基于遗传算法的神经网络优化

神经网络和以遗传算法为代表的进化算法都是仿效生物处理模式来获得智能信息处理功能的理论,其中,神经网络已被广泛应用于智能控制系统优化,信号及信息处理,模式识等领域,而遗传算法则是模拟生物的进化现象（处然淘汰,交叉,变异等）,不表现复杂现象的一种概率搜索方法,以达到快速有效地解决各种困难问题。但神经网络和遗传算法目标相近而方法各异,因此,将这两种方法相互结合,必能达到取长补短的作用,近年来,在这方面已经取得了不少研究成果,形成了以遗传算法与神经网络相结合的进化神经网络（ENN）。本文以综述的形式总结了遗优越传算法在神经网络训练中的应用情况。     

基于遗传算法的神经网络结构优化

介绍了遗传算法的基本原理,然后利用遗传算法优化神经网络结构,形成以遗传算法与神经网络相结合的进化神经网络.经验证可知,该算法具有一定的可行性与有效性.     

遗传算法和神经网络的结构优化策略

提出了基于遗传算法和神经网络的结构优化方法.在该方法中,将个体繁殖和群体进化局限于可行域空间.利用该方法求解了2个结构优化实例.     

神经网络结合遗传算法优化应用

神经网络特别是BP网络因其函数逼近能力已取得了广泛的应用,遗传算法因其解决优化问题的普遍适用性而在现实生活及科研领域获得了广泛应用。本文提出的优化策略是为解决一些工程优化问题,即用神经网络及遗传算法结合起来解决此类问题。以BP网络的函数逼近能力隐式地得到问题的函数表达式,再用遗传算法优化该网络的输出。     

遗传算法在神经网络权值优化中的应用

讨论了基于遗传算法的神经网络权值优化问题,并通过实验仿真将该算法与BP算法进行比较,从而验证了该算法的可行性与有效性。     

遗传算法在神经网络权值优化中的应用

讨论了基于遗传算法的神经网络权值优化问题.并通过实验仿真将该算法与BP算法进行比校,从而验证了该算法的可行性与有效性.     

基于遗传算法优化的神经网络PID控制器

对于参数可变的时变系统和非线性复杂系统,常规PID控制器不能获得理想的控制效果,针对复杂非线性对象的神经网络PID控制不失为1种有效的控制策略．根据神经网络初始权值的选取影响控制器性能的特点,提出了基于遗传算法优化参数的神经网络PID控制器,实现了基于实数编码的GA参数优化．仿真结果证明了该算法的有效性。     

基于神经网络与遗传算法优化γ-氨基丁酸的发酵条件

本文运用BP(back-propagatfon)神经网络优化红曲霉ZL307产γ-氨基丁酸的固态发酵工艺条件,建立了发酵条件与γ-氨基丁酸产量的关系模型,采用遗传算法对此模型进行全局寻优.神经网络结构为4-11-1的模型能较为精确地拟合输入的样本数据,测试样本的输出值与试验结果的相关系数为0.989.遗传算法优化出的最佳工艺参数为温度31.7℃、初始pH 4.6、初始含水量69.8%,接种量13.2%.在优化条件下,γ-氨基丁酸产量为0.518mg/g,含量比优化前提高了19.6%.     

神经网络与遗传算法在硝酸生产操作参数优化中的应用

讨论了用人工神经网络建立硝酸生产操作参数稳态优化模型的方法,然后在该模型的基础上采用遗传算法优化过程参数,为硝酸生产的优化操作提供了参考.     

基于神经网络的遗传算法优化及其应用

遗传算法是1种模拟自然进化而提出的简单、高效的组合优化算法.研究了磷酸羟胺制备过程中羟胺反应效率的优化问题,该过程由于其反应动力学的固有复杂性而无法建模.表明结合神经网络理论,遗传算法可以有效地解决这一过程的寻优问题.     

一种基于遗传算法的模糊神经网络结构和参数优化

提出一种基于遗传算法的三阶段优化策略。在给定初始参数基础上,利用基于十进制编码的遗传算法实现模糊神经网络的结构优化,用基于二进制编码的遗传算法实现模糊神经网络的参数优化。仿真结果表明上述优化策略是有效的。     

遗传算法优化的神经网络预测团雾

针对国内外研究中现有团雾预测方式中出现的不足,建立了基于遗传算法优化的神经网络预测模型,用以对高速公路团雾的发生进行预测.在利用遗传算法得到BP神经网络的初始权值和阈值基础上,通过神经网络对输入的历史团雾气象数据进行学习训练,建立团雾预测模型.经优化的神经网络模型避免了由于神经网络初始权值、阈值难以确定所造成的网络震荡问题,以及神经网络计算过程中易陷入局部解的问题.实验结果表明,优化后的团雾预测模型具有较高的预测精度,为高速公路团雾的预测提供了新的方法与思路.     

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。     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。     

基于遗传算法优化BP神经网络的TIG焊缝尺寸预测模型

建立了4-12-4结构的误差反向传播(BP)神经网络.以训练样本预测误差作为适应度函数,采用具有全局寻优功能的遗传算法得到最优化的BP神经网络的权值和阀值.以TIG焊接工艺参数电弧长度、保护气流量、焊接电流和焊接速度作为网络输入,焊缝的上余高、下余高、上焊宽和下焊宽作为网络的输出,优化后的BP网络模型具有良好的泛化能力和预测能力.     

用实数编码的遗传算法优化神经网络盲均衡算法

本文提出了实数编码的遗传优化神经网络的盲均衡算法,有效地克服了传统前馈神经网络盲均衡的缺陷,解决了实际应用中存在神经网络的初始权重的确定缺乏理论依据的问题,提高了前馈神经网络盲均衡的均衡性能.     

遗传算法优化神经网络拓扑结构和权值

采用改进的串行遗传算法以各种变尺度搜索解空间,可以改变神经元输入和输出的映射关系,进而改变整个网络的性能,在高维解空间中自动寻找合适的解,并且验证了Simplex的有效性.     

基于改进遗传算法的神经网络优化

针对在神经网络应用中,存在结构设计及权值训练算法的不足,提出一种新的基于混合编码方案的遗传算法.在算法中设计了用遗传算法全局优化神经网络拓扑结构和网络权值的新的编码方案,改进了适应度函数的设计和采用自适应的交叉和变异方法.试验结果表明本算法能有效地对神经网络的权值和结构同时优化,提高了训练效率.     

材料非线性问题的遗传算法与神经网络耦合分析

基于遗传算法的全局最优化功能以及BP网络的非线性映射功能，提出了用于结构非线性分析的遗传算法与神经网络耦合分析方法。该方法是利用遗传算法的全局优化功能搜索BP网络各神经元之间的连接权值。以受内压的厚壁圆筒为数值算例，利用建立的遗传算法与神经网络的耦合分析方法进行弹塑性分析。计算结果表明该方法是有效的，具有较高的计算精度和计算效率。     

遗传算法-神经网络方法的结构损伤识别

应用人工神经网络技术，提取结构的固有频率的变化为特征参数，建立结构损伤识别模型，提出用遗传算法来调整神经网络的权值，并对一个框架模型进行了损伤数值模拟计算，即基于遗传算法一神经网络方法的结构损伤识别的研究。该方法弥补了传统的种经网络BP网络收敛速度慢，易陷入局部极小点等缺陷．结构表明，该方法具有收敛速度快和识别精度高的特点。