遗传算法优化BP神经网络的异丙酚血药浓度预测

针对静脉麻醉异丙酚时变性强,房室结构复杂的特性,经典的非线性混合效应模型参数估计法存在变量繁多,人为因素多等弊端,而BP神经网络又存在极易陷入局部极值,网络训练不稳定致使预测误差大。利用遗传算法优化BP神经网络的权值和阈值,调整神经网络中异丙酚血药浓度和时间、病人年龄、体重、身高、体表面积、采样时间、总剂量、注射率的关系,然后建立异丙酚血药浓度预测模型,并与NONMEM方法、BP神经网络进行比较。比较结果,GA-BP网络的平均误差为1.2%,BP网络的平均误差为29.59%,NONMEM为14.61%,GA-BP网络的绝对平均误差15.76%,BP网络的绝对平均误差31.9%,NONMEM为22.99%。实验结果表明:GA-BP网络对于半衰期较短的麻醉药物异丙酚药物具有较好的非线性拟合能力和更高的预测准确性。     

自适应最优保存遗传算法在盲信号分离中的应用

独立分量分析方法(ICA)是信号处理的一种新技术。其基本目标是寻找线性变换矩阵，将观测的多维混合信号进行变换，变换后的输出信号各分量之间尽可能统计独立。将遗传算法与ICA相结合，提出基于GA的盲分离算法，并分析了它们的收敛性和稳态性能。其有效性为仿真结果所证实。     

MUSIC算法结合小生境遗传算法的电磁矢量传感器波达方向估计

当最大似然估计法和MUSIC算法求解矢量传感器阵列问题时,存在多维谱峰搜索的困难。采用一种小生境遗传算法用于矢量传感器阵列的MUSIC算法的多谱峰搜索。通过实验仿真,验证了小生境算法的有效性。仿真结果表明,基于遗传算法的MUSIC算法得到的角度估计均方根偏差性能比ESPRIT算法要差,而在均方根标准方差方面,基于遗传算法的MUSIC算法则比ESPRIT算法要好。     

基于遗传算法的通风网络两步法风流调节优化算法

概括混合型通风网络优化模型,归纳混合型通风网络风量最优分配和风流最优调控两步法优化基本框架。首先,在满足矿井通风风量需求的基础上,实现风量分配优化。然后,结合矿井通风网络实际调风需求,引入遗传算法随机产生动态网络的邻接矩阵,使用附有条件的最小支撑树算法求解部分余树弦(调风地点)约束下的最小支撑树和独立回路矩阵,根据回路矩阵计算通风网络余树弦风阻调节值,在通风总功率和约束条件基础上构建广义最小化目标函数,依此对调节方案进行评价,使用遗传算法中的进化算子对调节方案编码实施进化操作,最后通过迭代得到满意解。研究结果表明:两步法思想简化混合型通风网络优化问题,解决调风地点约束的通风网络优化问题,执行效率高,能够解决较大规模的通风网络优化问题。     

遗传算法在网络计划资源优化中的应用

将遗传算法引用到资源优化中，解决了“资源有限-工期最短”和“工期固定-资源均衡”两种优化问题，得到了比应用网络计划技术及数学规划方法更为满意的计算结果，克服了传统的资源优化方法不能保证解的最优性的缺点。在此基础上，还将上述两种情况综合进行多目标优化，获得工期最短资源均衡的优化结果，并通过实例验证了该方法的可行性和高效性，对于工程项目管理中资源工期优化具有实际应用价值。     

一种带时间窗车辆路径问题的混合蚁群算法

针对带时间窗车辆路径问题求解时蚁群算法存在容易陷入局部最优,而遗传算法初始种群的优劣对算法有效性存在直接影响,提出一种混合蚁群优化算法。算法首先在蚁群算法的节点选择概率公式中引入时间窗因素,以得到初始种群,然后通过遗传算法的交叉算子和变异算子对初始种群中的较优路径进行交叉和变异操作,从而得到更优的路径。通过Matlab环境下对文中混合算法进行仿真实验,在车辆利用率和路径规划上效果明显,表明了算法的高效性,同时混合算法可以避免陷入局部最优。     

基于单亲遗传算法的飞行机组指派技术

航空公司机组人员指派是一个NP疑难问题.现在航空公司的排班工作存在着排班人员工作量大,排班过程效率低,值勤成本高,排班结果机组人员不满意等等的问题.为解决这些问题,采用单亲遗传算法,利用计算机技术,对机组人员进行合理的排班.通过与改进遗传算法进行比较,单亲遗传算法收敛速度更快,能够得到更合理的机组指派结果.     

基于BP神经网络的钢液终点磷含量预测模型

磷含量是描述钢液质量的一个重要的含量.结合遗传算法(GA)和误差反馈型神经网络(BP),建立了优化的GA-BP神经网络预测模型,预测转炉炼钢过程钢液终点磷含量.对现场收集的数据进行仿真学习,结果表明,该预测模型收敛速度快,具有较高的预测精度,平均绝对误差可达到0.002 7%.随着训练样本的增加和模型结构的进一步优化和完善,将具有很好的应用前景.     

一种改进的二进制编码遗传算法研究

针对普通遗传算法(CGA)易陷入早熟,局部搜索能力较差,全局优化速度缓慢等问题,提出了一种改进的遗传算法(IM_GA),该算法融合了由进化代数或适应度分布调节变异交叉率的思想,从这两个方面共同改进了变异交叉率,仿真结果证明了该改进遗传算法的优越性.与普通标准遗传算法比较,该算法不仅收敛性较好,且能迅速找到全局最优解.     

遗传算法的改进及其在方程组求解中应用

选择、交叉和变异是遗传算法的几个主要操作算子，它们构成了遗传操作。对遗传操作提出了改进方案、即对于交换操作：如果两个子代的适应度均比父代大就交换，如果子代的适应度一个比父代大而另一个比父代小则保留大的子代而还原小的子代为父代．如果子代的适应度均比父代小则取消此次的交换。变异操作中对每个父代的多个位置逐个变异．如果子代的适应度比父代大则变异，否则不变异。通过解线性方程组和非线性方程组证明丁该方法能够使得遗传始终向着理想的方向，避免了算法陷入死循环，并且收敛速度非常快。