神經(jīng)網(wǎng)絡(luò)與遺傳算法的斜盤發(fā)動(dòng)機(jī)彈性聯(lián)軸器優(yōu)化設(shè)計(jì)

從神經(jīng)網(wǎng)絡(luò)和遺傳算法的原理出發(fā),利用遺傳算法和神經(jīng)網(wǎng)絡(luò)相結(jié)合的策略對(duì)結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化.在確定結(jié)構(gòu)優(yōu)化的目標(biāo)函數(shù)和設(shè)計(jì)變量集合的基礎(chǔ)上,用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法建立貨架結(jié)構(gòu)設(shè)計(jì)參數(shù)與結(jié)構(gòu)重量、結(jié)構(gòu)最大應(yīng)力、最大位移等的非線性全局映射關(guān)系,獲得遺傳算法求解結(jié)構(gòu)優(yōu)化問題所需的目標(biāo)函數(shù),用遺傳算法進(jìn)行優(yōu)勝劣汰的尋優(yōu)搜索運(yùn)算,從而求出所需最優(yōu)解.以貨架結(jié)構(gòu)的優(yōu)化為例說明了上述方法的應(yīng)用.遺傳算法和神經(jīng)網(wǎng)絡(luò)的優(yōu)化結(jié)果是在正交設(shè)計(jì)法確定的訓(xùn)練樣本足夠大的基礎(chǔ)上得出的,具有較強(qiáng)的可靠性.

采用遺傳算法對(duì)建筑設(shè)計(jì)進(jìn)行優(yōu)化,是建筑設(shè)計(jì)領(lǐng)域一個(gè)全新的研究方向,然而,在日照分析下基于遺傳算法求解最優(yōu)值時(shí),需要對(duì)每個(gè)進(jìn)化個(gè)體進(jìn)行適應(yīng)度函數(shù)的計(jì)算,將消耗大量的運(yùn)行時(shí)間.為了降低算法的復(fù)雜性,提出一種神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法的建筑優(yōu)化設(shè)計(jì)方法.研究結(jié)果表明：與傳統(tǒng)遺傳算法對(duì)比,該方法可以有效降低算法的迭代次數(shù)和運(yùn)行時(shí)間,提高建筑優(yōu)化設(shè)計(jì)的效率.

提出了將溫差發(fā)電器對(duì)內(nèi)燃機(jī)排氣背壓的影響納入溫差發(fā)電器的優(yōu)化設(shè)計(jì)過程的觀點(diǎn),設(shè)計(jì)了一套新的溫差發(fā)電器優(yōu)化方案。以發(fā)電器尺寸參數(shù)為設(shè)計(jì)變量,以排氣背壓、質(zhì)量作為約束條件,以發(fā)電片溫差為目標(biāo)進(jìn)行優(yōu)化設(shè)計(jì)。利用中心復(fù)合設(shè)計(jì)法選取試驗(yàn)點(diǎn),對(duì)試驗(yàn)點(diǎn)進(jìn)行cfd仿真,采用高預(yù)測精度的改進(jìn)bp神經(jīng)網(wǎng)絡(luò)擬合設(shè)計(jì)變量與目標(biāo)函數(shù)間的關(guān)系,再利用遺傳優(yōu)化算法在設(shè)計(jì)空間尋找最佳設(shè)計(jì)點(diǎn)。優(yōu)化后消除了發(fā)電器對(duì)排氣背壓的影響,溫差提高了8.8%,質(zhì)量降低了6.7%。

針對(duì)傳統(tǒng)方法單獨(dú)采用bp神經(jīng)網(wǎng)絡(luò)算法易陷入局部極值的問題,提出了遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò),并將其應(yīng)用于mimo-ofdm系統(tǒng)信號(hào)檢測中。該方法將遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合,用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)初始值,使bp網(wǎng)絡(luò)快速收斂到最優(yōu)解,避免了由初始值的隨機(jī)選取而帶來的檢測誤碼。仿真結(jié)果表明所提出的方法在誤碼率方面有比較好的性能。

采用遺傳算法對(duì)建筑設(shè)計(jì)進(jìn)行優(yōu)化,是建筑設(shè)計(jì)領(lǐng)域一個(gè)全新的研究方向,然而,在日照分析下基于遺傳算法求解最優(yōu)值時(shí),需要對(duì)每個(gè)進(jìn)化個(gè)體進(jìn)行適應(yīng)度函數(shù)的計(jì)算,將消耗大量的運(yùn)行時(shí)間.為了降低算法的復(fù)雜性,提出一種神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法的建筑優(yōu)化設(shè)計(jì)方法.研究結(jié)果表明:與傳統(tǒng)遺傳算法對(duì)比,該方法可以有效降低算法的迭代次數(shù)和運(yùn)行時(shí)間,提高建筑優(yōu)化設(shè)計(jì)的效率.

根據(jù)某建筑中央空調(diào)系統(tǒng)的工作參數(shù),創(chuàng)建bp神經(jīng)網(wǎng)絡(luò)模型,得到輸入輸出的映射關(guān)系.利用遺傳算法尋找中央空調(diào)系統(tǒng)的最佳工作參數(shù),對(duì)遺傳算法的優(yōu)化結(jié)果進(jìn)行分析.利用圖形分析法驗(yàn)證遺傳算法得到的結(jié)果是全局最優(yōu)解.當(dāng)冷卻水進(jìn)口溫度為室外溫度、冷水出口溫度為設(shè)置范圍內(nèi)的最大值時(shí),空調(diào)功耗最小.

優(yōu)化電解碲電源對(duì)電解行業(yè)節(jié)能增效、提高電解產(chǎn)品質(zhì)量和改善電網(wǎng)環(huán)境具有重要意義.電源前級(jí)采用三相電壓型pwm整流器；在建立pwm整流器數(shù)學(xué)模型的基礎(chǔ)上；通過改進(jìn)雙閉環(huán)pi控制策略；即外環(huán)基于并行搜索全局尋優(yōu)的遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的智能控制方法；分析網(wǎng)側(cè)電流波形和諧波含量；可得到所需的額定電解電壓和電流；以matlab/simulink軟件為平臺(tái)進(jìn)行仿真計(jì)算.結(jié)果表明:ga-bp(geneticalgorithm-backpropagation)算法具有輸出電壓平穩(wěn)、響應(yīng)速度快、超調(diào)量小、抗干擾性強(qiáng)等優(yōu)點(diǎn).

綜合利用有限元法、正交試驗(yàn)法、bp神經(jīng)網(wǎng)絡(luò)以及遺傳算法對(duì)大重型數(shù)控轉(zhuǎn)臺(tái)的花盤結(jié)構(gòu)系統(tǒng)進(jìn)行優(yōu)化研究。首先對(duì)花盤結(jié)構(gòu)系統(tǒng)進(jìn)行諧響應(yīng)動(dòng)力學(xué)分析,找出對(duì)結(jié)構(gòu)動(dòng)態(tài)特性影響最大的模態(tài)頻率,并確定bp神經(jīng)網(wǎng)絡(luò)的輸入變量,然后利用正交試驗(yàn)法和有限元分析法確定出bp神經(jīng)網(wǎng)絡(luò)樣本點(diǎn)數(shù)據(jù),建立反映花盤結(jié)構(gòu)特性的bp神經(jīng)網(wǎng)絡(luò)模型,最后利用遺傳算法對(duì)建立的bp神經(jīng)網(wǎng)絡(luò)優(yōu)化。仿真結(jié)果表明,花盤第一階固有頻率提高15.5%,其自重降低9.8%。

為了使得浮動(dòng)瓦塊結(jié)構(gòu)具有更好的冷卻效果,開展了浮動(dòng)瓦塊壁溫優(yōu)化研究。在對(duì)浮動(dòng)瓦塊結(jié)構(gòu)壁溫?zé)?流耦合分析的基礎(chǔ)上,利用神經(jīng)網(wǎng)絡(luò)建立瓦塊結(jié)構(gòu)尺寸參數(shù)與瓦塊壁溫的全局性映射關(guān)系,獲得瓦塊壁溫優(yōu)化問題所需的目標(biāo)函數(shù)值。然后,采用遺傳算法對(duì)瓦塊結(jié)構(gòu)進(jìn)行優(yōu)化設(shè)計(jì)。通過優(yōu)化分析獲得了冷卻效果更好的浮動(dòng)壁結(jié)構(gòu),使其壁溫指數(shù)降低了4.19%。結(jié)果表明:基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的優(yōu)化技術(shù)應(yīng)用在浮動(dòng)瓦塊結(jié)構(gòu)壁溫優(yōu)化設(shè)計(jì)中是有效、合理的。

神經(jīng)網(wǎng)絡(luò)隱藏層數(shù)量的選擇以及權(quán)重值的確定對(duì)訓(xùn)練算法的收斂性有很大影響,為了解決神經(jīng)網(wǎng)絡(luò)(ann)訓(xùn)練過程中結(jié)構(gòu)復(fù)雜的問題,提出了一種基于遺傳算法(ga)的網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化方法。試驗(yàn)結(jié)果表明,在訓(xùn)練樣板數(shù)量較大時(shí),優(yōu)化后的ann能夠計(jì)算出隱藏層的最佳數(shù)量,從而提高整體的性能,具有較好的泛華能力。

考慮到影響設(shè)計(jì)的某些因素很難用確定數(shù)值表示,以工程電梯傳動(dòng)機(jī)構(gòu)中蝸輪齒冠體積最小為優(yōu)化目標(biāo),建立了模糊優(yōu)化設(shè)計(jì)的數(shù)學(xué)模型.采用二級(jí)模糊綜合評(píng)判法按最大隸屬度原則求出最優(yōu)水平截集,將模糊優(yōu)化問題轉(zhuǎn)化為普通優(yōu)化問題.另外,通過神經(jīng)網(wǎng)絡(luò)方法得出網(wǎng)絡(luò)權(quán)值和閾值以擬合待求系數(shù),并采用加法形式的懲罰策略來構(gòu)造帶有懲罰項(xiàng)的適值函數(shù),應(yīng)用matlab遺傳算法工具箱尋求問題最優(yōu)解,從而提高設(shè)計(jì)精度和搜索效率.

基于結(jié)構(gòu)系統(tǒng)靜強(qiáng)度可靠性分析、神經(jīng)網(wǎng)絡(luò)和遺傳算法,對(duì)空間梁板結(jié)構(gòu)系統(tǒng)進(jìn)行了可靠性分析和基于可靠性的優(yōu)化設(shè)計(jì)。結(jié)構(gòu)可靠性分析中,給出了安全余量以及安全余量對(duì)各變量敏度的顯性表達(dá)式,便于各安全余量間相關(guān)性計(jì)算和可靠性計(jì)算精度提高。結(jié)構(gòu)優(yōu)化中,用神經(jīng)網(wǎng)絡(luò)和遺傳算法,每代遺傳操作中只需用傳統(tǒng)方法計(jì)算1次結(jié)構(gòu)系統(tǒng)可靠性指標(biāo),將該代最優(yōu)解對(duì)應(yīng)的數(shù)據(jù)加入神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本,從訓(xùn)練樣本中刪除最次樣本,使訓(xùn)練樣本不斷處于更新狀態(tài)。數(shù)值算例表明:該法收斂平穩(wěn)、用時(shí)較少,具較好的收斂性和較高的計(jì)算效率。

建立bp(backpropagation)神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合的電力負(fù)荷預(yù)測模型。在該模型中,利用遺傳算法具有的全局尋優(yōu)特點(diǎn),將bp網(wǎng)絡(luò)的初始權(quán)值優(yōu)化到一個(gè)較小的范圍,然后再用bp算法在該范圍內(nèi)繼續(xù)優(yōu)化,以便使優(yōu)化算法既能實(shí)現(xiàn)全局最優(yōu)求解,又能獲得較快的求解速度。最后,通過仿真算例,與傳統(tǒng)bp網(wǎng)絡(luò)優(yōu)化結(jié)果、及各種擬合方法獲得結(jié)果進(jìn)行比對(duì),驗(yàn)證了計(jì)算方法的可行性和優(yōu)越性。

建立bp（backpropagation）神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合的電力負(fù)荷預(yù)測模型。在該模型中，利用遺傳算法具有的全局尋優(yōu)特點(diǎn)，將bp網(wǎng)絡(luò)的初始權(quán)值優(yōu)化到一個(gè)較小的范圍，然后再用bp算法在該范圍內(nèi)繼續(xù)優(yōu)化，以便使優(yōu)化算法既能實(shí)現(xiàn)全局最優(yōu)求解，又能獲得較快的求解速度。最后，通過仿真算例，與傳統(tǒng)bp網(wǎng)絡(luò)優(yōu)化結(jié)果、及各種擬合方法獲得結(jié)果進(jìn)行比對(duì)，驗(yàn)證了計(jì)算方法的可行性和優(yōu)越性。

相對(duì)于監(jiān)測數(shù)據(jù)采集的高效性,隧道施工中對(duì)現(xiàn)場突發(fā)狀況缺乏高效的應(yīng)對(duì)措施。本文結(jié)合工程實(shí)例,采用正交表及對(duì)應(yīng)三維數(shù)值計(jì)算模型,得到隧道施工參數(shù)與對(duì)應(yīng)隧道變形的樣本集,應(yīng)用基于遺傳算法的bp神經(jīng)網(wǎng)絡(luò)matlab程序,通過對(duì)施工參數(shù)進(jìn)行正演分析,實(shí)現(xiàn)相對(duì)高效的施工反饋;在實(shí)測數(shù)據(jù)基礎(chǔ)上,通過進(jìn)一步的反演分析,可優(yōu)化施工參數(shù),實(shí)現(xiàn)施工工藝的經(jīng)濟(jì)優(yōu)選。工程應(yīng)用結(jié)果表明,該方法的分析結(jié)果能夠滿足工程施工精度要求,有效提高施工過程中突發(fā)狀況的應(yīng)對(duì)效率,同時(shí)也為設(shè)計(jì)中參數(shù)的優(yōu)化選擇提供參考,為建立隧道工程施工的高效反饋機(jī)制提供新方法和新思路。

基于遺傳算法的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型在水質(zhì)評(píng)價(jià)中的應(yīng)用

分析了城市淺埋隧道開挖地表沉降的主要影響因素,并建立了基于遺傳算法的神經(jīng)網(wǎng)絡(luò)淺埋隧道開挖地表沉降預(yù)測模型.使用有限元數(shù)值模擬正演算法獲得神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)樣本,對(duì)模型進(jìn)行學(xué)習(xí)訓(xùn)練.該預(yù)測模型在某市輕軌隧道地表沉降預(yù)測中進(jìn)行使用,結(jié)果表明:基于遺傳算法的神經(jīng)網(wǎng)絡(luò)對(duì)隧道開挖地表沉降的預(yù)測是可行的,預(yù)測結(jié)果比較準(zhǔn)確,能較好地指導(dǎo)隧道施工,確保地表建筑物的安全.

為了實(shí)現(xiàn)樁身完整性的智能分類,并減少人為因素造成的誤判,文章建立適用于樁基完整性檢測的基于遺傳算法的bp神經(jīng)網(wǎng)絡(luò)模型,運(yùn)用matlab軟件對(duì)模型進(jìn)行模擬,并求出模型的可行性的解,從而實(shí)現(xiàn)對(duì)不同類型樁身的完整性智能辨別的功能,最后再通過測試樣本對(duì)模型的正確性進(jìn)行驗(yàn)證。測試樣本中的預(yù)測結(jié)果與理想結(jié)果非常接近,通過計(jì)算得出測試樣本的仿真誤差為0.1538,訓(xùn)練樣本的仿真誤差為0.092644。結(jié)果表明,基于遺傳算法的bp神經(jīng)網(wǎng)絡(luò)模型能過較好的對(duì)樁身完整性進(jìn)行分類,并且在減少樁型誤判的情況下,又提高了效率,在實(shí)際工程中具有良好的應(yīng)用前景。

闡述了企業(yè)信息化水平評(píng)價(jià)問題的現(xiàn)狀,提出了運(yùn)用遺傳算法(ga)優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)方法,避免了傳統(tǒng)評(píng)價(jià)方法確定權(quán)重值的主觀隨意性,并且克服了bp網(wǎng)絡(luò)中的局部極小缺陷,使訓(xùn)練速度加快,在建立bp-ga網(wǎng)絡(luò)信息化評(píng)價(jià)模型的基礎(chǔ)上,利用樣本公司實(shí)際指標(biāo)數(shù)據(jù)對(duì)模型的評(píng)價(jià)效果進(jìn)行了檢驗(yàn),并與傳統(tǒng)bp網(wǎng)絡(luò)模型的評(píng)價(jià)結(jié)果進(jìn)行了比較研究。

目的將改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于鉆孔灌注樁樁孔質(zhì)量的智能化識(shí)別,從而減少人為的誤判、漏判情況.方法將遺傳算法與神經(jīng)網(wǎng)絡(luò)模型有機(jī)地結(jié)合起來,建立樁孔質(zhì)量檢測的智能化模型,先利用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化,再結(jié)合訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型對(duì)樁孔質(zhì)量進(jìn)行預(yù)測,同時(shí)根據(jù)現(xiàn)場數(shù)據(jù)建立三維分析圖,通過預(yù)測結(jié)果與三維分析圖的比對(duì)來驗(yàn)證模型的準(zhǔn)確性.結(jié)果測試樣本的仿真誤差為0.00575,訓(xùn)練樣本的仿真誤差為0.0224;5、6號(hào)樁孔的預(yù)測結(jié)果為(0.0012,0.9999),(0.0027,0.0051),即5號(hào)樁質(zhì)量為合格,6號(hào)樁質(zhì)量為良好.結(jié)論通過預(yù)測結(jié)果與三維分析圖的比對(duì)結(jié)果,可以得出基于遺傳算法的神經(jīng)網(wǎng)絡(luò)模型能夠較好地對(duì)孔灌注樁進(jìn)行智能判別.

目的將改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于鉆孔灌注樁樁孔質(zhì)量的智能化識(shí)別,從而減少人為的誤判、漏判情況.方法將遺傳算法與神經(jīng)網(wǎng)絡(luò)模型有機(jī)地結(jié)合起來,建立樁孔質(zhì)量檢測的智能化模型,先利用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化,再結(jié)合訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型對(duì)樁孔質(zhì)量進(jìn)行預(yù)測,同時(shí)根據(jù)現(xiàn)場數(shù)據(jù)建立三維分析圖,通過預(yù)測結(jié)果與三維分析圖的比對(duì)來驗(yàn)證模型的準(zhǔn)確性.結(jié)果測試樣本的仿真誤差為0.00575,訓(xùn)練樣本的仿真誤差為0.0224;5、6號(hào)樁孔的預(yù)測結(jié)果為(0.0012,0.9999),(0.0027,0.0051),即5號(hào)樁質(zhì)量為合格,6號(hào)樁質(zhì)量為良好.結(jié)論通過預(yù)測結(jié)果與三維分析圖的比對(duì)結(jié)果,可以得出基于遺傳算法的神經(jīng)網(wǎng)絡(luò)模型能夠較好地對(duì)孔灌注樁進(jìn)行智能判別.

計(jì)算機(jī)通信網(wǎng)優(yōu)化設(shè)計(jì),是提升計(jì)算機(jī)網(wǎng)絡(luò)性能,更好滿足人們上網(wǎng)需要的保障。在進(jìn)行計(jì)算機(jī)通信網(wǎng)優(yōu)化設(shè)計(jì)過程中,主要考慮到路由器和鏈路容量分配,以優(yōu)化設(shè)計(jì)模型cfa構(gòu)建為主,該優(yōu)化過程屬于一個(gè)較為復(fù)雜的非線性0——1規(guī)劃。遺傳算法在計(jì)算機(jī)通信網(wǎng)優(yōu)化設(shè)計(jì)過程中,起到了重要作用。本文對(duì)計(jì)算機(jī)通信網(wǎng)優(yōu)化設(shè)計(jì)的研究,將以遺傳算法的具體應(yīng)用為主。