基于遗传神经网络的工程造价估算方法研究

人工神经网络已经成功的运用到工程造价估算方法研究中,高度的鲁棒性和容错能力使它优于多元线性判别分析（MDA）、逻辑回归等方法（Logistic Regression）,针对传统的BP神经网络在工程造价估算方法中存在收敛速度慢和容易陷入局部最小值等问题,提出遗传神经网络的估算方法。将遗传算法和神经网络结合,充分利用两者的优点,使新算法既有遗传算法的全局随机搜索能力,又有神经网络的学习能力和鲁棒性。利用遗传算法的全局搜索能力,针对传统误差反向传播算法的不足,采用染色体编码对神经网络的权值和阈值等主要参数进行优化,通过仿真试验验证其稳定性和有效性,表明该算法在工程造价估算方法中具备较高的实用性。     

动态变异遗传算法

遗传算法是根据达尔文生物进化理论而提出的一种优化算法。该文提出了一种新的遗传算法,理论分析显示,它不仅能保持遗传种群的多样性,而且能快速收敛。计算机仿真实验证明了改进后的遗传算法能够有效地克服不成熟收敛、进而搜索到全局最优解,并将这种新遗传算法用于BP网络的拓朴结构的优化和连接权值的训练,实例表明了该算法的有效性和可行性。     

改进的模糊C-均值聚类方法

该文针对模糊C-均值算法容易收敛于局部极小点的缺陷,将遗传算法应用于模糊C-均值算法(FCM)的优化计算中,其中对传统遗传算法的编码方案、遗传算子约束条件及适应值函数等方面进行改进,提出了一种基于改进遗传算法的模糊聚类方法。实验表明,将改进的遗传算法与FCM算法结合起来进行聚类分析,可以在一定程度上避免FCM算法对初始值敏感和容易陷入局部最优解的缺陷,使聚类更合理,比单一使用FCM算法进行聚类分析的效果要好。     

一种并行的遗传／神经网络混合学习算法

提出了一种用于多层前馈神经网络训练的新算法，它把遗传算法与自适应共轭梯度学习算法集成起来。这种并行混合学习算法已经在多指令流多数据流（ＭＩＭＤ）平台实现。通过把该算法用于一个图像识别问题，对它的性能进行了评估。文中还显示了所提出的并行混合神经网络学习算法良好的收敛性。     

基于改进遗传算法进化神经网络

本文提出一种新颖的基于实数编码的改进遗传算法用于神经网络的训练，该算法采用基于代沟最小的代选择模型，选用BLx—α混合交叉算子。算法简单、鲁棒性强，优化兆效率高，并将该神经网络应用于非线性系统预测，仿真结果证实该方法是快速有效的。     

基于BSO GA算法的机器人子区域覆盖路径规划

为解决传统子区域覆盖路径规划方法的环境普适性不足等问题,课题组设计了专门的头脑风暴 遗传算法BSO GA。对原始头脑风暴算法个体更新方式进行了改进,单个个体更新采用遗传算法移位、倒位和换位算子的思想,混合个体更新采用贪心交叉算子。实验结果表明：BSO GA在距离、运行时间上均优于头脑风暴算法、遗传算法、模拟退火算法和遗传 模拟退火算法;无论在普通作业环境还是特殊作业环境,该算法覆盖率均能达到100%,且没有路径交叉及重复现象,能够较好地完成覆盖任务。     

运用GA-BP神经网络研究时间序列的预测

神经网络能以任意精度逼近非线性函数,以神经网络为基础的时间序列预测模型能很好地反映信息的非线性发展趋势。该文在分析传统BP网络缺点的基础上,用具有良好全局搜索能力的遗传算法来改进神经网络。详细讨论了GA算法的优化神经网络初始权值和阈值的思想和理论。在阐述预测方法同时,用具体例证分析了GA-BP网络预测的性能和特点。结果表明,基于GA-BP神经网络在预测精度和适应性方面高于传统的BP神经网络。     

基于遗传粒子群算法的供水系统优化调度

针对某城市供水系统,建立了大型供水系统的多目标混合离散变量的优化调度模型,采用遗传粒子群混合算法对调度模型进行了求解,实现了该供水系统的直接优化调度,并与传统遗传算法优化调度的过程及结果进行了对比,新算法在优化时间、优化结果及求解效率等方面都具有较强的优越性.     

求解复杂旅行商问题的混合粒子群算法

针对粒子群算法在解决组合优化时存在早熟和易陷入局部最优的问题,提出一种求解旅行商问题( TSP)的混合 粒子群算法。将粒子群算法与遗传算法结合,引入遗传算法中的交叉和变异操作,通过个体极值和群体极值的交叉以及 粒子自身变异的方式增加种群的多样性,避免粒子陷入局部最优,提高算法的局部搜索能力。仿真结果表明,新的混合 粒子群算法在解决TSP问题时具有较好的收敛性及优化效果。     

一种改进的混合遗传算法及其应用

将遗传算法和模拟退火算法进行了有机结合,并采用一种自适应的交叉和变异概率,提出了一种改进的混合遗传算法--自适应的模拟退火遗传算法.通过旅行商问题的仿真实验,对比遗传算法和模拟退火算法的实验结果,这种混合遗传算法改进了传统遗传算法的性能,并且提高了整个算法的收敛速度,拥有更好的优化性能.