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

在彎管前安裝擾流子，可以減小彎管處二次流強度，降低能量損失，并運用cfd軟件對不同參數(shù)下的擾流子節(jié)能效果數(shù)值計算。以l9（33）正交試驗以及4組補充試驗作為bp神經(jīng)網(wǎng)絡(luò)的訓練樣本，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函數(shù)，再結(jié)合遺傳算法進行結(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度,降低能量損失,并運用cfd軟件對不同參數(shù)下的擾流子節(jié)能效果數(shù)值計算.以l9(33)正交試驗以及4組補充試驗作為bp神經(jīng)網(wǎng)絡(luò)的訓練樣本,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函數(shù),再結(jié)合遺傳算法進行結(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.

針對傳統(tǒng)方法單獨采用bp神經(jīng)網(wǎng)絡(luò)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(luò),并將其應(yīng)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(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。

本文對常見的電梯智能群控算法進行了分析比較,重點研究了模糊神經(jīng)網(wǎng)絡(luò)算法。本文首先對大廈客流的特征進行長期統(tǒng)計分析,進而對電梯群交通模式進行分類,利用模糊神經(jīng)網(wǎng)絡(luò)對電梯群的交通模式進行了識別。根據(jù)系統(tǒng)的識別結(jié)果判定電梯群當前處于的交通模式。然后再次利用模糊神經(jīng)網(wǎng)絡(luò)對派梯算法中各電梯響應(yīng)呼梯信號的可信度進行計算,選取可信度最大的電梯響應(yīng)呼梯信號,最終完成派梯。

本文對常見的電梯智能群控算法進行了分析比較,重點研究了模糊神經(jīng)網(wǎng)絡(luò)算法。本文首先對大廈客流的特征進行長期統(tǒng)計分析,進而對電梯群交通模式進行分類,利用模糊神經(jīng)網(wǎng)絡(luò)對電梯群的交通模式進行了識別。根據(jù)系統(tǒng)的識別結(jié)果判定電梯群當前處于的交通模式。然后再次利用模糊神經(jīng)網(wǎng)絡(luò)對派梯算法中各電梯響應(yīng)呼梯信號的可信度進行計算,選取可信度最大的電梯響應(yīng)呼梯信號,最終完成派梯。

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(shè)計過程的觀點,設(shè)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(shè)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(shè)計。利用中心復合設(shè)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(luò)擬合設(shè)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(shè)計空間尋找最佳設(shè)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%。

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(chǔ)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(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(yīng)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(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)進行優(yōu)化研究。首先對花盤結(jié)構(gòu)系統(tǒng)進行諧響應(yīng)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(luò)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(luò)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(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%。

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算法fdd-fnn(failuredetectionalgorithmbasedonfuzzyneuralnetwork).該算法根據(jù)特征信息熵建立了故障檢測評價方法和最小偏差的優(yōu)化模型,設(shè)計了模糊神經(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.通過建立網(wǎng)絡(luò)仿真平臺,深入分析了影響fdd-fnn算法的關(guān)鍵因素,同時對比研究了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(shè)置范圍內(nèi)的最大值時,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(shè)計變量集合的基礎(chǔ)上,用神經(jīng)網(wǎng)絡(luò)學習算法建立貨架結(jié)構(gòu)設(shè)計參數(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(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)計法確定的訓練樣本足夠大的基礎(chǔ)上得出的,具有較強的可靠性.

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。以試驗數(shù)據(jù)為樣本,通過神經(jīng)網(wǎng)絡(luò)建立電鍍工藝參數(shù)與電鍍性能關(guān)系之間的復雜模型,利用遺傳算法對電鍍工藝參數(shù)進行優(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。試驗顯示了方法的有效性和優(yōu)越性。

針對目前斜盤發(fā)動機用彈性聯(lián)軸器設(shè)計方法落后,對軸系振動減振效果不良的現(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)計彈性聯(lián)軸器的方法。首先建立斜盤發(fā)動機軸系動力學數(shù)學模型,并通過數(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)計參數(shù)與目標函數(shù)間的非線性映射關(guān)系。最后采用遺傳算法調(diào)用訓練好的神經(jīng)網(wǎng)絡(luò)進行全局優(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、實用性強。

基于結(jié)構(gòu)系統(tǒng)靜強度可靠性分析、神經(jīng)網(wǎng)絡(luò)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(shè)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(luò)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(yīng)的數(shù)據(jù)加入神經(jīng)網(wǎng)絡(luò)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。

針對隧道工程施工網(wǎng)絡(luò)計劃執(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)計劃的動態(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、專家知識系統(tǒng))的優(yōu)化決策方法能使該技術(shù)在隧道施工的應(yīng)用更科學合理、準確可靠和方便快捷。該技術(shù)不僅能解決施工網(wǎng)絡(luò)計劃的執(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確性,采用近幾年出現(xiàn)的遺傳算法對bp神經(jīng)網(wǎng)絡(luò)進行優(yōu)化,減少了bp神經(jīng)網(wǎng)絡(luò)算法陷入局部最優(yōu)解的風險,顯著增強了bp神經(jīng)網(wǎng)絡(luò)的泛化能力和全局尋優(yōu)能力。對比發(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確的診斷能力。測試結(jié)果表明,遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)對gis設(shè)備放電故障診斷具有可行性和有效性。

針對壓電陶瓷驅(qū)動器的蠕變誤差隨時間呈現(xiàn)非線性變化,會嚴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)的蠕變預測模型。用ga-bp算法對壓電陶瓷蠕變進行了預測仿真,并將結(jié)果與實測數(shù)據(jù)進行了對比。結(jié)果表明,獲得的蠕變預測結(jié)果與實驗數(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預測模型可作為預測壓電陶瓷蠕變誤差的一種有效手段。

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

目的將改進的神經(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)值和閾值進行優(yōu)化,再結(jié)合訓練完成的神經(jīng)網(wǎng)絡(luò)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(luò)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(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)值和閾值進行優(yōu)化,再結(jié)合訓練完成的神經(jīng)網(wǎng)絡(luò)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(luò)模型能夠較好地對孔灌注樁進行智能判別.

根據(jù)電力負荷的主要影響因素,考慮時間和天氣,建立了基于遺傳算法和反向傳播神經(jīng)網(wǎng)絡(luò)(bp)的短期負荷預測.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)短期負荷預測的效率和精度使得負荷預測在更加合理的網(wǎng)絡(luò)結(jié)構(gòu)上進行.

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法的計算結(jié)果相比較,進一步顯示出遺傳算法和人工神經(jīng)網(wǎng)絡(luò)用于計算結(jié)構(gòu)可靠度的優(yōu)點,為結(jié)構(gòu)可靠度研究提供了新的有效思路和方法。