神经网络与遗传算法的斜盘发动机弹性联轴器优化设计

从神经网络和遗传算法的原理出发,利用遗传算法和神经网络相结合的策略对结构参数进行优化.在确定结构优化的目标函数和设计变量集合的基础上,用神经网络学习算法建立货架结构设计参数与结构重量、结构最大应力、最大位移等的非线性全局映射关系,获得遗传算法求解结构优化问题所需的目标函数,用遗传算法进行优胜劣汰的寻优搜索运算,从而求出所需最优解.以货架结构的优化为例说明了上述方法的应用.遗传算法和神经网络的优化结果是在正交设计法确定的训练样本足够大的基础上得出的,具有较强的可靠性.

采用遗传算法对建筑设计进行优化,是建筑设计领域一个全新的研究方向,然而,在日照分析下基于遗传算法求解最优值时,需要对每个进化个体进行适应度函数的计算,将消耗大量的运行时间.为了降低算法的复杂性,提出一种神经网络结合遗传算法的建筑优化设计方法.研究结果表明：与传统遗传算法对比,该方法可以有效降低算法的迭代次数和运行时间,提高建筑优化设计的效率.

提出了将温差发电器对内燃机排气背压的影响纳入温差发电器的优化设计过程的观点,设计了一套新的温差发电器优化方案。以发电器尺寸参数为设计变量,以排气背压、质量作为约束条件,以发电片温差为目标进行优化设计。利用中心复合设计法选取试验点,对试验点进行cfd仿真,采用高预测精度的改进bp神经网络拟合设计变量与目标函数间的关系,再利用遗传优化算法在设计空间寻找最佳设计点。优化后消除了发电器对排气背压的影响,温差提高了8.8%,质量降低了6.7%。

针对传统方法单独采用bp神经网络算法易陷入局部极值的问题,提出了遗传算法优化bp神经网络,并将其应用于mimo-ofdm系统信号检测中。该方法将遗传算法与神经网络相结合,用遗传算法优化神经网络初始值,使bp网络快速收敛到最优解,避免了由初始值的随机选取而带来的检测误码。仿真结果表明所提出的方法在误码率方面有比较好的性能。

采用遗传算法对建筑设计进行优化,是建筑设计领域一个全新的研究方向,然而,在日照分析下基于遗传算法求解最优值时,需要对每个进化个体进行适应度函数的计算,将消耗大量的运行时间.为了降低算法的复杂性,提出一种神经网络结合遗传算法的建筑优化设计方法.研究结果表明:与传统遗传算法对比,该方法可以有效降低算法的迭代次数和运行时间,提高建筑优化设计的效率.

根据某建筑中央空调系统的工作参数,创建bp神经网络模型,得到输入输出的映射关系.利用遗传算法寻找中央空调系统的最佳工作参数,对遗传算法的优化结果进行分析.利用图形分析法验证遗传算法得到的结果是全局最优解.当冷却水进口温度为室外温度、冷水出口温度为设置范围内的最大值时,空调功耗最小.

优化电解碲电源对电解行业节能增效、提高电解产品质量和改善电网环境具有重要意义.电源前级采用三相电压型pwm整流器；在建立pwm整流器数学模型的基础上；通过改进双闭环pi控制策略；即外环基于并行搜索全局寻优的遗传算法优化bp神经网络权值和阈值的智能控制方法；分析网侧电流波形和谐波含量；可得到所需的额定电解电压和电流；以matlab/simulink软件为平台进行仿真计算.结果表明:ga-bp(geneticalgorithm-backpropagation)算法具有输出电压平稳、响应速度快、超调量小、抗干扰性强等优点.

综合利用有限元法、正交试验法、bp神经网络以及遗传算法对大重型数控转台的花盘结构系统进行优化研究。首先对花盘结构系统进行谐响应动力学分析,找出对结构动态特性影响最大的模态频率,并确定bp神经网络的输入变量,然后利用正交试验法和有限元分析法确定出bp神经网络样本点数据,建立反映花盘结构特性的bp神经网络模型,最后利用遗传算法对建立的bp神经网络优化。仿真结果表明,花盘第一阶固有频率提高15.5%,其自重降低9.8%。

为了使得浮动瓦块结构具有更好的冷却效果,开展了浮动瓦块壁温优化研究。在对浮动瓦块结构壁温热-流耦合分析的基础上,利用神经网络建立瓦块结构尺寸参数与瓦块壁温的全局性映射关系,获得瓦块壁温优化问题所需的目标函数值。然后,采用遗传算法对瓦块结构进行优化设计。通过优化分析获得了冷却效果更好的浮动壁结构,使其壁温指数降低了4.19%。结果表明:基于神经网络和遗传算法的优化技术应用在浮动瓦块结构壁温优化设计中是有效、合理的。

神经网络隐藏层数量的选择以及权重值的确定对训练算法的收敛性有很大影响,为了解决神经网络(ann)训练过程中结构复杂的问题,提出了一种基于遗传算法(ga)的网络结构优化方法。试验结果表明,在训练样板数量较大时,优化后的ann能够计算出隐藏层的最佳数量,从而提高整体的性能,具有较好的泛华能力。

考虑到影响设计的某些因素很难用确定数值表示,以工程电梯传动机构中蜗轮齿冠体积最小为优化目标,建立了模糊优化设计的数学模型.采用二级模糊综合评判法按最大隶属度原则求出最优水平截集,将模糊优化问题转化为普通优化问题.另外,通过神经网络方法得出网络权值和阈值以拟合待求系数,并采用加法形式的惩罚策略来构造带有惩罚项的适值函数,应用matlab遗传算法工具箱寻求问题最优解,从而提高设计精度和搜索效率.

基于结构系统静强度可靠性分析、神经网络和遗传算法,对空间梁板结构系统进行了可靠性分析和基于可靠性的优化设计。结构可靠性分析中,给出了安全余量以及安全余量对各变量敏度的显性表达式,便于各安全余量间相关性计算和可靠性计算精度提高。结构优化中,用神经网络和遗传算法,每代遗传操作中只需用传统方法计算1次结构系统可靠性指标,将该代最优解对应的数据加入神经网络的训练样本,从训练样本中删除最次样本,使训练样本不断处于更新状态。数值算例表明:该法收敛平稳、用时较少,具较好的收敛性和较高的计算效率。

建立bp(backpropagation)神经网络与遗传算法相结合的电力负荷预测模型。在该模型中,利用遗传算法具有的全局寻优特点,将bp网络的初始权值优化到一个较小的范围,然后再用bp算法在该范围内继续优化,以便使优化算法既能实现全局最优求解,又能获得较快的求解速度。最后,通过仿真算例,与传统bp网络优化结果、及各种拟合方法获得结果进行比对,验证了计算方法的可行性和优越性。

建立bp（backpropagation）神经网络与遗传算法相结合的电力负荷预测模型。在该模型中，利用遗传算法具有的全局寻优特点，将bp网络的初始权值优化到一个较小的范围，然后再用bp算法在该范围内继续优化，以便使优化算法既能实现全局最优求解，又能获得较快的求解速度。最后，通过仿真算例，与传统bp网络优化结果、及各种拟合方法获得结果进行比对，验证了计算方法的可行性和优越性。

相对于监测数据采集的高效性,隧道施工中对现场突发状况缺乏高效的应对措施。本文结合工程实例,采用正交表及对应三维数值计算模型,得到隧道施工参数与对应隧道变形的样本集,应用基于遗传算法的bp神经网络matlab程序,通过对施工参数进行正演分析,实现相对高效的施工反馈;在实测数据基础上,通过进一步的反演分析,可优化施工参数,实现施工工艺的经济优选。工程应用结果表明,该方法的分析结果能够满足工程施工精度要求,有效提高施工过程中突发状况的应对效率,同时也为设计中参数的优化选择提供参考,为建立隧道工程施工的高效反馈机制提供新方法和新思路。

基于遗传算法的改进BP神经网络模型在水质评价中的应用

分析了城市浅埋隧道开挖地表沉降的主要影响因素,并建立了基于遗传算法的神经网络浅埋隧道开挖地表沉降预测模型.使用有限元数值模拟正演算法获得神经网络模型学习样本,对模型进行学习训练.该预测模型在某市轻轨隧道地表沉降预测中进行使用,结果表明:基于遗传算法的神经网络对隧道开挖地表沉降的预测是可行的,预测结果比较准确,能较好地指导隧道施工,确保地表建筑物的安全.

针对bp神经网络易陷入局部最优和遗传算法全局搜索速度过慢的缺点及水利定额编制中存在非线性和复杂性的实际状况,提出采用遗传算法（ga）优化bp神经网络在水利定额编制中的问题。实例分析表明,优化后模型（ga-bp神经网络）结合了bp神经网络的非线性逼近、局部寻优能力和遗传算法的全局搜索特性,在稳定性、预测精度、收敛速度上均优于bp神经网络,可运用于水利定额编制。

为了实现桩身完整性的智能分类,并减少人为因素造成的误判,文章建立适用于桩基完整性检测的基于遗传算法的bp神经网络模型,运用matlab软件对模型进行模拟,并求出模型的可行性的解,从而实现对不同类型桩身的完整性智能辨别的功能,最后再通过测试样本对模型的正确性进行验证。测试样本中的预测结果与理想结果非常接近,通过计算得出测试样本的仿真误差为0.1538,训练样本的仿真误差为0.092644。结果表明,基于遗传算法的bp神经网络模型能过较好的对桩身完整性进行分类,并且在减少桩型误判的情况下,又提高了效率,在实际工程中具有良好的应用前景。

阐述了企业信息化水平评价问题的现状,提出了运用遗传算法(ga)优化bp神经网络的评价方法,避免了传统评价方法确定权重值的主观随意性,并且克服了bp网络中的局部极小缺陷,使训练速度加快,在建立bp-ga网络信息化评价模型的基础上,利用样本公司实际指标数据对模型的评价效果进行了检验,并与传统bp网络模型的评价结果进行了比较研究。

目的将改进的神经网络模型应用于钻孔灌注桩桩孔质量的智能化识别,从而减少人为的误判、漏判情况.方法将遗传算法与神经网络模型有机地结合起来,建立桩孔质量检测的智能化模型,先利用遗传算法对神经网络的权值和阈值进行优化,再结合训练完成的神经网络模型对桩孔质量进行预测,同时根据现场数据建立三维分析图,通过预测结果与三维分析图的比对来验证模型的准确性.结果测试样本的仿真误差为0.00575,训练样本的仿真误差为0.0224;5、6号桩孔的预测结果为(0.0012,0.9999),(0.0027,0.0051),即5号桩质量为合格,6号桩质量为良好.结论通过预测结果与三维分析图的比对结果,可以得出基于遗传算法的神经网络模型能够较好地对孔灌注桩进行智能判别.

目的将改进的神经网络模型应用于钻孔灌注桩桩孔质量的智能化识别,从而减少人为的误判、漏判情况.方法将遗传算法与神经网络模型有机地结合起来,建立桩孔质量检测的智能化模型,先利用遗传算法对神经网络的权值和阈值进行优化,再结合训练完成的神经网络模型对桩孔质量进行预测,同时根据现场数据建立三维分析图,通过预测结果与三维分析图的比对来验证模型的准确性.结果测试样本的仿真误差为0.00575,训练样本的仿真误差为0.0224;5、6号桩孔的预测结果为(0.0012,0.9999),(0.0027,0.0051),即5号桩质量为合格,6号桩质量为良好.结论通过预测结果与三维分析图的比对结果,可以得出基于遗传算法的神经网络模型能够较好地对孔灌注桩进行智能判别.