基于题号二进制编码的遗传组卷算法

文章提出了基于题号二进制编码的遗传组卷算法，解决了传统二进制编码算法中的题目重复抽取问题，并提高了算法的效率。     

神经网络的遗传繁殖策略

借助神经网络技术对遗传算法中的后代个体的繁殖进行了研究,介绍了基于神经网络的遗传繁殖新策略,探讨了基于神经网络的遗传繁殖策略的实现,对基于神经网络的繁殖策略还进行了初步实验.数值实验结果表明,提出的基于神经网络的遗传繁殖策略能产生优良的后代个体.     

遗传神经网络算法改进研究

对传统的遗传算法编码方式进行了改进并与前馈神经网络ＢＰ算法相结合,从而克服了ＢＰ算法收敛速度慢的缺点。算例表明,改进后的算法是有效的。     

基于遗传-神经网络的电机故障诊断

本文采用非线性最小二乘法中的LM(Leven-berg-Marquardt)算法,结合遗传算法进行电机故障诊断的方法,并应用于电机故障的仿真实验,性能明显优于单一的算法结构.1神经网络模型及算法本文采用的LM算法是一种利用标准数值优化技术的快速算法,是高斯-牛顿法的改进形式[1].LM算法网络     

基于二进制差分算法的HWSN目标覆盖研究

本文对三维空间异构传感器网络的概率感知模型进行研究,为解决用最少工作节点覆盖区域内所有目标这一问题,将二进制差分算法融入到目标覆盖算法中．仿真实验表明,在覆盖所有目标前提下,二进制差分算法与遗传算法相比,所需工作传感器个数和迭代次数均有减少,证明了二进制差分算法可以有效解决该问题．与此同时探讨了感知半径,目标密集度和衰减因子等因素对于覆盖问题的影响．     

基于遗传神经网络的股票价格预测

针对股票市场的复杂性,本文将遗传算法用于BP神经网络的训练过程,建立了相应的优化模型,并将其应用于股票价格的预测。采用遗传算法对网络结构和权值进行优化,提高了网络的预测精度。实践表明：该方法预测精度高、误差小,值得推广。     

用遗传神经网络模型预测公司财务困境

利用遗传算法的全局寻优能力。构造了一个预测财务困境的遗传神经网络模型(GANN)，该模型对预测财务困境的神经网络模型的输入变量进行了优化．通过对沪深A股市场部分上市公司财务困境的预测表明，该模型比ANN模型具有更好的预测财务困境的能力。     

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.     

基于遗传神经网络的混合气体识别研究

针对误差反向传播(BP)算法和遗传算法各自的优点和不足,提出了遗传算法优化神经网络技术:利用遗传算法的全局搜索能力,对神经网络连接权进行优化,以遗传算法优化的初值作为BP神经网络的初始权值,再用BP算法训练网络.优化后的BP网络其误差的递减速度和收敛速度都比标准BP网络快,而且对学习速率调整要求更少.将遗传神经网络应用于混合气体定量识别的训练中,得到的最大误差由20.7 %降为12.1 %,平均误差从5.4 %降为3.5 %,识别效果得到了提高.     

改进遗传神经网络在水质评价中的应用

根据地表水环境质量评价标准,选取5项监测指标作为评价因子,在各指标对应级别取值区间内按均匀分布方式随机内插生成训练样本,采用改进自适应交叉和变异算子的遗传算法对BP网络连接权和阈值进行优化,以长江口某河段水质评价为例,阐明了该方法在水质评价中的作用,并与综合指标法进行比较;结果表明:该方法具有较好的客观性和实用性,能有效地对地表水环境质量进行评价,丰富了水质评价的方法体系,为地表水环境管理与决策的提供依据。     

用混合遗传算法实现神经网络快速训练

快速神经网络训练算法的研究是人们所关注的问题之一。经过分析与研究 ,遗传算法是一种全局并行随机搜索优化算法 ,具有很强的全局搜索能力 ,而 BP算法的局部搜索能力较强。文章将两者结合起来 ,形成一种混合遗传算法 ,并就混合遗传算法的原理及其在实现时所涉及到的许多策略问题进行了分析比较 ,仿真结果表明它具有收敛速度快和不会陷入局部极小的特点。     

递阶结构进化神经网络在故障诊断中的应用

主要研究进化神经网络在旋转机械故障诊断中的应用 ,提出了一种基于递阶结构的遗传算法与进化规划相结合的神经网络学习新算法 ,利用该算法可以同时对网络进行结构优化和权重求解。通过旋转机械故障分类应用实例 ,与传统的 BP训练算法作了比较 ,证明基于递阶结构的进化神经网络算法不仅在权重训练方面比传统 BP训练算法更加快速稳定 ,避免陷入局部极小点 ,而且同时对网络结构进行了优化 ,得到了结构更为简捷的旋转机械故障分类网络     

基于遗传算法的模糊优选神经网络路面性能评价模型

针对现有路面性能评价方法的不足,在模糊优选神经网络模型的基础上,引入遗传算法,建立了基于遗传算法的模糊优选神经网络的路面使用性能评价模型.该算法采用遗传算法优化神经网络权值,再用神经网络对遗传算法搜索到的近似最优解进行微调,并将模糊优选模型作为神经网络的激励函数,使模型具有明确的物理意义.应用该模型对沈大高速公路部分路段进行评价,与其他模型的对比分析表明:该方法在评价精度和效率方面取得了良好的效果,是一种实用的高速公路路面性能评价方法.     

高边坡施工期变形预测遗传神经网络模型

基于BP网络存在的不足,将遗传算法引入到BP网络模型中,建立了高边坡施工期相邻层开挖暂停阶段变形预测遗传神经网络模型,对边坡时效变形进行预测,并对预测的结果进行检验,结果表明模型取得较好的预测效果,可供类似工程参考使用.     

基于遗传算法的人工神经网络学习算法

为了克服和改进BP算法的不足，提出了一种基于遗传算法的神经网络学习算法，仿真结果表明，该算法具有无比的优越性，可避免BP算法易于陷入局部极小值，训练速度慢、误差函数必须可导、受网络结构的限制等缺陷。     

基于遗传算法的神经网络学习算法研究

为了克服神经网络结构和参数设计的随机性及依赖于人的经验的缺点,提出了一种改进的基于遗传算法的BP神经网络学习算法。该算法结合了神经网络的快速并行性和遗传算法的全局搜索性,首先利用遗传算法对神经网络结构、初始连接权和阈值以及学习率和动量因子进行全面进化设计,在解空间中定位出较好的搜索空间,然后在进化神经网络中用训练样本再次寻优。通过利用该算法对XOR问题求解,证明了该算法的有效性,其收敛速度和精度均优于基本BP算法和附加动量项的BP算法。     

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。     

BP神经网络和遗传算法用于曲轴填充性能的优化设计

针对曲轴空间分模模具存在的深型腔难填充结构,提出了采用楔形飞边槽结构改善填充性能的方法。基于MATLAB平台,将BP 人工神经网络与遗传算法应用于楔形飞边槽结构参数优化设计。首先利用正交试验设计安排试验样本,对所得的样本进行有限元模拟,获得各方案坯料的最小未填充距离,作为BP神经网络训练的导师信号。再结合遗传算法,以最小未填充距离为目标,得到楔形飞边槽结构的最优参数。最后通过数值模拟验证并比较遗传算法预测结果与数值模拟结果的误差。结果表明,误差在5%以内。将优化参数应用于实际生产,坯料能够完全充满模具型腔     

一种基于免疫遗传神经网络的盲信号分离方法

提出一种基于免疫遗传优化神经网络的盲信号分离算法。该算法用网络的第一层先对观测矢量作预处理，将其降维与白化，再用网络的第二层对信号进行分离：分离层的权矩阵设计成正交矩阵，并采用免疫遗传优化与独立分量分析相结合的算法，对网络分离层的权值进行训练，其中，取高阶统计量峭度的变形作为训练的代价函数。实验表明，该算法对于盲信号分离是有效的。