人工神经网络在高强高韧钢优化研究中的应用

用人工神经网络方法对高合金高强度韧钢的性能优化问题进行了研究，并结合模拟退火算法对Ｂ－Ｐ算法进行了改进，使得网络结构的选取，动量项系数ａ及学习率η的确定更加合理，提高了网络的学习效率，改善了预测精度，研究结果可用于高强度韧钢的成分设计及热处理工艺的优化。     

一种新的加权目标函数下的神经网络训练方法

采用罚函数算法的思想构造一个新的加权目标函数,可以用一个无约束优化过程实现约束条件下的参数寻优·基于此种新的加权目标函数,采用遗传算法训练了神经网络控制器参数·仿真表明,该方法比采用Clarke目标函数及其改进方案使系统具有更好的输出响应性能,更具有工程实用性·     

一种基于模拟退火算法的硬件/软件分解方法

嵌入式系统设计的一个重要环节是硬件/软件分解,通常在系统设计初期解决该问题·硬件/软件分解问题是NP完全问题,无法在有效时间内寻找到满意的分解方案·基于此提出了一个基于模拟退火算法的硬件/软件分解方法,采用了相邻块通讯分解模型以及由单处理器和专用硬件模块构成的目标结构,解决了硬件约束条件下系统执行速度的优化问题·为寻找到性能优良的分解方案,定义了分解优化目标及代价函数,确定了初始温度、终止温度、温度衰减函数等几个控制模拟退火的关键参数,并探讨了模拟退火的停止规则·与贪心算法相比,该方法可以在合理的时间内为嵌入式系统寻找到满意的解决方案·     

TS求解多机成组工件调度

讨论并行多机成组工件的极小化最大通过时间调度问题·它是一个非常复杂的组合优化问题,是NP难题·为了解决此类问题,采用了两种智能优化算法方法·通过大量的仿真实验,将两种方法进行了比较·结果证明:禁忌搜索结合启发式的智能优化算法可靠性高、运算速度快,有能力有效地解决大规模实际问题·     

基于二进制人工蜂群算法的认知无线电决策引擎

为实现认知无线电系统参数的自适应调整功能,提出了一种基于二进制人工蜂群算法的认知无线电决策引擎。将认知无线电决策问题转化为多目标函数优化问题,并采用加权和方法将复杂的多目标函数优化问题归一化为简单的单目标函数优化问题。采用二进制人工蜂群算法对此优化问题进行求解,实现对无线电系统参数的优化调整。最后,通过一种多载波系统对算法性能进行仿真分析,仿真结果验证了该算法的有效性和实用性。     

Logistic映射分支值的最优化算法

以具有生态特征的代数迭代系统Logistic映射动力系统的倍周期分叉问题为例,研究了精确计算迭代系统分支点的方法·以迭代过程关系构成目标函数,参数为设计变量,迭代变量的边界为约束,建立关于分支值计算的新方法含约束条件的最优化程序算法·这种方法将约束转化为惩罚项,采用惩罚函数法巧妙地对所建立的最优化问题求解,并获得了较为精确的结果·提出了快速精确计算代数迭代系统分支值的思想·这将是通向混沌的快速之路     

无Co超高强高韧马氏体钢回火微观结构的穆斯堡尔谱

用Mssbauer谱学对新型无Co高强高韧钢在不同温度回火后的超精细场分布进行了研究,得出了合金元素的分布,碳化物和奥氏体量随回火温度的变化规律·结果表明,新型无Co高强高韧钢在低温回火阶段析出的主要是ε碳化物,且随回火温度的升高析出量增加,这增强了抵抗回火软化的能力·残余奥氏体量随回火温度的升高略有分解,不过奥氏体量仍较高从而提高了钢的韧性·随着回火温度升高,合金元素分布有所不同,其中在220℃以上回火,FeCNi(1)原子组态有明显增加,致使屈服强度有所回升     

基于均匀设计的遗传算法参数设定

在应用遗传算法进行优化计算时,各操作参数既有各自的功能又相互作用,彼此关系较为复杂,而各参数设定的好坏直接影响算法的性能,所以,各参数的设定是应用遗传算法进行寻优计算的重要问题·通过对遗传算法各操作参数作用与意义的分析,认为可以将遗传算法的参数设定描述为一个多因素多水平优化设计问题·为使遗传算法在应用中发挥最佳的寻优性能,同时考虑到参数设定方法的可行性,提出应用解决多因素多水平优化设计问题的均匀设计方法设定遗传算法的操作参数,实例应用仿真结果验证了这种方法的可行性、有效性·     

多变量系统的变时滞无模型自适应单值预测控制

针对难以建模的变时滞多变量非线性系统的控制问题,基于改进具有辅助向量的多变量紧格式动态线性化泛模型,参考多变量单值预测控制算法,提出改进的目标函数,给出变时滞多变量无模型自适应单值预测控制算法,采用自适应递推算式的优化算法进行优化,给出了目标函数的加权网络参数的在线优化算法,解决了试凑法确定加权网络参数的问题.试凑法确定的加权网络参数不能保证控制算法最优,综上研究提出在线优化参数的变时滞多变量无模型自适应单值预测控制算法,仿真结果说明,单值预测控制算法具有无模型自适应控制性能及预测控制功能和参数寻优功能,故算法具有优良的控制性能.     

并行多机成组工件调度的启发式算法

N个成组工件将在M台并行一致的机器上加工,当一个工件接在不同组的工件之后时需要装设,而接在同组工件之后时不需要重新装设,目标函数是使总的通过时间最小·利用最优解的必要条件,将单个工件组成基本运行,在研究基本运行组合规则的基础上,提出了一个基于基本运行的并行多机成组工件调度的启发式算法·在中、小规模水平问题上,将启发式算法的结果与最优解的结果进行了比较·效果令人满意·实验证明该启发式算法能够有效地解决成组工件调度的实际问题,具有解决中大规模实际问题的潜力·     

一种改进人工鱼群算法对BP神经网络的优化研究

针对BP神经网络存在易陷入局部极值的缺陷,提出一种基于改进的人工鱼群算法优化的BP神经网络.先用改进的人工鱼群算法优化BP神经网络的初始权值和阀值,然后再执行BP算法训练BP神经网络的权值和阀值.函数拟合仿真实验表明该优化方法提高了BP神经网络的泛化性能.     

基于GA-ANN的高速烟支切割支撑装置结构优化

提出了一种基于人工神经网络技术和遗传算法的结构优化设计方法,在ADAMS软件环境中建立高速烟支切割装置的刚柔耦合虚拟样机模型进行仿真,得到64组实验数据构成样本,在MATLAB软件环境中,用BP神经网络构建支撑装置的数学模型,为遗传算法提供适应度函数,通过遗传算法完成最小值优化,得到的结果为原仿真样本中最小值的1/5．     

基于人工鱼群算法优化神经网络的WSN数据融合

无线传感网(wireless sensor network, WSN)通常节点众多、数据冗余度高,传统的基于随机权值和阈值的前馈反向传播神经网络(back propagation neural network, BPNN)数据融合方法易陷入局部极值,导致融合结果准确性差。提出一种优化神经网络的权值和阈值进而改善WSN数据融合质量的方法-人工鱼群算法前馈反向传播(artificial fish swarm algorithm back propagation, AFSABP)神经网络数据融合。仿真和对比实验结果表明,改进的鱼群算法在收敛速度和寻优精度上都有明显提升,改进后的人工鱼群BP算法数据融合方法相较于传统BP数据融合方法,可减少3.06%的相对误差和3.74%的均方根误差。     

铝型材挤压模具导流孔结构优化

基于MATLAB平台,将BP人工神经网络、遗传算法和数值模拟技术应用于铝型材挤压模具的导流孔形状优化设计。由正交实验法安排模拟实验组合,采用SuperForge软件对进行型材挤压过程进行数值模拟,并以挤压时金属流出模口平面的z向质点流速的均方差作为模型目标值;将模拟结果作为人工神经网络的输入样本对进行网络训练并建立网络知识源;通过遗传算法求得模型的全局优化解;最后通过有限体积法数值模拟技术验证并比较优化所得导流孔形状与经验法确定的导流孔形状对金属流动均匀性的影响。分析结果表明,通过调整导流孔形状能使金属流出模口的速度分布更均匀,表明对挤压模具导流孔形状的优化是有效的。     

基于改进遗传算法的BP神经网络及应用

结合遗传算法及神经网络各自的优点,利用改进遗传算法对BP神经网络的连接权进行优化,并提出了一种新的编码方式.通过与时间序列模型对比,基于改进遗传算法的BP模型效果更好.     

结合人工神经网络的冷凝器稳态分布参数模型

为了克服由于实际装置的复杂性及生产工艺的差异对冷凝器稳态仿真精度的影响 ,提高冷凝器仿真模型的通用性和准确性 ,提出了冷凝器基本模型结合人工神经网络的仿真思路 .以相区划分和制冷剂出口焓值迭代为基础 ,提出了一种稳定的逆流型冷凝器仿真分布参数模型和算法 ,建立了冷凝器仿真的基本模型 .其计算结果与实验数据的变化趋势一致 ,能够在定性上反映实际物理过程的基本特性 .通过对部分实验数据的学习 ,进一步建立了与基本模型相结合的人工神经网络 .利用其非线性映射能力进行模型修正 ,显著提高了冷凝器的仿真精度 ,从而为同时提高冷凝器仿真的通用性和准确性提供了一种有效的工程应用方法     

边坡弹性模量反分析的模拟退火BP网络方法

通过模拟退火算法,对BP网络进行优化并编写了模拟退火BP网络程序,应用该程序对三峡永久船闸高边坡岩体弹性模量进行了位移反分析.结果表明,根据模拟退火BP网络反分析得到的弹性模量计算出的位移值和监测位移值差别较小.因此,模拟退火BP网络方法可以用于边坡岩体力学参数的反分析.     

BP人工神经网络在齿轮钢淬透性预测中的研究

针对齿轮钢在轧钢过程中淬透性控制存在不确定性的问题,将人工神经网络应用到其不确定性上,通过改进BP人工神经网络学习算法训练神经网络,构建最优化的齿轮钢淬透性控制神经网络模型。通过仿真实验证明,该算法有效解决了齿轮钢淬透性预测控制的问题。     

神经网络权值和阈值的优化方法

为确定多层神经网络权值和阈值建立了真实的最优化求解方法,即将网络总体平均误差建立为目标函数,以权值和阈值作为设计变量,采用梯度法和共轭梯度法对网络权值和阈值进行优化计算·通过 Ｂ Ｐ 算法、梯度法和共轭梯度法对相同实例网络权值和阈值计算,验证了所提出的优化方法的有效性,实现了权值和阈值的快速准确计算·     

基于SOA-BP神经网络的SLS成型件精度预测模型

针对选择性激光烧结(selective laser sintering,SLS)成型件精度难以控制以及工艺参数优化实验成本高等问题,提出了一种利用人群搜索算法(seeker optimization algorithm,SOA)优化BP(back propagation)神经网络对SLS成型件精度预测的方法。首先选择激光功率、预热温度、扫描速度、扫描间距以及分层厚度五个工艺参数设计正交试验获取样本数据。然后根据SOA算法特有的利己、利他、预动和不确定推理四大行为确定搜索策略,获取BP神经网络最优权值和阈值。最后采用MATLAB建立优化后的BP神经网络预测模型对样本数据进行预测分析,并与传统BP神经网络和粒子群算法(particle swarm optimization,PSO)优化的BP神经网络预测结果进行对比。结果表明:基于SOA-BP神经网络的预测模型具有较高的预测精度,最大绝对误差仅为0.028,对SLS成型件精度的提高和工艺参数的选取具有指导作用。