求解多目标优化问题的改进遗传机器学习方法

将遗传算法与机器学习相结合, 在分类器系统的基础上, 引入增强因子、 排挤因子、 合并因子等改进因子, 完善信度分配机制, 提出了改进的遗传机器学习方法. 并将算法应用于投资的收益与风险双目标优化模型, 数值结果表明, 改进算法能够寻求到数量更多、 分布更广的Pareto最优解, 并且具有较好的稳定性, 避免了非成熟收敛.     

遗传算法在多目标运输问题的应用

运输问题有特殊的数据结构——运输树，应用基于支撑树的遗传算法求解多目标运输问题，介绍了能表示运输问题所有基解的节点编码方法及对节点编码的交配与变异规则，给出了染色体转换成运输树的可行性准则。     

遗传算法在多目标优化问题中的应用策略

遗传算法针对多目标优化问题,在适应度函数的选择、为防止遗传漂移和维持种群多样性等方面采用了相应的策略.在两杆构架优化的实例中,根据关系算子进行Pareto最优性排序,计算个体的适应度;引入分享机制以避免遗传漂移现象,保持种群的多样性;从种群池中独立保持Pareto解,使得最优解成为实际上的满意解.     

多目标优化问题的研究

针对传统方法求解多目标优化问题的局限性,应用一种新的算法求解。遗传算法从问题解的串集开始搜索,覆盖面大,可以同时处理群体中的多个个体,利于全局择优,减少陷入局部最优的风险,而最小生成树具有过程简单清晰、适用性广泛的特点,结合两者的优点,构造了基于生成树的遗传算法。首先通过加权目标规划法求出最优解,然后通过遗传算法和基于生成树的遗传算法求解,结果表明,对于小规模的多目标优化问题,两种算法都可以求出最优解,在求解时间方面,基于生成树的遗传算法比遗传算法更优越。     

基于神经网络的多目标权系数修改算法

多目标权系数赋值是多目标决策的重要环节,它相当程度上决定了多目标决策的合理性、正确性.多目标权系数的赋值过程是权系数的学习调整过程,吴信东[1]提出了一种多目标权系数的学习模型.结合人工神经网络(ANN)的学习功能,对吴信东的多目标定值的一种权系数学习模型一文中的模型做了改进,给出了一种基于人工神经网络理论的权系数修改模型.算例表明了这种模型的正确性和优越性.     

系统可靠性的多目标优化计算

由于多目标优化问题存在多个最优解集合，而传统的方法往往将其转化为各目标之加权和，然后采用单目标优化技术，这种方法存在诸多缺点和脆弱性，作为一种并行算法，遗传算法能很好地解决多目标优化问题，文中在非劣性分层遗传算法的基础上对遗传算子进行改进，首先获得多目标优化问题的非劣解，然后通过对系统进行敏感性分析，有效地缩小了问题的解空间．试验对比发现，算法的速度和精度得到有效提高。     

基于遗传算法的多目标规划的求解

文章用遗传算法求解了一道数学建模竞赛题,并与其它算法进行了比较,体现了遗传算法解决多目标优化问题的优越性．     

多目标优化方法在悬架几何设计上的应用

以多体系统动力学理论为基础, 应用机械系统动力学仿真软件建立某轿车麦弗逊式前悬架模型, 联合多目标/多参数优化软件工具对悬架的结构应用遗传算法进行优化, 得出在工程可行性约束条件下的悬架优化布置方案,来提高悬架性能。最后,利用悬架台架试验对优化结果进行验证,证明了优化方法和结果的正确性。     

基于遗传级联神经网络的化学溶液浓度预测

在化学实验中经常需要对化学溶液各成分的浓度给出比较准确的预测。通过遗传算法来优化级联神经网络,利用神经网络的学习预测能力来预测化学溶液的浓度。首先用小波网络对混合溶液测出的极谱信号进行拟合并提取特征;然后用神经网络对提取的信号特征学习训练到一定程度后,把要预测浓度的化学溶液的极谱信号经小波网络提取的特征输入该网络后,给出预测值。计算结果表明,预测结果基本符合要求。     

遗传算法神经网络的学习方法

提出了利用遗传算法的思想实现人工神经网络学习的方法，并具体讨论了在实现中的若干问题。     

基于免疫遗传算法的递归模糊神经网络

为了解决递归网络的梯度信息不易获取而传统遗传算法训练时间过长、易于早熟的问题,提出了一种用于辨识非线性动态系统的递归高木-关野模糊神经网络(T_RFNN:Takagi-Sugeno Recurrent Fuzzy Neural Network).T_RFNN是在高木-关野模糊模型的基础上加入了反馈层,利用免疫遗传算法对T_RFNN的参数进行训练和调整.该网络具有更少的网络参数、更快的收敛速度和更高的精度等特点,能够很好地完成动态非线性系统的映射.与高木-关野模糊神经网络相比,网络参数减少了45%,网络误差减少了65%,而网络的运行时间提高了近68%.T_RFNN仿真实验的辨识结果也表明,该网络在训练次数明显减少的情况下学习性能得到了显著改善.     

基于遗传神经网络的汇率价格短期预测

该文将遗传算法和人工神经网络相结合,建立了遗传神经网络模型,并且应用到汇率价格的短期预测.结果表明,如果对网络以一组汇率数据加以良好的训练,该模型就有较好的预测能力.     

“基因算法”在人工神经元网络中的应用

在使用著名的ＢＰ算法来训练一个多层毅向神经网络时，首先要确定这个神经元网络的主结构以及网络的各种初始化参数，但拓扑结构和各种参数的确定到目前为止还无确定的规则可寻。本研究将基因算法引入人工神经元网络。通过它来自动确定神经元网络的拓扑结构以及具体参数，并给出了基因算法在神经元网络应用中的具体实现。     

基于遗传算法优化的神经网络电子邮件信息分类器的研究

结合反垃圾邮件技术的研究,分析了电子邮件数字信息预处理中的特征选择法和将机器学习技术应用于数字信息分类器的方法.针对邮件信息特征向量庞大的问题,提出了GA-CHI特征选择法作为信息预处理,将复杂的邮件数字信息转变成易于机器学习处理的形式.基于BP神经网络电子邮件数字信息分类器,采用遗传算法来优化神经网络邮件数字信息分类器,以进一步提高对中文电子邮件的分类效果.通过对系统的实验分析表明:该文采用的方法能有效地实现对电子邮件数字信息的分类.     

基于神经网络和遗传算法的在线优化软件设计与实现

提出了一种基于神经网络和遗传算法的在线优化体系，设计并实现了基于神经网络和遗传算法的在线优化软件包，并将该软件成功应用于甲醇合成的在线操作优化，进而对此类软件的特点进行了讨论，最后对它的应用前景作了展望。     

基于遗传优化神经网络算法的桥梁结构损伤识别

当前越来越多的大型桥梁结构安装了健康监测系统,作为桥梁健康监测系统的核心,结构损伤识别技术成为研究热点.基于人工神经网络和遗传算法的优点,提出了一种新的方法——遗传优化和神经网络混合算法(用遗传算法优化神经网络的初始权重,)实现桥梁结构损伤的位置和程度的识别.与传统的人工神经网络算法相比,该方法克服了其易于陷入局部最优的缺点.对工程实例梁的试验数据进行分析和结构损伤状况识别,结果表明,该算法的可行性和可靠性,可以应用于类似结构损伤的识别与评价.     

遗传算法与神经网络在洪水预报中的应用

采用遗传学习算法对神经网络BP模型的初始权重进行优化,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小。将该方法运用于洪水预报问题,并利用山西省文峪河水库的历史资料条件建立一个网络,以洪水预报的各种控制因素相关资料作为样本,对网络进行训练并用训练好的网络进行预报。网络的训练速度及预报结果表明,该算法收敛速度较快,预测精度很高,为洪水预报提供了一种新思路和新方法。     

一种基于人工神经网络的无线传感器网络定位算法

提出了一种基于人工神经网络(ANN)的无线传感器网络定位方法,RSSI的结果被用来作为人工神经网络的输入,采用遗传算法优化人工神经网络的结构.采用MATLAB进行仿真,模拟20 m×20 m室内静态网络环境下的8个已知位置节点.实验结果表明,该方法比传统方法的定位精度高、适应性强,效果较好.