干组进行结构有限元分析的数据样本,并代入BP神经网络进行网络训练和仿真,然后在运用优化算法进行优化迭代运算时,回避大量个体的有限元重分析过程,而代之以BP神经网络的预测结果,从而大量节省了计算时间.17杆平面桁架结构和42杆空间结构的算例表明,采用本文方法的计算耗时分别比原始的遗传算法节省80.39%和83.21%,且优化迭代过程能够稳定收敛,从而验证了本文方法的有效性.     

一种融入小生境技术的遗传禁忌算法

针对遗传算法在全局优化问题中容易出现早熟和收敛速度慢,禁忌搜索强烈依赖于初始解等问题,根据遗传算法和禁忌搜索算法自身的特点,分析两者的优势和不足,提出了一种融入小生境技术的遗传禁忌算法.该算法采用融入了小生境技术的遗传算法作全局搜索,用禁忌搜索算法作局部搜索,可以加快收敛速度,同时可以抑制早熟现象,避免过早收敛到局部最优.分析和实验结果表明,该算法能很好地抑制早熟收敛,同时在计算速度和计算结果方面都有改进,是一种快速有效的优化算法.     

改进的遗传算法在型钢桁架结构拟满应力优化设计中的应用研究

将遗传算法应用于型钢桁架的拟满应力优化设计中,为改进传统遗传算法优化计算过程中结构重分析次数太多、搜索效率不高的缺点,运用并列选择技术对传统的遗传算法进行了改进.把型钢桁架的满应力优化设计看作是一个多目标优化问题,同时把离散变量的满应力优化设计与改进的遗传算法相结合,充分考虑受压杆件的稳定性,建立以各杆应力比最大为优化目标的适应值函数,根据工程实际充分考虑规范规定的约束条件和各项技术标准要求,建立了型钢桁架结构的优化模型,大大提高了优化运算效率.算例结果表明,改进的遗传算法收敛快、精度高,应用于离散变量结构优化设计是有效的.     

双链式智能体遗传算法用于数值优化的研究

针对传统智能体遗传算法全局优化计算精度不够高、时间较长的不足,提出了一种改进的双链式智能体结构,并基于此设计了一种新的智能体遗传算法--双链武智能体遗传算法.该算法采用了多子群并行搜索的模式,闭合链式智能体结构和循环链武智能体结构,可实现多机并行优化,具有优化时间短、优化精度高的特点.为了验证本文算法的优越性,采用国际标准的测试函数对该算法性能进行测试,并与智能体遗传算法(MAGA)相比较.实验结果表明,该算法在全局优化精度、优化收敛速度方面均优于MAGA.     

基于遗传神经网络的插铣铣削力建模与分析

本文首先对插铣铣削力进行了理论分析,并基于正交试验方法对铣削力进行了测量试验,然后利用遗传算法对BP神经网络的权值和阈值进行优化,建立了预测铣削力的遗传神经网络模型,最后将经过遗传算法优化的BP网络与未优化的进行对比分析.结果表明,经遗传算法优化后BP网络模型预测误差明显减小,网络的计算精度和收敛速度有了显著提高.     

模拟退火算法在钢桁架优化设计中的应用

将模拟退火算法应用于桁架结构离散变量优化问题,提出新的用于离散变量的退火邻域结构,进行了三杆和十杆桁架结构模拟退火算法优化计算,并与遗传算法和传统优化设计方法的优化结果进行了比较.结果表明模拟退火算法对桁架结构离散变量的优化问题更加有效,且新的邻域结构加快了算法的收敛速度,提高了算法的稳定性和有效性.     

引入适应值曲面结构的小生境遗传算法初探

遗传算法是一种有效的全局优化算法 ,但存在收敛速度慢和早熟收敛的缺陷。本文提出了具有适应值曲面结构自学习能力的多区域并行局部搜索算子PLS和受控交叉算子GC ,定性地分析了它们的作用机制。引入适应性PLS和GC的改进遗传算法在不增加计算开销的前提下 ,其全局收敛速度和可靠性显著地优于标准遗传算法 ,并具有良好的鲁棒性和稳定性     

BP遗传算法在结构形状优化设计中的应用

利用遗传算法(GA)对桁架结构分别进行杆件截面和节点坐标的优化设计,利用BP网络的高度非线性映射能力来得到遗传算法的适应度函数值,替代优化中重复采用有限元分析的方法,降低计算花费时间,提高了算法收敛速度.通过25杆输电塔架算例的优化设计,验证了此方法的实际应用是可行的.     

一种改进的遗传算法及其在结构优化设计中的应用

通过对遗传算法的二进制编码和实数编码的机理分析,结合2种编码的优点,从工程结构优化实际问题出发,提出了一种可以任意控制离散度的改进实数编码遗传算法.该算法利用实际工程结构问题中对尺寸设计变量精度要求的放松,在编码过程中加上"隐约束",缩小了搜索空间,减少了结构重分析次数,提高了收敛速度.该算法的优点是可以根据实际问题的需要任意选择变量的精度.实例计算表明,该算法对复杂结构的优化设计是有效的.     

微分进化算法在暴雨强度公式参数优化中的应用

用微分进化算法对暴雨强度公式参数进行优化, 并将其计算结果与传统方法、优选法以及加速遗传算法的计算结果作比较, 实例计算结果表明微分进化算法的拟合效果最好;相比于加速遗传算法, 微分进化算法提高了收敛速度, 有效地克服了不成熟收敛, 更容易收敛到全局最优解.     

基于特殊二进制编码的自学习模糊遗传算法

为了提高自适应遗传算法(AGA:Adaptive Genetic Algorithm)的鲁棒性,并使之更有效地求解属于NP难类型的组合优化问题,提出了一种自学习模糊自适应遗传算法.该混合算法利用一个特殊二进编码标准GA在线学习AGA运行特性;通过强化学习方式自动设计和调整模糊知识系统,基于GA的自学习模糊技术可以获取AGA所需的优化模糊系统.仿真试验演示了采用所提出自动化方式设计的动态参数AGA系统及其自学习结果.试验结果表明,该算法可以用于解决类似于旅行商问题的组合优化问题.     

基于遗传算法的模糊控制模型参数优化的研究

模糊控制的精度取决于有关参数,如隶属度函数、模糊关系矩阵、传统 确定参数的方法是依靠人工。作者采用遗传算法来优化参数,大大地提高了模糊控制的精度。试验结果表明,先验知识和遗传算法的结合可以得到很好的控制效果。     

一种基于GA的模糊神经网络控制器设计及应用

结合模糊控制、神经网络、遗传算法三种方法的优点 ,提出了一种基于遗传算法的模糊神经网络控制器 ,并分析了其网络结构和离线学习的方法 遗传算法基于全局优化策略 ,避免了反向传播学习算法易陷入局部最优的缺陷 仿真实验和在汽车防抱死制动系统中的应用表明这种控制方案是有效的 ,可行的     

基于遗传算法的模糊神经网络控制器在虚拟仪器中的实现

模糊控制技术在复杂的非线性控制过程中表现出优越的性能，神经模糊控制器的出现为自适应模糊控制设计开辟了新的途径。遗传算法由于具有不依赖于问题模型、全局最优、隐含并行性、高效率和解决不同非线性问题的鲁棒性等特点，能很好地用于神经网络的训练。两种方法综合使用，可以大大提高模糊神经推理控制系统的自学习性能和鲁棒性。通过应用Active X技术在Lab VIEW中调用和操作MATLAB的方法，实现了基于遗传算法的模糊神经网络控制器。     

Genetic-fuzzy HEV control strategy based on driving cycle recognition

A genetic-fuzzy HEV control strategy based on driving cycle recognition (DCR) was built. Six driving cycles were selected to represent different traffic conditions e.g. freeway, urban, suburb. A neural algorithm was used for traffic condition recognition based on ten parameters of each driving cycle. The DCR was utilized for optimization of the HEV control parameters using a genetic-fuzzy approach. A fuzzy logic controller (FLC) was designed to be intelligent to manage the engine to work in the vicinity of its optimal condition. The fuzzy membership function parameters were optimized using the genetic algorithm (GA) for each driving cycle. The result is that the DCR_fuzzy controller can reduce the fuel consumption by 1.9%, higher than only CYC_HWFET optimized fuzzy (0.2%) or CYC_WVUSUB optimized fuzzy (0.7%). The DCR_fuzzy method can get the better result than only optimizing one cycle on the complex real traffic conditions.     

A fuzzy rule based genetic algorithm and its application in FMS

Most of the FMS (flexible manufacturing systems) problems belong to NP-hard (non-polynomial hard) problems. The facility layout problem and job-shop schedule problem are such examples. GA (genetic algorithm) is applied to get an optimal solution. However, traditional GAs are usually of low efficiency because of their early convergence. In order to overcome the shortcoming of the GA a fuzzy rule based GA is proposed, in which a fuzzy logical controller is introduced to adjust the value of crossover probability, mutation probability and crossover length. The HGA (hybrid genetic algorithm), which is integrated with a fuzzy logic controller, can avoid premature convergence, and improve the efficiency greatly. Finally, simulation results of the facility layout problem and job-shop schedule problem are given. The results show that the new genetic algorithm integrated with fuzzy logic controller is excellent in searching efficiency.     

免疫进化模糊聚类算法在边缘检测中的应用

针对图像处理中的模糊边缘检测问题,提出一种免疫进化模糊聚类算法.该算法在传统遗传算法全局随机搜索的基础上,借鉴了生物免疫机制中抗体的多样性保持策略,改善了遗传算法的群体多样性,具有更好的全局搜索能力.实验结果表明,该算法不仅具有很强的模糊边缘和微细边缘检测能力,而且可以减弱基于遗传算法的模糊聚类算法在遗传后期的波动现象.     

轮式机器人遗传模糊神经网络转向控制

针对数学模型复杂的轮式机器人的转向控制问题，使用基于遗传算法的模糊神经网络转向控制方法．首先建立车辆的神经网络模型，然后构造模糊神经网络控制器，再用遗传算法寻找模糊神经网络控制器的参数，最后提高控制器对速度变化的适应性．仿真表明，该方法可以对机器人的转向进行有效控制，效果良好，能适应各种不同速度变化，是一种有实用意义的控制方法．     

遗传算法模糊PID控制在跳汰机排料系统中的应用

介绍了模糊控制与遗传算法的特点,分析了它们之间相互结合的可能性,提出了基于遗传算法的模糊PID控制算法.指出了目前跳汰机排料系统的缺点,设计了基于遗传算法模糊PID控制的排料系统,并对其应用进行了分析研究.结果表明,基于遗传算法模糊PID控制系统比模糊PID控制系统超调小,系统稳定性高,控制效果好.     

混合变量多目标优化设计的Pareto遗传算法实现

提出了一种用Ｐａｒｅｔｏ遗传算法来实施的带约束的多目标混合变量的优化方法。得到Ｐａｒｅｔｏ最优解集,决策者从中可选出满足设计需要的解。该算法包括６个基本算子：选择、变异、交叉、离散变量圆整算子、小生境、Ｐａｒｅｔｏ集合过滤器。建立了用于多目标优化的适应度函数,使用模糊罚函数法法将带约束的多目标优化问题转换为无约束优化问题,同时提出了处理混合变量多目标优化问题中离散变量的方法。最后用算例说明了该方法