遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的GIS設(shè)備放電故障診斷

針對壓電陶瓷驅(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)測模型。用ga-bp算法對壓電陶瓷蠕變進(jìn)行了預(yù)測仿真,并將結(jié)果與實(shí)測數(shù)據(jù)進(jìn)行了對比。結(jié)果表明,獲得的蠕變預(yù)測結(jié)果與實(shí)驗(yàn)數(shù)據(jù)的最大絕對誤差均不超過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)測模型可作為預(yù)測壓電陶瓷蠕變誤差的一種有效手段。

針對壓電陶瓷驅(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)測模型.用ga-bp算法對壓電陶瓷蠕變進(jìn)行了預(yù)測仿真,并將結(jié)果與實(shí)測數(shù)據(jù)進(jìn)行了對比.結(jié)果表明,獲得的蠕變預(yù)測結(jié)果與實(shí)驗(yàn)數(shù)據(jù)的最大絕對誤差均不超過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)測模型可作為預(yù)測壓電陶瓷蠕變誤差的一種有效手段.

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.

針對bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的訓(xùn)練時(shí)間較長、完全不能訓(xùn)練或容易陷入局部極小值等問題,提出基于遺傳克隆選擇算法(cloga)優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的流程,克服bp算法的一些缺陷。并通過湖北省人口預(yù)測問題進(jìn)行效果檢驗(yàn),得到滿意的結(jié)果。

綜合利用有限元法、正交試驗(yàn)法、bp神經(jīng)網(wǎng)絡(luò)以及遺傳算法對大重型數(shù)控轉(zhuǎn)臺的花盤結(jié)構(gòu)系統(tǒng)進(jìn)行優(yōu)化研究。首先對花盤結(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%。

利用小波分析具有能量分布特征提取的特性和遺傳算法優(yōu)化bp算法的能力,提出了一種基于遺傳算法、小波與神經(jīng)網(wǎng)絡(luò)的電梯故障診斷方法,并應(yīng)用電梯故障數(shù)據(jù)作為實(shí)例進(jìn)行了驗(yàn)證.遺傳算法小波神經(jīng)網(wǎng)絡(luò)模型診斷速度快、魯棒性好、故障診斷正確率高.

采用遺傳算法對建筑設(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.

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、葉片長度、安裝距離的最佳組合形式，并利用有限元方法對結(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、葉片長度、安裝距離的最佳組合形式,并利用有限元方法對結(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.

采用遺傳算法對建筑設(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.

文章以熱泵機(jī)組為研究對象,從實(shí)驗(yàn)測試的角度建立故障-征兆模型。采用bp神經(jīng)網(wǎng)絡(luò)對熱泵機(jī)組進(jìn)行故障診斷并利用matlab仿真,仿真結(jié)果表明基于bp神經(jīng)網(wǎng)絡(luò)的熱泵機(jī)組故障診斷實(shí)現(xiàn)簡單且效果較好。

根據(jù)電力負(fù)荷的主要影響因素,考慮時(shí)間和天氣,建立了基于遺傳算法和反向傳播神經(jīng)網(wǎng)絡(luò)(bp)的短期負(fù)荷預(yù)測.從bp神經(jīng)網(wǎng)絡(luò)的理論入手,采用遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和隱層節(jié)點(diǎn)數(shù),從而避免了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定和初始權(quán)值選擇的盲目性,提高了神經(jīng)網(wǎng)絡(luò)用于電力系統(tǒng)短期負(fù)荷預(yù)測的效率和精度使得負(fù)荷預(yù)測在更加合理的網(wǎng)絡(luò)結(jié)構(gòu)上進(jìn)行.

人工神經(jīng)網(wǎng)絡(luò)在電力電子電路故障診斷中有廣泛的應(yīng)用。常用的反向傳播算法存在著容易陷入局部極小點(diǎn)、對初值要求高的缺點(diǎn),給故障診斷帶來不便。提出了采用遺傳算法優(yōu)化人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的初值,將遺傳算法與人工神經(jīng)網(wǎng)絡(luò)結(jié)合起來,應(yīng)用于電力電子電路的故障診斷中。仿真實(shí)驗(yàn)表明該方法是有效的。

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

針對bp神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)和遺傳算法全局搜索速度過慢的缺點(diǎn)及水利定額編制中存在非線性和復(fù)雜性的實(shí)際狀況,提出采用遺傳算法（ga）優(yōu)化bp神經(jīng)網(wǎng)絡(luò)在水利定額編制中的問題。實(shí)例分析表明,優(yōu)化后模型（ga-bp神經(jīng)網(wǎng)絡(luò)）結(jié)合了bp神經(jīng)網(wǎng)絡(luò)的非線性逼近、局部尋優(yōu)能力和遺傳算法的全局搜索特性,在穩(wěn)定性、預(yù)測精度、收斂速度上均優(yōu)于bp神經(jīng)網(wǎng)絡(luò),可運(yùn)用于水利定額編制。

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,驗(yàn)證了計(jì)算方法的可行性和優(yōu)越性。

商品房的價(jià)格受多方面因素的影響,傳統(tǒng)的預(yù)測方法并不十分有效。為了探索新的房價(jià)預(yù)測理論模型,利用重慶市的數(shù)據(jù),驗(yàn)證了遺傳算法改進(jìn)的bp神經(jīng)網(wǎng)絡(luò)房價(jià)預(yù)測的有效性,從而可以對房地產(chǎn)供求雙方及監(jiān)管機(jī)構(gòu)提供一定的參考。

闡述了企業(yè)信息化水平評價(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)的評價(jià)方法,避免了傳統(tǒng)評價(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)對模型的評價(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號樁孔的預(yù)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(yù)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(luò)模型能夠較好地對孔灌注樁進(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號樁孔的預(yù)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(yù)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(luò)模型能夠較好地對孔灌注樁進(jìn)行智能判別.

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，驗(yàn)證了計(jì)算方法的可行性和優(yōu)越性。

負(fù)荷預(yù)測是電力規(guī)劃的基礎(chǔ),傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測方法存在對初始網(wǎng)絡(luò)權(quán)值設(shè)置敏感、收斂的速度慢、容易陷入局部極小值等缺點(diǎn)。文中引入遺傳算法先對神經(jīng)網(wǎng)絡(luò)的初始值進(jìn)行優(yōu)化,再通過神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練,得出的結(jié)果再經(jīng)bagging方法集成,目的是提高其準(zhǔn)確率。通過matlab仿真進(jìn)行實(shí)驗(yàn),結(jié)果表明,基于bagging算法集成遺傳神經(jīng)網(wǎng)絡(luò),能夠克服傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)的缺點(diǎn),可較快收斂又不易陷入到局部極值中,具有較強(qiáng)的泛化能力,同時(shí)也大大提高了網(wǎng)絡(luò)的預(yù)測精度。