應(yīng)用遺傳算法和神經(jīng)網(wǎng)絡(luò)的工程電梯傳動(dòng)機(jī)構(gòu)模糊優(yōu)化設(shè)計(jì)

在彎管前安裝擾流子，可以減小彎管處二次流強(qiáng)度，降低能量損失，并運(yùn)用cfd軟件對(duì)不同參數(shù)下的擾流子節(jié)能效果數(shù)值計(jì)算。以l9（33）正交試驗(yàn)以及4組補(bǔ)充試驗(yàn)作為bp神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，建立在5種雷諾數(shù)下擾流子節(jié)能效率與擾流子葉片轉(zhuǎn)角、葉片長(zhǎng)度、安裝距離3個(gè)結(jié)構(gòu)參數(shù)的非線性映射關(guān)系；擾流子節(jié)能效率最大值作為目標(biāo)函數(shù)，再結(jié)合遺傳算法進(jìn)行結(jié)構(gòu)參數(shù)優(yōu)化。最終得到在不同雷諾數(shù)下擾流子葉片轉(zhuǎn)角、葉片長(zhǎng)度、安裝距離的最佳組合形式，并利用有限元方法對(duì)結(jié)果驗(yàn)證。結(jié)果表明，這種優(yōu)化方案具有可行性；合適的結(jié)構(gòu)參數(shù)的擾流子具有良好的節(jié)能效果。

在彎管前安裝擾流子,可以減小彎管處二次流強(qiáng)度,降低能量損失,并運(yùn)用cfd軟件對(duì)不同參數(shù)下的擾流子節(jié)能效果數(shù)值計(jì)算.以l9(33)正交試驗(yàn)以及4組補(bǔ)充試驗(yàn)作為bp神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本,建立在5種雷諾數(shù)下擾流子節(jié)能效率與擾流子葉片轉(zhuǎn)角、葉片長(zhǎng)度、安裝距離3個(gè)結(jié)構(gòu)參數(shù)的非線性映射關(guān)系;擾流子節(jié)能效率最大值作為目標(biāo)函數(shù),再結(jié)合遺傳算法進(jìn)行結(jié)構(gòu)參數(shù)優(yōu)化.最終得到在不同雷諾數(shù)下擾流子葉片轉(zhuǎn)角、葉片長(zhǎng)度、安裝距離的最佳組合形式,并利用有限元方法對(duì)結(jié)果驗(yàn)證.結(jié)果表明,這種優(yōu)化方案具有可行性;合適的結(jié)構(gòu)參數(shù)的擾流子具有良好的節(jié)能效果.

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(wèn)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(cè)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(lái)的檢測(cè)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。

本文對(duì)常見的電梯智能群控算法進(jìn)行了分析比較,重點(diǎn)研究了模糊神經(jīng)網(wǎng)絡(luò)算法。本文首先對(duì)大廈客流的特征進(jìn)行長(zhǎng)期統(tǒng)計(jì)分析,進(jìn)而對(duì)電梯群交通模式進(jìn)行分類,利用模糊神經(jīng)網(wǎng)絡(luò)對(duì)電梯群的交通模式進(jìn)行了識(shí)別。根據(jù)系統(tǒng)的識(shí)別結(jié)果判定電梯群當(dāng)前處于的交通模式。然后再次利用模糊神經(jīng)網(wǎng)絡(luò)對(duì)派梯算法中各電梯響應(yīng)呼梯信號(hào)的可信度進(jìn)行計(jì)算,選取可信度最大的電梯響應(yīng)呼梯信號(hào),最終完成派梯。

本文對(duì)常見的電梯智能群控算法進(jìn)行了分析比較,重點(diǎn)研究了模糊神經(jīng)網(wǎng)絡(luò)算法。本文首先對(duì)大廈客流的特征進(jìn)行長(zhǎng)期統(tǒng)計(jì)分析,進(jìn)而對(duì)電梯群交通模式進(jìn)行分類,利用模糊神經(jīng)網(wǎng)絡(luò)對(duì)電梯群的交通模式進(jìn)行了識(shí)別。根據(jù)系統(tǒng)的識(shí)別結(jié)果判定電梯群當(dāng)前處于的交通模式。然后再次利用模糊神經(jīng)網(wǎng)絡(luò)對(duì)派梯算法中各電梯響應(yīng)呼梯信號(hào)的可信度進(jìn)行計(jì)算,選取可信度最大的電梯響應(yīng)呼梯信號(hào),最終完成派梯。

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(guò)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(cè)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%。

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(guò)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%。

為了有效解決網(wǎng)絡(luò)系統(tǒng)可能出現(xiàn)的故障,結(jié)合模糊神經(jīng)網(wǎng)絡(luò)提出了一種新的故障檢測(cè)算法fdd-fnn(failuredetectionalgorithmbasedonfuzzyneuralnetwork).該算法根據(jù)特征信息熵建立了故障檢測(cè)評(píng)價(jià)方法和最小偏差的優(yōu)化模型,設(shè)計(jì)了模糊神經(jīng)網(wǎng)絡(luò)中輸入層、模糊化層、模糊規(guī)則層和解模糊層,并且給出了具體的算法流程.通過(guò)建立網(wǎng)絡(luò)仿真平臺(tái),深入分析了影響fdd-fnn算法的關(guān)鍵因素,同時(shí)對(duì)比研究了fdd-fnn算法與其他算法的性能情況,結(jié)果表明fdd-fnn算法具有較好的適應(yīng)性.

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.

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(wèn)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(shuō)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.

提出了一種神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合的電鍍鋅鎳磷合金工藝參數(shù)優(yōu)化方法。以試驗(yàn)數(shù)據(jù)為樣本,通過(guò)神經(jīng)網(wǎng)絡(luò)建立電鍍工藝參數(shù)與電鍍性能關(guān)系之間的復(fù)雜模型,利用遺傳算法對(duì)電鍍工藝參數(shù)進(jìn)行優(yōu)化,可充分發(fā)揮神經(jīng)網(wǎng)絡(luò)的非線性映射能力和遺傳算法的全局尋優(yōu)能力。試驗(yàn)顯示了方法的有效性和優(yōu)越性。

針對(duì)目前斜盤發(fā)動(dòng)機(jī)用彈性聯(lián)軸器設(shè)計(jì)方法落后,對(duì)軸系振動(dòng)減振效果不良的現(xiàn)狀,提出采用bp人工神經(jīng)網(wǎng)絡(luò)模型和遺傳算法ga優(yōu)化設(shè)計(jì)彈性聯(lián)軸器的方法。首先建立斜盤發(fā)動(dòng)機(jī)軸系動(dòng)力學(xué)數(shù)學(xué)模型,并通過(guò)數(shù)值仿真獲得樣本。然后采用bp神經(jīng)網(wǎng)絡(luò)建立彈性聯(lián)軸器設(shè)計(jì)參數(shù)與目標(biāo)函數(shù)間的非線性映射關(guān)系。最后采用遺傳算法調(diào)用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行全局優(yōu)化。優(yōu)化結(jié)果表明該方法能夠快速可靠地搜索到全局最優(yōu)解,不僅具有足夠的工程精度,而且使用方便、實(shí)用性強(qiáng)。

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。

針對(duì)隧道工程施工網(wǎng)絡(luò)計(jì)劃執(zhí)行率低的現(xiàn)狀,將遺傳算法和神經(jīng)網(wǎng)絡(luò)技術(shù)聯(lián)合用于隧道施工網(wǎng)絡(luò)計(jì)劃的動(dòng)態(tài)優(yōu)化與決策?；谶z傳優(yōu)化和神經(jīng)網(wǎng)絡(luò)方案(模式庫(kù)、專家知識(shí)系統(tǒng))的優(yōu)化決策方法能使該技術(shù)在隧道施工的應(yīng)用更科學(xué)合理、準(zhǔn)確可靠和方便快捷。該技術(shù)不僅能解決施工網(wǎng)絡(luò)計(jì)劃的執(zhí)行率低的現(xiàn)狀,而且為信息化和智能化的隧道施工提供了有力的技術(shù)保障,具有廣泛的應(yīng)用前景。

為有效gis設(shè)備放電故障診斷的快速性和準(zhǔn)確性,采用近幾年出現(xiàn)的遺傳算法對(duì)bp神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,減少了bp神經(jīng)網(wǎng)絡(luò)算法陷入局部最優(yōu)解的風(fēng)險(xiǎn),顯著增強(qiáng)了bp神經(jīng)網(wǎng)絡(luò)的泛化能力和全局尋優(yōu)能力。對(duì)比發(fā)現(xiàn),遺傳算法優(yōu)化后的bp神經(jīng)網(wǎng)絡(luò)模型具有比較好的快速性和準(zhǔn)確的診斷能力。測(cè)試結(jié)果表明,遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)對(duì)gis設(shè)備放電故障診斷具有可行性和有效性。

針對(duì)壓電陶瓷驅(qū)動(dòng)器的蠕變誤差隨時(shí)間呈現(xiàn)非線性變化,會(huì)嚴(yán)重影響其定位精度的問(wèn)題,提出遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的壓電陶瓷蠕變預(yù)測(cè)算法。采用遺傳算法優(yōu)化了bp神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,構(gòu)建了基于遺傳算法的bp神經(jīng)網(wǎng)絡(luò)(ga-bp算法)的蠕變預(yù)測(cè)模型。用ga-bp算法對(duì)壓電陶瓷蠕變進(jìn)行了預(yù)測(cè)仿真,并將結(jié)果與實(shí)測(cè)數(shù)據(jù)進(jìn)行了對(duì)比。結(jié)果表明,獲得的蠕變預(yù)測(cè)結(jié)果與實(shí)驗(yàn)數(shù)據(jù)的最大絕對(duì)誤差均不超過(guò)0.2μm,最大蠕變誤差均小于1.5%,最大均方誤差僅為0.0046,因此,ga-bp預(yù)測(cè)模型可作為預(yù)測(cè)壓電陶瓷蠕變誤差的一種有效手段。

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(lái),建立樁孔質(zhì)量檢測(cè)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(cè),同時(shí)根據(jù)現(xiàn)場(chǎng)數(shù)據(jù)建立三維分析圖,通過(guò)預(yù)測(cè)結(jié)果與三維分析圖的比對(duì)來(lái)驗(yàn)證模型的準(zhǔn)確性.結(jié)果測(cè)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(cè)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(guò)預(yù)測(cè)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(lái),建立樁孔質(zhì)量檢測(cè)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(cè),同時(shí)根據(jù)現(xiàn)場(chǎng)數(shù)據(jù)建立三維分析圖,通過(guò)預(yù)測(cè)結(jié)果與三維分析圖的比對(duì)來(lái)驗(yàn)證模型的準(zhǔn)確性.結(jié)果測(cè)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(cè)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(guò)預(yù)測(cè)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.

將遺傳算法(ga)和人工神經(jīng)網(wǎng)絡(luò)(ann)引入框架結(jié)構(gòu)可靠度分析,其結(jié)果與jc法的計(jì)算結(jié)果相比較,進(jìn)一步顯示出遺傳算法和人工神經(jīng)網(wǎng)絡(luò)用于計(jì)算結(jié)構(gòu)可靠度的優(yōu)點(diǎn),為結(jié)構(gòu)可靠度研究提供了新的有效思路和方法。

闡述了企業(yè)信息化水平評(píng)價(jià)問(wèn)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。

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(cè)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(guò)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。