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.     

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.     

前馈神经网络结构优化新算法

前馈神经网络的结构直接影响网络的性能.首先基于拟牛顿NL2SOL法构造前馈神经网络模型,为了优化神经网络结构,尝试引入重置算法(Early Restart Algorithm),构建基于重置的NL2SOL动态前馈神经网络.最后通过对比实验表明,重置算法的引入有效地解决了神经网络的结构优化问题,优化后的神经网络具有良好的收敛性与稳定性.     

一类约束优化问题的神经网络

提出了一类解不等式约束优化问题的神经网络，并针对几个党见的约束优化问题给出了相应的网络求解公式。与文献［３］相比，该网络的优点是：虽然问题中含有不等式约束，但所给的网络求解规模没有扩大。     

基于结构的神经网络在参数优化中的应用

在对传统人工神经网络优化方法的认识基础上，针对复杂非线性系统的优化问题，提出了一种基于结构的神经网络优化方法。它将一个复杂系统转化为若干个较简单的子系统，分别建立各子系统的函数链神经元模型，然后根据原系统的结构特点将它们连接起来构成一个基于结构的神经网络。网络权值与系统的结构参数相对应，具有明确的物理意义，通过调整权值即可实现系统结构参数的优化。对Y2-Hc10型先导式溢流阀的优化研究表明，该方法为大型、严重非线性系统的结构参数优化提供了一条新的途径。     

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。     

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。     

模糊神经网络优化的研究

模糊神经网络具有强大的自学习和自整定功能,然而,随着生产实际情况的不断变化,以及模糊神经网络不断的改进和发展,提出一种改进的构造神经网络的方法,并且提出混合学习算法,结合共扼梯度下降法与递归最小二乘估计来分别辨识网络中的前、后件参教,并对非线性系统进行仿真实验,达到控制要求.     

液压系统中粒子群优化神经网络权值的控制算法

针对非线性、时变等缺陷导致传统的控制器控制效果较差、不适应电液伺服系统的现象,提出了用于电液伺服控制的基于粒子群优化算法对神经网络的权值进行学习训练的PSO-NN算法。结合电液伺服系统实例分析,用MATLAB仿真得到了输入阶跃信号和正弦信号时,PSO-NN算法的输出曲线以及适应度曲线;为了展示PSO-NN算法的效果,用BP算法仿真了对应输入阶跃信号和正弦信号的输出。仿真结果表明:在电液伺服系统的控制中,PSO-NN算法性能优于BP算法,系统输出具有更好的收敛性和对输入的跟随性,从而证明PSO-NN算法对于电液伺服系统的控制是合适并有效的。     

BP神经网络优化网络科技文献共享评价体系

以网络科技文献共享的评价为对象,构建初选指标结构,对指标体系优化的主流评价方法进行研究及综述,在分析了各个评价方法的优劣的基础上确定运用BP神经网络的方法对初选的指标体系进行优化。然后基于BP神经网络对指标体系进行优化的方法及过程进行了论述。最后利用BP神经网络方法求取各项指标的权重,分析各个指标在整个指标体系中的重要程度,修改初选指标体系,进而达到优化的目的。     

BFGS人工神经网络求解无约束优化问题

提出了一种基于BFGS算法的求解无约束优化问题的人工神经网络模型,并对该模型的稳定性作了理论分析.采用该模型对两个著名的测试函数进行数值实验,结果表明,文章给出的模型具有较好的数值效果.     

基于改进的PSO算法的神经网络集成

提出了一种新的神经网络集成结论生成方法,即基于可重复采样技术(Bootstrap)的粒子群优化(PSO)算法——BPSO算法,通过限制组合权值的范围来减小“多维共线性”的影响,还利用采样技术构造不同的适应度函数,增加“粒子”的多样性从而便于在一定范围内灵活调节组合权值,并减小噪声对集成的影响．实验表明。BPSO算法是优化组合权值的有效方法,提高了神经网络集成的泛化能力．     

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.     

基于神经网络和遗传算法的桥梁参数优化方法与分析

在桥梁施工监控中,实测标高与理论预测标高存在差异的主要原因之一是理论计算参数存在偏差,因此对计算参数进行有效修正成为现代施工控制的一个关键问题。分析和确定了影响标高预测误差的主要参数,利用有限元分析建立了主要参数和标高之间的BP网络模型,该模型在一定参数取值范围内可以取代有限元模型预测标高,从而大大减少计算量。在建立的BP模型基础上,通过浮点编码的遗传算法对目标函数进行优化得到一组最优计算参数。对实际桥梁的计算分析表明,本文确定的分析参数物理意义明确,基于本文方法的修正能有效地提高标高预测精度,对类似桥梁的计算分析具有指导意义。     

BP神经网络的模型优化研究及应用

随着神经网络在数据分析、预测及生产控制中的应用,神经网络的优化学习成为研究的一个重要课题。通过探讨BP神经网络模型的建立过程,针对BP神经网络的模型优化问题进行了详细研究。并通过对银行客户分类的仿真实验证明,优化模型能够有效地提高BP神经网络的收敛速度及预测精度。     

一种混沌神经网络及在优化计算中的应用

提出了一种混沌神经网络模型。在Hopfield网络中引入混沌机制,首先在混沌动态下搜索,然后利用HNN梯度优化搜索。对非线性函数的优化问题仿真表明算法具有很强的克服陷入局部极小能力。     

基于人工神经网络降维映射的统计优化方法

提出将多维空间的样本数据降维映射到二维平面上,并在该平面上自动生成函数的等值分布曲线,从而,可直观出该函数的最优点或最优区域,通过本文提出的逆映射算法可将其还原到多维空间用原始变量表示．运算实例结果表明,基于神经网络降维映射的优化方法,直观、准确、可靠,对于有约束优化问题的求解特别有效．