從神經(jīng)網(wǎng)絡和遺傳算法的原理出發(fā),利用遺傳算法和神經(jīng)網(wǎng)絡相結(jié)合的策略對結(jié)構(gòu)參數(shù)進行優(yōu)化.在確定結(jié)構(gòu)優(yōu)化的目標函數(shù)和設計變量集合的基礎上,用神經(jīng)網(wǎng)絡學習算法建立貨架結(jié)構(gòu)設計參數(shù)與結(jié)構(gòu)重量、結(jié)構(gòu)最大應力、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)化問題所需的目標函數(shù),用遺傳算法進行優(yōu)勝劣汰的尋優(yōu)搜索運算,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用.遺傳算法和神經(jīng)網(wǎng)絡的優(yōu)化結(jié)果是在正交設計法確定的訓練樣本足夠大的基礎上得出的,具有較強的可靠性.

采用遺傳算法對建筑設計進行優(yōu)化,是建筑設計領域一個全新的研究方向,然而,在日照分析下基于遺傳算法求解最優(yōu)值時,需要對每個進化個體進行適應度函數(shù)的計算,將消耗大量的運行時間.為了降低算法的復雜性,提出一種神經(jīng)網(wǎng)絡結(jié)合遺傳算法的建筑優(yōu)化設計方法.研究結(jié)果表明：與傳統(tǒng)遺傳算法對比,該方法可以有效降低算法的迭代次數(shù)和運行時間,提高建筑優(yōu)化設計的效率.

提出了將溫差發(fā)電器對內(nèi)燃機排氣背壓的影響納入溫差發(fā)電器的優(yōu)化設計過程的觀點,設計了一套新的溫差發(fā)電器優(yōu)化方案。以發(fā)電器尺寸參數(shù)為設計變量,以排氣背壓、質(zhì)量作為約束條件,以發(fā)電片溫差為目標進行優(yōu)化設計。利用中心復合設計法選取試驗點,對試驗點進行cfd仿真,采用高預測精度的改進bp神經(jīng)網(wǎng)絡擬合設計變量與目標函數(shù)間的關(guān)系,再利用遺傳優(yōu)化算法在設計空間尋找最佳設計點。優(yōu)化后消除了發(fā)電器對排氣背壓的影響,溫差提高了8.8%,質(zhì)量降低了6.7%。

針對傳統(tǒng)方法單獨采用bp神經(jīng)網(wǎng)絡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,并將其應用于mimo-ofdm系統(tǒng)信號檢測中。該方法將遺傳算法與神經(jīng)網(wǎng)絡相結(jié)合,用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡初始值,使bp網(wǎng)絡快速收斂到最優(yōu)解,避免了由初始值的隨機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。

采用遺傳算法對建筑設計進行優(yōu)化,是建筑設計領域一個全新的研究方向,然而,在日照分析下基于遺傳算法求解最優(yōu)值時,需要對每個進化個體進行適應度函數(shù)的計算,將消耗大量的運行時間.為了降低算法的復雜性,提出一種神經(jīng)網(wǎng)絡結(jié)合遺傳算法的建筑優(yōu)化設計方法.研究結(jié)果表明:與傳統(tǒng)遺傳算法對比,該方法可以有效降低算法的迭代次數(shù)和運行時間,提高建筑優(yōu)化設計的效率.

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),對遺傳算法的優(yōu)化結(jié)果進行分析.利用圖形分析法驗證遺傳算法得到的結(jié)果是全局最優(yōu)解.當冷卻水進口溫度為室外溫度、冷水出口溫度為設置范圍內(nèi)的最大值時,空調(diào)功耗最小.

優(yōu)化電解碲電源對電解行業(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.電源前級采用三相電壓型pwm整流器；在建立pwm整流器數(shù)學模型的基礎上；通過改進雙閉環(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軟件為平臺進行仿真計算.結(jié)果表明:ga-bp(geneticalgorithm-backpropagation)算法具有輸出電壓平穩(wěn)、響應速度快、超調(diào)量小、抗干擾性強等優(yōu)點.

綜合利用有限元法、正交試驗法、bp神經(jīng)網(wǎng)絡以及遺傳算法對大重型數(shù)控轉(zhuǎn)臺的花盤結(jié)構(gòu)系統(tǒng)進行優(yōu)化研究。首先對花盤結(jié)構(gòu)系統(tǒng)進行諧響應動力學分析,找出對結(jié)構(gòu)動態(tài)特性影響最大的模態(tài)頻率,并確定bp神經(jīng)網(wǎng)絡的輸入變量,然后利用正交試驗法和有限元分析法確定出bp神經(jīng)網(wǎng)絡樣本點數(shù)據(jù),建立反映花盤結(jié)構(gòu)特性的bp神經(jīng)網(wǎng)絡模型,最后利用遺傳算法對建立的bp神經(jīng)網(wǎng)絡優(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%。

為了使得浮動瓦塊結(jié)構(gòu)具有更好的冷卻效果,開展了浮動瓦塊壁溫優(yōu)化研究。在對浮動瓦塊結(jié)構(gòu)壁溫熱-流耦合分析的基礎上,利用神經(jīng)網(wǎng)絡建立瓦塊結(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)化問題所需的目標函數(shù)值。然后,采用遺傳算法對瓦塊結(jié)構(gòu)進行優(yōu)化設計。通過優(yōu)化分析獲得了冷卻效果更好的浮動壁結(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)絡和遺傳算法的優(yōu)化技術(shù)應用在浮動瓦塊結(jié)構(gòu)壁溫優(yōu)化設計中是有效、合理的。

神經(jīng)網(wǎng)絡隱藏層數(shù)量的選擇以及權(quán)重值的確定對訓練算法的收斂性有很大影響,為了解決神經(jīng)網(wǎng)絡(ann)訓練過程中結(jié)構(gòu)復雜的問題,提出了一種基于遺傳算法(ga)的網(wǎng)絡結(jié)構(gòu)優(yōu)化方法。試驗結(jié)果表明,在訓練樣板數(shù)量較大時,優(yōu)化后的ann能夠計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。

考慮到影響設計的某些因素很難用確定數(shù)值表示,以工程電梯傳動機構(gòu)中蝸輪齒冠體積最小為優(yōu)化目標,建立了模糊優(yōu)化設計的數(shù)學模型.采用二級模糊綜合評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)絡方法得出網(wǎng)絡權(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)造帶有懲罰項的適值函數(shù),應用matlab遺傳算法工具箱尋求問題最優(yōu)解,從而提高設計精度和搜索效率.

基于結(jié)構(gòu)系統(tǒng)靜強度可靠性分析、神經(jīng)網(wǎng)絡和遺傳算法,對空間梁板結(jié)構(gòu)系統(tǒng)進行了可靠性分析和基于可靠性的優(yōu)化設計。結(jié)構(gòu)可靠性分析中,給出了安全余量以及安全余量對各變量敏度的顯性表達式,便于各安全余量間相關(guān)性計算和可靠性計算精度提高。結(jié)構(gòu)優(yōu)化中,用神經(jīng)網(wǎng)絡和遺傳算法,每代遺傳操作中只需用傳統(tǒng)方法計算1次結(jié)構(gòu)系統(tǒng)可靠性指標,將該代最優(yōu)解對應的數(shù)據(jù)加入神經(jīng)網(wǎng)絡的訓練樣本,從訓練樣本中刪除最次樣本,使訓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)、用時較少,具較好的收斂性和較高的計算效率。

建立bp(backpropagation)神經(jīng)網(wǎng)絡與遺傳算法相結(jié)合的電力負荷預測模型。在該模型中,利用遺傳算法具有的全局尋優(yōu)特點,將bp網(wǎng)絡的初始權(quán)值優(yōu)化到一個較小的范圍,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)絡優(yōu)化結(jié)果、及各種擬合方法獲得結(jié)果進行比對,驗證了計算方法的可行性和優(yōu)越性。

建立bp（backpropagation）神經(jīng)網(wǎng)絡與遺傳算法相結(jié)合的電力負荷預測模型。在該模型中，利用遺傳算法具有的全局尋優(yōu)特點，將bp網(wǎng)絡的初始權(quán)值優(yōu)化到一個較小的范圍，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)絡優(yōu)化結(jié)果、及各種擬合方法獲得結(jié)果進行比對，驗證了計算方法的可行性和優(yōu)越性。

相對于監(jiān)測數(shù)據(jù)采集的高效性,隧道施工中對現(xiàn)場突發(fā)狀況缺乏高效的應對措施。本文結(jié)合工程實例,采用正交表及對應三維數(shù)值計算模型,得到隧道施工參數(shù)與對應隧道變形的樣本集,應用基于遺傳算法的bp神經(jīng)網(wǎng)絡matlab程序,通過對施工參數(shù)進行正演分析,實現(xiàn)相對高效的施工反饋;在實測數(shù)據(jù)基礎上,通過進一步的反演分析,可優(yōu)化施工參數(shù),實現(xiàn)施工工藝的經(jīng)濟優(yōu)選。工程應用結(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)狀況的應對效率,同時也為設計中參數(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制提供新方法和新思路。

基于遺傳算法的改進BP神經(jīng)網(wǎng)絡模型在水質(zhì)評價中的應用

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)絡淺埋隧道開挖地表沉降預測模型.使用有限元數(shù)值模擬正演算法獲得神經(jīng)網(wǎng)絡模型學習樣本,對模型進行學習訓練.該預測模型在某市輕軌隧道地表沉降預測中進行使用,結(jié)果表明:基于遺傳算法的神經(jīng)網(wǎng)絡對隧道開挖地表沉降的預測是可行的,預測結(jié)果比較準確,能較好地指導隧道施工,確保地表建筑物的安全.

為了實現(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)絡模型,運用matlab軟件對模型進行模擬,并求出模型的可行性的解,從而實現(xiàn)對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模型的正確性進行驗證。測試樣本中的預測結(jié)果與理想結(jié)果非常接近,通過計算得出測試樣本的仿真誤差為0.1538,訓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)絡模型能過較好的對樁身完整性進行分類,并且在減少樁型誤判的情況下,又提高了效率,在實際工程中具有良好的應用前景。

闡述了企業(yè)信息化水平評價問題的現(xiàn)狀,提出了運用遺傳算法(ga)優(yōu)化bp神經(jīng)網(wǎng)絡的評價方法,避免了傳統(tǒng)評價方法確定權(quán)重值的主觀隨意性,并且克服了bp網(wǎng)絡中的局部極小缺陷,使訓練速度加快,在建立bp-ga網(wǎng)絡信息化評價模型的基礎上,利用樣本公司實際指標數(shù)據(jù)對模型的評價效果進行了檢驗,并與傳統(tǒng)bp網(wǎng)絡模型的評價結(jié)果進行了比較研究。

目的將改進的神經(jīng)網(wǎng)絡模型應用于鉆孔灌注樁樁孔質(zhì)量的智能化識別,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)絡模型有機地結(jié)合起來,建立樁孔質(zhì)量檢測的智能化模型,先利用遺傳算法對神經(jīng)網(wǎng)絡的權(quán)值和閾值進行優(yōu)化,再結(jié)合訓練完成的神經(jīng)網(wǎng)絡模型對樁孔質(zhì)量進行預測,同時根據(jù)現(xiàn)場數(shù)據(jù)建立三維分析圖,通過預測結(jié)果與三維分析圖的比對來驗證模型的準確性.結(jié)果測試樣本的仿真誤差為0.00575,訓練樣本的仿真誤差為0.0224;5、6號樁孔的預測結(jié)果為(0.0012,0.9999),(0.0027,0.0051),即5號樁質(zhì)量為合格,6號樁質(zhì)量為良好.結(jié)論通過預測結(jié)果與三維分析圖的比對結(jié)果,可以得出基于遺傳算法的神經(jīng)網(wǎng)絡模型能夠較好地對孔灌注樁進行智能判別.

目的將改進的神經(jīng)網(wǎng)絡模型應用于鉆孔灌注樁樁孔質(zhì)量的智能化識別,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)絡模型有機地結(jié)合起來,建立樁孔質(zhì)量檢測的智能化模型,先利用遺傳算法對神經(jīng)網(wǎng)絡的權(quán)值和閾值進行優(yōu)化,再結(jié)合訓練完成的神經(jīng)網(wǎng)絡模型對樁孔質(zhì)量進行預測,同時根據(jù)現(xiàn)場數(shù)據(jù)建立三維分析圖,通過預測結(jié)果與三維分析圖的比對來驗證模型的準確性.結(jié)果測試樣本的仿真誤差為0.00575,訓練樣本的仿真誤差為0.0224;5、6號樁孔的預測結(jié)果為(0.0012,0.9999),(0.0027,0.0051),即5號樁質(zhì)量為合格,6號樁質(zhì)量為良好.結(jié)論通過預測結(jié)果與三維分析圖的比對結(jié)果,可以得出基于遺傳算法的神經(jīng)網(wǎng)絡模型能夠較好地對孔灌注樁進行智能判別.

計算機通信網(wǎng)優(yōu)化設計,是提升計算機網(wǎng)絡性能,更好滿足人們上網(wǎng)需要的保障。在進行計算機通信網(wǎng)優(yōu)化設計過程中,主要考慮到路由器和鏈路容量分配,以優(yōu)化設計模型cfa構(gòu)建為主,該優(yōu)化過程屬于一個較為復雜的非線性0——1規(guī)劃。遺傳算法在計算機通信網(wǎng)優(yōu)化設計過程中,起到了重要作用。本文對計算機通信網(wǎng)優(yōu)化設計的研究,將以遺傳算法的具體應用為主。