一、遗传算法在神经网络权值优化中的应用（论文文献综述）
张书荣[1]（2021）在《六辊可逆冷轧机全轧程轧制力预测的方法研究》文中进行了进一步梳理带钢冷轧的生产技术是衡量钢铁工业发展水平的重要标志,成品的板形质量和板厚精度与轧制过程中的轧制力密切相关。轧制过程需要先后经历加速、稳速、减速三个阶段,随着轧制不断进行,轧辊磨损会引起轧辊状态的改变,若不及时更换轧辊导致冷轧过程无法正常进行。目前对轧制力预测的研究很少涉及整个轧制过程（全轧程）,本文以单机架六辊可逆冷轧机为研究对象,以提高全轧程轧制力预测精度为目标,研究了多种预测轧制力的方法。根据速度变化特性可简单分为稳速段和变速段。基于冷轧的基本原理,摩擦系数和变形抗力直接决定了轧制力的计算精度,分析两者的影响因素,建立相应的拟合模型。根据轧件宽度、带材合金号、道次数、轧制阶段等分别建立稳速段和变速段参数模型库,利用Bland-Ford-Hill公式得到轧制力预测值并加以分析。为实现对全轧程轧制力的预测,引入神经网络,同时对稳速段、变速段数据进行分析。使用加法纠偏补偿模型,结合数学方法和神经网络预测轧制力,将模型库的计算结果作为轧制力预测值的主值,建立单隐层神经网络模型预测主值与实测值的差值,对轧制力预测偏差进行补偿。同时更改网络输出参数,将轧制力作为网络的输出量,以相同的网络结构预测轧制力。并使用GA算法优化神经网络的权值阈值,建立GA-BP神经网络轧制力预测模型,减小轧制力的预测误差。针对换辊周期内参数变化的关联性,将长短期记忆（LSTM）网络应用于全轧程轧制力预测中,LSTM网络充分考虑样本点的时间序列信息,更贴近实际冷轧生产的工艺流程。根据标记的换辊信息将52136个数据点划分为50组数据集,将前40组数据作为训练集,最后10组作为预测集数据。分别从时间步长、隐藏层神经元个数、学习速率等方面进行综合对比分析,确定合适的参数取值。结果表明,使用LSTM网络模型预测精度最高,预测误差可减小到3%左右。
王英伟[2]（2021）在《基于群体智能算法的神经网络优化与股指预测研究》文中研究表明度量和反映股票市场总体变动趋势的股票价格指数是经济发展的“晴雨表”,它不但能够准确反映经济运行的基本趋势,为政府对市场的调控监管提供依据,同时也是投资者判断经济前景的重要参考指标,为投资者做出合理投资决策提供指引,因此,对股票价格指数进行预测具有重要的理论和现实意义。本文以股指预测的建模及股指预测模型的实证分析为研究主题,每个股指预测模型包括数据预处理、特征提取、特征选择和基于神经网络的股指预测模型。综合学习粒子群优化算法是一种改进的粒子群优化算法,能够解决粒子群优化算法的早熟收敛问题。因此,本文在重点研究综合学习粒子群优化算法的基础上,提出四种改进的综合学习粒子群优化算法,并将其用于三个股指预测模型的特征选择算法和神经网络参数优化,以期获得更优的特征子集和精度更高的股指预测模型。本文具体研究内容和创新点如下:（1）股指预测模型Ⅰ:首先,基于随机扰动操作和模拟退火算法提出了一种综合学习粒子群和模拟退火混合算法,该方法能够扩大粒子个体最优解的探索区域,在算法迭代后期能够进一步提高算法的局部开发能力,提高算法收敛精度,解决了综合学习粒子群优化算法在迭代后期收敛速度慢的问题。通过各类型标准函数测试对比,本文提出的综合学习粒子群混合算法在函数优化精度方面显着提高;其次,在基于神经网络的股指预测模型中,将综合学习粒子群混合算法用于神经网络的权值和阈值优化问题中,神经网络超参数和输入特征长度采用二进制粒子群优化算法进行优化;最后,将基于随机森林的特征选择算法输出的最优特征子集和全部特征组成的特征集作为输入,分别用于四种神经网络股指预测模型。仿真结果显示,基于随机森林的特征选择算法和改进的综合学习粒子群混合算法优化的神经网络股指预测模型Ⅰ的精度最高。（2）股指预测模型Ⅱ:首先,提出了基于多目标二进制粒子群算法和神经网络的特征选择算法,多目标二进制粒子群优化算法同时用于特征选择和神经网络的超参数优化,仿真结果显示,和二进制粒子群特征选择算法及变异二进制粒子群特征选择算法相比,多目标优化算法能够有效降低神经网络的复杂度和最优特征的数量;其次,基于差分变异和拟牛顿法提出了一种综合学习粒子群和差分进化混合算法,该方法能够在算法初期提高粒子个体最优解的全局探索能力,在算法迭代后期提高了粒子的收敛精度,解决了综合学习粒子群优化算法迭代后期收敛速度慢的问题。通过各类型标准函数测试对比,本文提出的综合学习粒子群混合算法在函数优化精度方面显着提高。在此基础上,将综合学习粒子群混合算法用于神经网络的权值和阈值优化问题中,神经网络超参数和输入特征长度采用二进制粒子群优化算法进行优化;最后,将多目标二进制粒子群特征选择算法和二进制粒子群特征选择算法输出的最优特征子集和全部特征组成的特征集作为输入,分别用于四种神经网络股指预测模型。仿真结果显示,基于多目标二进制粒子群算法和神经网络的特征选择算法和改进的综合学习粒子群混合算法优化的神经网络股指预测模型Ⅱ预测精度最高。（3）股指预测模型Ⅲ:首先,提出了基于改进的多目标综合学习粒子群优化算法和支持向量回归的特征选择模型,仿真结果显示,和基于标准的多目标综合学习粒子群优化算法的特征选择模型相比,改进的算法能够有效降低最优特征子集中的特征数量;其次,基于柯西变异和高斯变异提出了多种群综合学习粒子群优化算法,通过引入全局探索子种群和局部开发子种群来平衡算法的全局探索能力和局部开发能力,并在两种子种群中分别引入柯西变异和高斯变异,以期对进化停滞的粒子实施变异策略,帮助粒子逃离局部最优解,提高种群多样性;最后,将两个特征选择算法得出的最优特征子集和全部特征组成的特征集作为输入,分别用于四种神经网络股指预测模型。仿真结果显示,基于改进的多目标粒子群优化算法的特征选择模型和改进的多种群综合学习粒子群优化算法优化的神经网络股指预测模型Ⅲ预测精度最高。（4）从三种股指预测模型的测试结果可以看出,股指预测模型Ⅱ在沪深300指数和富时100指数的预测结果中最优,股指预测模型Ⅰ在标准普尔500指数的测试结果中最优,股指预测模型Ⅲ在日经225指数的测试结果中最优。
汪永友[3]（2021）在《城市供水管网压力优化调控的研究》文中研究表明城市供水系统作为城市的重要基础设施,是保障人民生活和发展经济建设的物质基础。供水管网系统作为城市供水系统的重要组成部分,在随着城市规模的扩大和人们生活水平的提升的过程中,也面临着极大的挑战。本文以某市供水系统为依托,通过对某市供水现状进行分析,得出某市供水管网系统压力过高时会促使供水管网的漏损现象更为严重,导致了水资源的浪费,供水压力不足会造成用水端用水量较小,居民的工业生产的用水需求受到影响。鉴于此情况,本文立足于提高供水质量,从满足居民生活和工业生产用水量需求、降低管网漏损率及管网运行能耗的角度出发,提出了供水管网压力优化调控研究,研究分为管网流量预测、供水管网压力预测分析和供水管网压力优化调控三个部分,其中供水管网流量预测分析及供水管网压力预测分析是压力优化调控的基础。1、建立了某市供水管网流量预测模型。通过对某市供水管网流量进行分析,探讨了某市供水的变化规律及影响因素,提出了基于GA-BP的时间序列模型和解释性模型,结合某市供水管网监控系统的流量数据,再对这两种模型进行对比,得出基于GA-BP的时间序列模型对用水量的预测要更精准,该模型得出的流量数据可以应用于管网下一步的压力优化调控研究。2、建立了某市供水管网压力模型。通过对管网模型的研究,并结合某市供水管网的实际运行情况,应用BP神经网络算法,构建了宏观管网压力模型,通过与某市供水管网监控系统中的压力数据进行对比,表明基于BP神经网络管网压力模型的预测结果有足够的精度,能够有效模拟出管网运行的实际状态,该模型得出的压力数据可以应用于管网压力优化调控的研究。3、对某市供水管网进行了压力优化调控进行了研究。针对供水管网系统,利用伯努利方程,对供水管网中压力和流量的关系进行了分析,并结合城市供水管网流量预测模型和压力预测模型的研究数据,采用BP神经网络建立压力优化调控模型,得出优化后的压力,当供水需求量较大时,模型提供较大的压力满足供水量需求,供水量需求较小时减小压力避免管网运行的能耗损失及管网的漏损率的增加。从而推动供水研究的发展,实现供水质量水平的提升,并达到节能降耗的作用。
吴瑞犇[4]（2020）在《基于遗传算法和神经网络的核管道载荷识别与优化研究》文中研究说明核电是我国洁能发电中的重要组成部分,截至2018年核电发电占比仅5.2%,较发达国家相比还有很大距离,因此大力发展核电可以保持产业结构持续优化升级。在核电系统中,核管道是重要组成部分。为了保障核管道的安全和稳定,故有必要对核管道进行载荷识别和优化研究。在回顾和总结目前核管道载荷识别和管道—弹簧支架系统优化的研究现状基础上,运用遗传算法（GA）、多岛遗传算法、BP神经网络和GA—神经网络,研究分析了这4种算法的优劣性。在测试算例中表明,多岛遗传算法较遗传算法收敛速度更快,平均遗传代数降低23.6%;GA-神经网络和BP神经网络在拟合效果上相比,平均误差率从0.96%下降到0.63%。通过建立桁架桥梁的载荷识别模型,在多点瞬态载荷作用下,分析桁架桥梁的位移情况。并根据桥梁位移进行了BP神经网络和GA—神经网络的训练,结果表明在训练100次时拟合效果最好,误差很低。在此基础上,利用SiPESC.FEMS管道分析系统,对核管道瞬态载荷和温度瞬态载荷进行了载荷识别分析,计算结果表明GA—神经网络的训练效果依然很好,平均误差率不到1%。针对实际工程问题中的某出料核管道进行结构分析测试,获得核管道系统的固有频率,响应谱位移和加速度,说明该核管道分析系统具备了复杂实际问题分析能力。进一步,利用SiPESC.FEMS管道分析系统,建立管道—弹簧支架系统模型,通过分析不同弹簧刚度（100010000N/mm）下管道的位移和模态。结果表明,随着弹簧刚度增大,管道固有频率降低;在弹簧刚度40007000N/mm时,管道位移和系统中最大轴力位置的轴力趋于稳定。又通过分析不同弹簧支架位置（01.71m）的变化,得到随着弹簧支架的移动,管道的位移先减小后增大,同时最大轴力处管道的轴力同样是先减小后增大,但与位移不同的是位移的“拐点”是在管道的中部,即在0.855处,而轴力的“拐点”是在0.428处。利用SiPESC.OPT多目标遗传算法,建立了不同载荷、不同弹簧刚度和不同弹簧支架位置的多目标优化模型,进行核管道的多目标优化问题研究。在双目标优化中,通过优化管道最小位移和轴力最大处的最小轴力作为目标函数;后又增加了热膨胀位移作为第三个目标函数,得到了所有解的Pareto前沿。并从优化结果中分析多目标优化和单目标优化的区别。
刘松[5]（2019）在《面向随机时变网络的带班期限制的多式联运路径优化研究》文中提出在多式联运网络的路径优化中,面临两大现实问题,一是由于受到交通管理、天气状况、交通状况、季节性变化等因素影响,使得运输时间等也相应地发生变化,从而导致确定性条件下所给出的运输方案不能满足企业要求,二是多式联运中各种运输方式存在班期的限制,比如水运的班轮、铁路的班列,这必然会对运输方案产生影响。因此,为了能够将货物在复杂的多式联运网络中合理的运抵目的地,在多式联运网络中选择最佳的运输路径具有重要意义。本文总结了国内外多式联运路径优化相关研究现状,并从静态网络下带班期限制、时变网络下带班期限制的多式联运路径优化,以及随机时变网络下带班期限制的多式联运路径优化等方面,按照由易到难的层次结构,研究了随机时变网络下带班期限制的多式联运路径优化,论文主要研究内容如下:（1）研究了静态网络下带班期限制的多式联运路径优化问题,构建了带班期限制的多式联运路径优化模型。设计了基于连通路径编码方式的遗传算法,并在此基础上设计了自适应遗传算法以及退火遗传算法对该问题进行求解,并进行了算例分析,同时对设计的三种算法进行了对比分析。研究结果表明:铁路、水路等运输工具的发班班期会影响多式联运路径决策,通过构建的模型和设计的算法,可以根据决策者的要求快速地选出时间最短的运输方案,可以为决策者提供决策支持。（2）研究了时变网络下带班期限制的多式联运路径优化问题,针对时变网络的FIFO问题,利用行驶速度来计算路段行程时间,并考虑了不跨时段行驶、部分跨时段行驶、完全跨时段行驶等,运载工具在一个时段甚至多个时段都无法驶出该路段情景下的跨时段行驶问题,设计了路段行程时间的计算方法,并构建了时变网络下带班期限制的多式联运路径优化模型。定制了基于连通路径编码方式的遗传算法,并在此基础上设计了自适应遗传算法以及退火遗传算法对该问题进行求解,并进行了算例分析,同时对定制的三种算法进行了对比分析。（3）研究了随机时变网络下带班期限制的多式联运路径优化问题,由于随机时变网络权值具有随机性,文章利用蒙特卡洛仿真,从可靠度的角度,利用蒙特卡洛仿真求出路径的可靠度,构建了以可靠度最大为目标的满足时间窗等约束的随机时变网络下带班期限制的多式联运路径优化模型。求解方面,在基于连通路径编码方式的遗传算法基础上,通过蒙特卡洛仿真结合行驶时间分布情况,计算路径的可靠度,计算可靠度的过程中,针对随机时变网络的FIFO问题,利用时变网络下带班期限制的多式联运路径优化部分设计的路段行程时间计算方法进行计算,并在基于连通路径编码方式的遗传算法基础上定制了蒙特卡洛自适应遗传算法以及蒙特卡洛退火遗传算法对该问题进行求解,并进行了算例分析,同时对定制的三种算法进行了对比分析,研究结果表明:论文所设计的三种算法,可用于随机时变网络下带班期限制的多式联运路径优化求解,为企业选择最佳运输路线提供决策参考。本文从多式联运实际运作出发,抓住多式联运路径优化中面临的两大现实问题,构建模型,并针对模型的NP难特点,设计启发式算法,并在算法交叉、变异的过程中,充分考虑了交叉、变异后可能会出现不通路或者环路的情况,并设计了相应的处理方法。所做研究将进一步充实多式联运路径优化研究成果,具有一定的理论意义和实际应用价值。
孟松[6]（2019）在《基于改进粒子群算法的油船结构优化研究》文中研究指明随着船舶结构朝着大型化和复杂化方向发展,致使船舶结构优化设计变量数目增多,约束和目标函数的非线性程度增大,船舶结构优化问题呈现出多极值、高维度和高非线性的特点。粒子群算法（PSO）的全局探索能力和BP神经网络的局部开发能力相结合形成的PSO-BP神经网络代理模型,在保证一定精度下能够有效降低有限元分析次数,提高船舶结构优化效率,但PSO算法在迭代进化过程中种群多样性不能很好保持,算法存在早熟收敛的问题。本文采用一种分期变异粒子群算法（SMPSO）,用于优化BP神经网络参数,将优化后神经网络应用到油船结构优化设计中,取得良好效果。本文主要研究内容如下:（1）建立107600DWT油船的舱段结构有限元模型。通过ISIGHT软件对其进行灵敏度分析,得到用于油船结构优化的有效设计变量。利用正交试验获取BP神经网络训练与检测样本数据。（2）介绍BP神经网络和PSO算法的基本原理和参数设置,通过MATLAB软件完成BP和PSO-BP神经网络编程工作。采用训练样本数据分别对BP神经网络和PSO-BP神经网络进行训练,利用检测样本数据对它们的泛化能力进行检测和对比。（3）采用一种分期变异策略对粒子群算法进行改进,该策略为在算法迭代初期采用种群多区间的粒子初始位置生成法,迭代中后期采用混沌策略对群体最优解进行扰动,始终保持算法种群多样性持续变化。通过相同的训练和检测,SMPSO-BP神经网络的泛化能力更好更稳定。（4）将SMPSO-BP神经网络和有约束最小化函数fmincon用于油船舱段结构优化,效果明显。对优化后的舱段模型进行有限元分析,各项指标符合规范要求,说明将SMPSO-BP神经网络运用于船舶结构优化是可行的。
赵志彪[7]（2019）在《快速学习网与遗传算法研究及在水泥熟料换热优化的应用》文中认为快速学习网（Fast Learning Networks,FLN）是一种学习速度快、泛化性能良好的双并联非迭代学习神经网络;非支配排序精英遗传算法（Non-dominated Sorting Genetic Algorithm II,NSGA-II）是一种由遗传算法发展而来的多目标智能优化算法。它们能够解决复杂系统的建模和优化问题,已被应用于多种领域。本文对FLN和NSGA-II进行深入研究,针对其不足进行改进,并将其应用于篦冷机模型辨识和参数优化中,同时融合篦冷机内熟料换热机理,优化水泥熟料换热参数。不仅对篦冷机换热效率的提高具有重要的理论指导意义,而且拥有广泛的应用前景和巨大社会效益。本文的主要研究内容描述如下:首先,为了提高原始FLN的非线性映射能力,推导原始FLN的核方法,针对其在大样本集中核矩阵维数过高问题,利用简化的核矩阵替代推导得出的核矩阵,提出简化核方法的快速学习网（Reduced Kernel Fast Learning Network,RKFLN）,并基于贝叶斯回归推导其非迭代训练算法,从而提出稀疏贝叶斯简化核方法快速学习网（Sparse Bayesian Reduced Kernel Fast Learning Network,SBRKFLN）,通过与其它几种着名的快速学习模型的仿真对比,验证SBRKFLN的有效性和优越性。基于递归最小二乘法提出一种针对回声网络的在线型训练算法（Recursive Least Squares based Echo State Networks,RLS-ESN）,并利用非线性自回归滑动平均（Nonlinear Auto Regressive Moving Average,NARMA）模型的数值仿真验证其有效性。其次,针对目前多目标非支配排序精英遗传算法多样性导致的种群早熟和个体分布不均的问题,提出一种自适应多种群融合的非支配排序遗传算法（Adaptive Multipopulation Non-dominated Sorting Genetic Algorithm II,AMP-NSGA-II）。将单一种群划分多个子种群,并设计多种群之间的协调与竞争算法过程,从而保持个体的多样性。让优势种群得到更多繁衍机会,模拟现实世界中的种群竞争,同时让劣势个体与优势个体之间存在依附关系,模仿现实世界中的物种共生。所设计的种群进化方式能够在保持个体多样性的同时使个体分布更加均匀。利用多目标基准测试问题验证该算法具有较好的收敛性能和较强的适应能力。再次,以某水泥生产线中的篦冷机作为研究对象,针对其高温熟料换热过程的工作原理和各项参数的影响进行定性分析。基于热力学第二定律,建立篦冷机熟料换热过程中不可逆损失的能量损耗模型。在预设一些参数的基础上,利用提出的AMPNSGA-II算法对篦冷机修正的熵产数进行优化,获得能量损耗的Pareto前沿。最后,分别利用SBRKFLN和RLS-ESN建立篦冷机回收的二次风温度和排出熟料温度的辨识模型,仿真实验证明所提出的算法能准确地预测出二次风温度和排出熟料温度。基于建立的二次风温度模型和熟料温度模型,利用AMP-NSGA-II进行篦冷机参数的优化,同时利用能量损耗Pareto前沿进行距离判定,筛选篦冷机的最优参数组合,使篦冷机在最佳换热参数下运行,从而达到提高篦冷机热效率,提高能源利用率的目的。
龙欢[8]（2019）在《数据挖掘在中央空调运行策略中的优化研究》文中认为能源消耗一直是经久不衰的热门话题,全球每年的建筑能耗正在逐渐升高。如今国内城镇化明显加速了建筑能耗,建筑内的主要耗能系统之一就是中央空调系统。21世纪初出现的云存储平台,使中央空调在运行中积累大量的能耗数据,存储在Oracle数据库中,其数据量已经达到上千万条之多,为数据挖掘奠定了基础。传统的数据分析技术包括查询、筛选、归纳、统计等,往往针对数据本身的数学特征进行分析,不易发现隐含信息,因此采用新兴的数据挖掘技术是研究中央空调系统节能策略优化问题的重要途径之一。本课题以某商场的中央空调系统为研究对象,通过传感器采集系统数据并将其存储在Oracle数据库中,对采集的数据进行预处理以获得稳定条件下的运行数据,并对其进行能耗分析与能耗特征选择。利用Boruta特征选择算法从原始能耗变量中选择出合适的能耗特征子集,即负荷率、主机出水温度、冷冻水泵频率和冷却水泵频率,将能耗特征子集作为后期数据挖掘模型和节能策略优化的对象。根据预处理后的中央空调系统的稳定运行数据,建立了中央空调系统的两个数据挖掘模型,分别是中央空调BP神经网络模型和中央空调关联规则模型,该模型分别可以有效的解决中央空调系统机理建模困难和系统耦合性强的问题。基于中央空调系统的两个数据挖掘模型,提出一种改进遗传算法的优化策略,本文称为混合遗传关联算法。混合遗传关联算法优化变量选取能耗特征子集,优化目标选取中央空调系统能耗比EER,最后采用原始数据验证了混合遗传关联算法的可行性。本文选取负荷率75%和90%两个具有代表性的运行工况,分别采用遗传算法和混合遗传关联算法优化两种运行工况下的能耗特征子集,找到该工况下的最佳运行策略。比较两种算法的优化策略,遗传算法的平均遗传代数是混合遗传关联算法的1.62倍,同时混合遗传关联算法得到的能耗比提高了4.15%8.40%。最后对各个工况优化值进行多项式拟合,经分析可得拟合曲线变化趋势符合中央空调节能运行情况,拟合曲线分析结果可以为企业空调设计提供参考。综上,本文采用的数据挖掘技术为空调运行策略提供了一条有效路径。
田慕玲[9]（2014）在《煤泥浮选泡沫图像的多元特征量提取算法及状态识别》文中进行了进一步梳理煤泥浮选是借助于不同物质主要指煤和矸石的表面润湿性存在差异性来进行的,并通过浮选药剂的作用,在矿浆中使疏水的煤粒附着在气泡上,并上浮于浮选泡沫层,而亲水的矸石颗粒则滞留在煤浆中成为浮选尾煤,以此来实现煤与矸石矿物的分离。虽然煤泥浮选过程是受诸多因素影响的一个复杂的过程,但通过提取浮选图像气泡的各种视觉特征如气泡大小、泡沫纹理特征及动态特征、泡沫层、和尾矿等参数,可分析浮选过程的优劣,并对浮选生产指标如精煤品位做出浮选状态识别。本文的处理对象是经工业CCD相机所摄取的多幅浮选泡沫图像,针对这些图像含噪声大、气泡对比度低的特点,在分析和研究了图像处理与图像特征提取技术的基础上,提出了一套改进的图像处理、特征提取的优化算法,并通过大量仿真证明了此算法的优越性;同时就用于煤泥浮选状态识别的RBF神经网络进行了优化设计,使其具有良好的泛化能力,通过所提取的特征矢量对浮选状态做出了有效的识别。论文主要研究内容、采用的方法和结论如下:（1）详细阐述了空域、频域图像去噪方法、形态学图像去噪方法,并分析与对比了各种图像去噪方法的优劣,设计了一种基于重构的形态学开闭滤波低频滤波器。（2）针对形态学滤波中结构元素的优化,通过对遗传算法优劣性分析的基础上,提出了改进的遗传算法。在改进的算法中放弃了传统的信息熵作为相似度评价的指标,采用基于异或运算的海明距相似度判别准则,使判别更加省时、高效、精确;采用自适应的变异方法,并加入了变异调节因子,将传统的自适应变异方法加以改进;将遗传算法与免疫算法有机的结合,沿用了两者的进化策略,在改进的遗传算法过程中加入了精英保留的思想,保留了优秀的基因个体而防止进化倒退,进一步保证算法的收敛性。通过对比验证了经改进算法而获得的结构元素的适应度得以提高,去噪效果显着改善。（3）在优化结构元素的进化算法中针对图像去噪的无参考的客观评价方法,提出了一种针对无参考图像的基于灰度共生矩阵的改进的信息容量的去噪评价指标,并首次将其作为进化算法的适应度函数。（4）对图像分割方法做了进一步的研究,针对浮选气泡混杂难以分割的特点,提出了一种基于粒子群优算法与一维直方图加权的模糊C均值聚类方法融合的煤泥浮选泡沫图像内部标记符提取的改进算法,对图像分水岭分割的内部标记点进行标识。在基于粒子群算法的图像二值化的阈值的优化中,使用了基于灰度共生矩阵的二维最大熵作为适应度函数来优化图像二值化中的阈值。通过仿真验证了这种改进分割方法的有效性,并将此方法与其它分水岭分割的通用算法进行了对比,进一步证明了应用这种方法进行图像分割的准确性。（5）针对煤泥浮选是一个由多变量耦合制约、非线性的的复杂过程,提取浮选过程中的多元特征量作为精煤品位预测模型的输入。在对浮选的各种纹理特征、大小特征、泡沫层特征等与浮选指标相关性分析的基础上,选定基于灰度共生矩阵的对比度、相关度、能量、熵与基于邻域灰阶共生矩阵的粗度、细度作为纹理特征,基于图像分割结果的气泡尺寸特征,再加入泡沫层的厚度特征作为判定浮选状态的特征向量,并对各个特征量的提取算法做了详尽的阐述。（6）提出改进的免疫算法与模糊C均值聚类的融合算法对用于状态识别的RBF神经网络的各个参数进行了优化。首先采用改进的免疫算法来确定神经网络隐层的中心位置及数量,在算法中加入了免疫算法初始种群选取的改进算法、亲和力阈值的分段选取法,并将抗体删除机制、抗体免疫机制及抗体浓度调节原理加入免疫算法中;其次融合模糊C均值聚类算法对RBF隐层中心进行进一步的优化。通过样本的验证证明由上述方法优化的RBF神经网络对于浮选状态的识别准确性明显提高,并具有较好的泛化能力。
高鹏毅[10]（2012）在《BP神经网络分类器优化技术研究》文中研究说明由于其强大的学习能力，人工神经网络特别是BP神经网络已经成为研究模式识别如人脸辨识、字符识别、车牌识别（LPR）、语音识别和信号处理等分类问题的重要工具。研究证明，神经网络的性能主要取决于三个因素：首先是用于训练神经网络的样本的特征选择方法，其次是神经网络的优化算法，最后就是神经网络隐层节点的选择方法。采用合适的特征选择模型，寻找最佳的神经网络优化算法和隐层节点的选择方法，对改善BP神经网络分类器的分类识别率具有重要的理论和实用价值。高维特征向量会给神经网络的训练增加巨大的计算开销和“过训练”的危险，因此有必要通过特征选择的方法删除无关特征，选择最小的特征子集以保持或改善神经网络分类器的泛化性能。另一方面，以神经网络分类器的误差率作为评价准则的特征选择方法能比其它方法获得更好的性能，因此它也能更好地处理那些相关特征较多的数据集。提出了一种混合特征选择模型用于从潜在的相关特征中选择那些最重要的特征。该模型包括两部分：filter部分与wrapper部分。在filter部分，四种不同的Filter方法分别对候选特征进行独立排序，在融合后进一步生成综合特征排序，然后根据综合排序产生遗传算法（GA）的初始种群。在wrapper部分，GA算法根据神经网络的分类准确率评价特征子集，以便搜索到最优的特征子集。实验数据表明，模型不仅能有效地减少特征子集的大小，而且还进一步提高分类识别的准确率和效果。为了克服BP算法的缺点，提出了一种集成遗传算法和禁忌搜索算法（TS）两者优点的GTA优化算法。为了在一个大的解空间搜索到一个理想的、有利于找到最优解的初始解，训练过程分为两个阶段：首先通过GA算法找到一个理想的初始解，然后通过TS算法选择最优解。不同于其他主要的算法，在第一阶段，TS算法是从被挑选的解开始搜索进程，而不是从GA产生的新种群中的随机解开始。而当前解则是候选邻域解集中未被禁忌的最优解。为了避免重复搜索已访问过的区域，通过加入新的最优解替换较早进入禁忌表的解来更新禁忌列表。当满足禁忌条件时，则以当前解为新的搜索中心，将搜索半径减半并重新进行搜索。经验表明，神经网络的性能主要取决于网络的结构，特别是隐层节点数。网络越小越好。然而规模小的网络比规模大的误差曲线更复杂，包含更多的局部极小点。反之，规模大的网络能获得理想的精度，但过于复杂的网络结构却可能带来过训练问题，无法取得好的泛化性能。因此，选择合适的隐层节点数是一门专门的学问。为了快速找到最合适的神经网络隐层节点数，一种新的“三点式搜索”算法被提出。如果分类误差为一个启发函数，那么隐层节点数与分类误差的关系就是一个抛物线函数，用E（H）表示。“三点式搜索”算法首先根据6个经验公式计算出隐层节点数来确定一个搜索区间，并在该区间中选取三个点Hmin, Hmid和Hmax，然后根据它们之间的误差大小关系分别调整这三个点的值，逐步缩小搜索区域，最后找到一个最优的隐层节点数。为了动态调整神经网络的隐层节点，提出了一种结合遗传算法和强化学习Agent优点的混合学习模型。在该模型中，神经网络Agent（NNAgent）和强化学习Agent（RL Agent）彼此合作完成自动调整神经网络结构的任务。NN agent负责增加或裁减隐层节点以确定最优的节点数，同时对神经网络的权值进行优化调整。RL agent接收来自NN agent的奖励，然后根据在过去的经验和累计奖励值的基础上能产生最大奖励的优化策略调整隐层节点的影响因子，而不必像AMGA算法那样需要根据很难获取的经验公式去计算合并节点的影响因子。测试结果表明，算法不仅能减少时间开销，而且更容易找到最优的全局解，提高分类器的精度。
二、遗传算法在神经网络权值优化中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、遗传算法在神经网络权值优化中的应用（论文提纲范文）
（1）六辊可逆冷轧机全轧程轧制力预测的方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 冷轧工艺的生产流程 |
| 1.3 可逆冷轧机的轧制过程 |
| 1.4 轧制力预测方法的研究现状 |
| 1.5 研究的主要内容 |
| 2 冷轧过程的理论基础及轧制参数数学模型的设定 |
| 2.1 冷轧过程中的几何参数 |
| 2.1.1 变形区 |
| 2.1.2 简单轧制 |
| 2.1.3 咬入角和接触弧长 |
| 2.1.4 体积不变原理和金属秒流量相等法则 |
| 2.1.5 中性角的定义及计算 |
| 2.1.6 前滑值的计算公式 |
| 2.2 轧制力的数学公式 |
| 2.2.1 冷轧轧制力计算的特点 |
| 2.2.2 常用轧制力的数学模型 |
| 2.3 影响轧制力的参数变量 |
| 2.3.1 摩擦系数 |
| 2.3.2 变形抗力 |
| 2.3.3 张力 |
| 2.4 摩擦系数的数学模型 |
| 2.4.1 计算公式 |
| 2.4.2 拟合模型 |
| 2.5 变形抗力的数学模型 |
| 2.5.1 计算公式 |
| 2.5.2 拟合模型 |
| 2.6 本章小结 |
| 3 结合数学模型和神经网络预测轧制力 |
| 3.1 数学模型下全轧程轧制力预测 |
| 3.1.1 稳速段模型库 |
| 3.1.2 变速段模型库 |
| 3.1.3 预测精度的评价指标 |
| 3.1.4 全轧程预测结果及分析 |
| 3.2 全轧程参数的变化特点 |
| 3.2.1 轧制力与轧制速度的关系 |
| 3.2.2 轧制速度与摩擦系数的关系 |
| 3.3 神经网络对轧制力的偏差补偿研究 |
| 3.3.1 算法原理及训练流程 |
| 3.3.2 结构设计 |
| 3.3.3 参数设定 |
| 3.4 仿真结果及分析 |
| 3.5 本章小结 |
| 4 GA-BP神经网络预测轧制力 |
| 4.1 使用神经网络预测轧制力 |
| 4.2 GA算法优化神经网络 |
| 4.2.1 主要特征 |
| 4.2.2 基本要素 |
| 4.2.3 计算流程 |
| 4.3 GA-BP混合算法优化流程 |
| 4.4 轧制力预测仿真及结果分析 |
| 4.5 本章小结 |
| 5 基于LSTM神经网络的轧制力预测 |
| 5.1 抽象问题 |
| 5.2 LSTM神经网络 |
| 5.2.1 实现原理 |
| 5.2.2 训练过程 |
| 5.3 构建网络结构 |
| 5.3.1 输入参数 |
| 5.3.2 隐含层神经元数 |
| 5.3.3 轧制力预测步骤 |
| 5.4 预测结果及分析 |
| 5.4.1 不同参数下的预测结果 |
| 5.4.2 LSTM神经网络的预测结果及分析 |
| 5.4.3 多种方法预测结果及分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（2）基于群体智能算法的神经网络优化与股指预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 问题提出及意义 |
| 1.1.1 问题提出 |
| 1.1.2 研究意义 |
| 1.2 研究内容及结构安排 |
| 1.3 研究思路与方法 |
| 1.4 创新与不足 |
| 第2章 相关工作 |
| 2.1 神经网络 |
| 2.1.1 神经元模型 |
| 2.1.2 神经网络结构 |
| 2.1.3 神经网络学习算法 |
| 2.2 后向传播神经网络 |
| 2.3 国外文献综述 |
| 2.4 国内文献综述 |
| 2.5 已有研究局限性评述 |
| 2.6 本章小结 |
| 第3章 基于改进的综合学习粒子群混合算法优化的股指预测模型Ⅰ |
| 3.1 基于随机森林的特征选择算法 |
| 3.2 粒子群优化算法 |
| 3.2.1 标准粒子群优化算法 |
| 3.2.2 综合学习粒子群优化算法 |
| 3.3 改进的综合学习粒子群和模拟退火混合算法 |
| 3.3.1 模拟退火算法 |
| 3.3.2 变异策略 |
| 3.3.3 改进的综合学习粒子群和模拟退火混合算法 |
| 3.4 实验结果及分析 |
| 3.5 基于改进的综合学习粒子群和模拟退火混合算法的神经网络参数优化 |
| 3.5.1 技术指标 |
| 3.5.2 基于改进的综合学习粒子群和模拟退火混合算法的股指预测模型 |
| 3.5.3 实验结果及分析 |
| 3.6 本章小结 |
| 第4章 基于改进的综合学习粒子群混合算法优化的股指预测模型Ⅱ |
| 4.1 多目标二进制粒子群算法 |
| 4.1.1 二进制粒子群优化算法 |
| 4.1.2 多目标优化算法 |
| 4.1.3 多目标二进制粒子群优化算法 |
| 4.2 多目标二进制粒子群特征选择算法和模糊决策 |
| 4.2.1 MOBPSO-BPNN特征选择算法 |
| 4.2.2 模糊决策 |
| 4.3 实验结果及分析 |
| 4.4 改进的综合学习粒子群和差分进化混合算法 |
| 4.5 实验结果及分析 |
| 4.6 比较两种改进的综合学习粒子群优化算法 |
| 4.7 基于改进的综合学习粒子群和差分进化混合算法的神经网络参数优化 |
| 4.7.1 基于改进的综合学习粒子群和差分进化混合算法的股指预测模型 |
| 4.7.2 实验结果及分析 |
| 4.8 本章小结 |
| 第5章 基于改进的多种群综合学习粒子群算法优化的股指预测模型Ⅲ |
| 5.1 支持向量回归模型 |
| 5.2 改进的多目标综合学习粒子群算法 |
| 5.3 基于改进的多目标综合学习粒子群特征选择算法 |
| 5.4 测试结果及分析 |
| 5.5 改进的多种群综合学习粒子群算法 |
| 5.5.1 粒子变异策略 |
| 5.5.2 算法流程 |
| 5.6 实验结果及分析 |
| 5.7 基于改进的多种群综合学习粒子群算法的神经网络参数优化 |
| 5.7.1 基于改进的多种群综合学习粒子群算法的股指预测模型 |
| 5.7.2 实验结果及分析 |
| 5.8 三种股指预测模型比较 |
| 5.9 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表论文以及参加科研情况 |
（3）城市供水管网压力优化调控的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景和研究意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 供水量预测研究 |
| 1.2.2 供水管网压力模型的研究 |
| 1.2.3 供水管网压力优化调控的研究 |
| 1.3 本文的研究内容与组织结构 |
| 1.4 本章小结 |
| 第二章 相关理论知识 |
| 2.1 BP神经网络 |
| 2.1.1 人工神经网络 |
| 2.1.2 BP神经网络 |
| 2.2 GA-BP神经网络 |
| 2.2.1 遗传算法 |
| 2.2.2 GA-BP神经网络 |
| 2.3 本章小结 |
| 第三章 供水管网流量预测模型的研究 |
| 3.1 供水流量预测的方法 |
| 3.1.1 时间序列预测法 |
| 3.1.2 解释性预测法 |
| 3.1.3 系统预测方法 |
| 3.2 供水流量预测模型的建立 |
| 3.2.1 时间序列预测模型 |
| 3.2.2 解释性预测模型 |
| 3.3 用水量的预测的仿真结果与分析 |
| 3.4 本章小结 |
| 第四章 供水管网压力模型的研究 |
| 4.1 管网模型概述 |
| 4.1.1 管网微观模型 |
| 4.1.2 管网宏观模型 |
| 4.2 某市供水管网模型分析 |
| 4.2.1 某市供水管网系统情况 |
| 4.2.2 基于BP神经网络的城市供水管网压力模型的建立 |
| 4.2.3 供水系统压力预测的仿真结果与分析 |
| 4.3 本章小结 |
| 第五章 供水管网压力调控的研究 |
| 5.1 供水管网压力优化调控概述 |
| 5.1.1 基本状分析 |
| 5.1.2 相关技术在供水管网压力调控中的应用 |
| 5.2 管网中压力与流量关系的研究 |
| 5.3 压力优化控制的模型及仿真结果 |
| 5.3.1 基于BP神经网络的压力优化研究 |
| 5.3.2 基于Smooth函数平滑处理后的压力研究 |
| 5.3.3 结果对比分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（4）基于遗传算法和神经网络的核管道载荷识别与优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 SiPESC平台及功能简介 |
| 1.4 SiPESC.OPT优化问题数学描述 |
| 1.4.1 全局优化 |
| 1.4.2 约束优化 |
| 1.4.3 组合优化 |
| 1.5 论文内容 |
| 1.6 本文组织 |
| 2 遗传算法、神经网络原理及算例分析 |
| 2.1 遗传算法概述 |
| 2.1.1 遗传算法思想 |
| 2.1.2 遗传算法基本操作 |
| 2.1.3 多岛遗传算法 |
| 2.2 BP神经网络算法概述 |
| 2.2.1 前反馈神经网络算法思想 |
| 2.2.2 BP神经网络基本操作 |
| 2.2.3 存在缺陷及原因分析 |
| 2.3 GA-前反馈神经网络 |
| 2.3.1 研究进展 |
| 2.3.2 算法思想 |
| 2.4 测试算例 |
| 2.4.1 基于SiPESC.OPT的遗传算法算例 |
| 2.4.2 算例数据拟合 |
| 2.5 本章小结 |
| 3 基于多岛遗传改进神经网络的载荷识别 |
| 3.1 载荷识别原理 |
| 3.2 数据处理方法 |
| 3.2.1 数据标准化和归一化 |
| 3.2.2 异常点处理 |
| 3.2.3 过拟合和欠拟合处理 |
| 3.3 基于桁架桥梁的载荷识别 |
| 3.3.1 桁架桥梁的建模 |
| 3.3.2 桁架桥梁的载荷识别 |
| 3.4 基于Si PESC核管道载荷识别 |
| 3.4.1 SiPESC有限单元法管路分析 |
| 3.4.2 核管道外力载荷识别 |
| 3.4.3 核管道温度载荷识别 |
| 3.5 本章小结 |
| 4 基于SiPESC.FEMS核管道结构分析与优化 |
| 4.1 基于Si PESC.FEMS核管道结构分析 |
| 4.1.1 核管道结构分析力学模型 |
| 4.1.2 核管道结构分析 |
| 4.2 基于SiPESC.FEMS核管道弹簧系统优化 |
| 4.2.1 不同弹簧刚度 |
| 4.2.2 不同弹簧支架位置 |
| 4.3 本章小结 |
| 5 基于SiPESC.OPT遗传算法多目标管道优化 |
| 5.1 遗传算法多目标优化原理 |
| 5.1.1 多目标优化原理 |
| 5.1.2 多目标优化算法分类 |
| 5.1.3 传统方法 |
| 5.1.4 多目标演化法 |
| 5.1.5 NSGA-Ⅱ测试算例 |
| 5.2 管道的多目标优化数学模型 |
| 5.3 基于SiPESC.OPT的 NSGA-Ⅱ多目标优化 |
| 5.4 本章小结 |
| 6 结论和展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录A 遗传算法优化脚本 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（5）面向随机时变网络的带班期限制的多式联运路径优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文课题来源与研究目的 |
| 1.4 研究内容与方法 |
| 1.5 研究技术路线 |
| 第二章 路径优化算法介绍及多式联运网络权值预测研究 |
| 2.1 路径优化算法介绍 |
| 2.2 基于门控递归单元神经网络的多式联运网络权值预测 |
| 2.3 网络权值预测测试算例 |
| 2.4 本章小结 |
| 第三章 静态网络带班期限制的多式联运路径优化 |
| 3.1 静态网络路径优化特点及问题描述 |
| 3.2 SN带班期限制的多式联运路径优化模型构建 |
| 3.3 基于路径编码遗传算法的混合求解策略 |
| 3.4 测试算例 |
| 3.5 本章小结 |
| 第四章 时变网络带班期限制的多式联运路径优化 |
| 4.1 时变网络路径优化特点及问题描述 |
| 4.2 符号说明及条件假设 |
| 4.3 时变网络的路段行驶时间分析 |
| 4.4 TDN带班期限制的多式联运路径优化模型构建 |
| 4.5 模型求解 |
| 4.6 测试算例 |
| 4.7 本章小结 |
| 第五章 随机时变网络带班期限制的多式联运路径优化 |
| 5.1 STDN的路径优化特点及问题描述 |
| 5.2 STDN带班期限制的多式联运路径优化模型构建 |
| 5.3 基于蒙特卡洛与启发式算法的混合求解策略 |
| 5.4 测试算例 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 研究结论 |
| 6.2 论文创新点 |
| 6.3 研究展望 |
| 致谢 |
| 参考文献 |
| 在学期间发表的论文和取得的学术成果 |
（6）基于改进粒子群算法的油船结构优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 船舶结构优化方法研究现状 |
| 1.2.1 传统优化算法 |
| 1.2.2 进化优化算法 |
| 1.2.3 直接计算法 |
| 1.3 粒子群算法改进的研究现状 |
| 1.4 论文主要研究内容 |
| 2 油船舱段结构有限元分析 |
| 2.1 船型参数说明 |
| 2.2 舱段有限元分析模型 |
| 2.2.1 舱段模型坐标系 |
| 2.2.2 舱段模型范围 |
| 2.2.3 划分网格 |
| 2.2.4 设置材料属性 |
| 2.2.5 舱段模型的建立 |
| 2.3 载荷计算 |
| 2.4 边界条件施加 |
| 2.5 计算工况 |
| 2.6 舱段强度计算结果 |
| 2.7 本章小结 |
| 3 舱段结构灵敏度分析与样本获取 |
| 3.1 灵敏度分析理论 |
| 3.2 ISIGHT软件DOE方法 |
| 3.3 舱段结构灵敏度分析 |
| 3.3.1 设计变量 |
| 3.3.2 质量灵敏度 |
| 3.3.3 最大等效应力灵敏度 |
| 3.3.4 剪应力灵敏度 |
| 3.4 获取样本数据 |
| 3.4.1 正交设计法 |
| 3.4.2 试验方案 |
| 3.5 本章小结 |
| 4 粒子群优化BP神经网络算法 |
| 4.1 BP神经网络 |
| 4.1.1 BP算法 |
| 4.1.2 BP神经网络参数选取 |
| 4.1.3 BP神经网络训练与检测 |
| 4.1.4 BP神经网络的缺点 |
| 4.2 粒子群算法 |
| 4.2.1 粒子群算法概述 |
| 4.2.2 标准粒子群算法的数学模型 |
| 4.2.3 标准粒子群算法的计算流程 |
| 4.2.4 粒子群算法的参数选择 |
| 4.3 粒子群算法的多样性研究 |
| 4.3.1 粒子群算法多样性概述 |
| 4.3.2 种群多样性测量方法 |
| 4.4 粒子群优化BP神经网络算法 |
| 4.4.1 概述 |
| 4.4.2 PSO-BP神经网络基本原理 |
| 4.4.3 PSO-BP神经网络算法仿真分析 |
| 4.4.4 PSO-BP神经网络算法的局限性 |
| 4.5 本章小结 |
| 5 粒子群优化BP神经网络算法的改进及应用 |
| 5.1 PSO优化BP神经网络算法的改进策略 |
| 5.1.1 基于多区间的粒子位置初始化 |
| 5.1.2 混沌扰动策略 |
| 5.1.3 SMPSO-BP神经网络算法步骤 |
| 5.1.4 SMPSO-BP神经网络算法仿真分析 |
| 5.2 舱段结构优化 |
| 5.2.1 船舶结构优化设计的概念 |
| 5.2.2 优化方案 |
| 5.2.3 优化结果及分析 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（7）快速学习网与遗传算法研究及在水泥熟料换热优化的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人工神经网络的发展现状 |
| 1.2.2 智能优化算法的发展现状 |
| 1.2.3 篦冷机及智能化技术应用的发展现状 |
| 1.3 本文的主要研究内容 |
| 第2章 快速学习网结构与算法研究 |
| 2.1 引言 |
| 2.2 极端学习机与快速学习网 |
| 2.3 快速学习网的改进核方法 |
| 2.3.1 快速学习网的核方法 |
| 2.3.2 快速学习网简化核方法 |
| 2.4 基于贝叶斯回归的快速学习网算法 |
| 2.4.1 贝叶斯学习算法 |
| 2.4.2 稀疏贝叶斯学习算法 |
| 2.4.3 算法性能测试 |
| 2.5 基于递归最小二乘的在线学习算法 |
| 2.6 本章小结 |
| 第3章 自适应多种群非支配排序遗传算法研究 |
| 3.1 引言 |
| 3.2 多目标优化与NSGA-II |
| 3.2.1 多目标优化 |
| 3.2.2 遗传算法与NSGA-II |
| 3.3 NSGA-II的自适应多种群改进 |
| 3.3.1 种群初始化与EXS解集全局更新 |
| 3.3.2 EXS解集的局部搜索 |
| 3.3.3 种群的自适应调整 |
| 3.3.4 算法的时间复杂度分析 |
| 3.4 AMP-NSGA-II仿真实验与性能分析 |
| 3.5 本章小结 |
| 第4章 水泥篦冷机换热过程能量损耗优化研究 |
| 4.1 引言 |
| 4.2 篦冷机工作过程及原理 |
| 4.3 篦冷机熟料气固换热能量损耗研究 |
| 4.3.1 篦冷机中熵产与有效度关系 |
| 4.3.2 篦冷机无量纲熵产数表达式建立 |
| 4.4 基于AMP-NSGA-II的熟料换热过程能量损耗优化 |
| 4.4.1 能量损耗优化目标和约束条件 |
| 4.4.2 基于AMP-NSGA-II的能量损耗优化 |
| 4.4.3 能量损耗多目标优化过程和结果分析 |
| 4.5 本章小结 |
| 第5章 篦冷机二次风温和出口熟料温度模型辨识与参数优化研究 |
| 5.1 引言 |
| 5.2 高温熟料换热参数关系研究 |
| 5.2.1 熟料换热过程数学模型 |
| 5.2.2 熟料换热的参数关系仿真 |
| 5.3 基于非迭代学习神经网络的篦冷机辨识模型 |
| 5.3.1 篦冷机辨识模型变量确定与数据采集 |
| 5.3.2 二次风温度辨识建模 |
| 5.3.3 出口熟料温度辨识建模 |
| 5.4 篦冷机控制参数多目标优化研究 |
| 5.4.1 篦冷机控制参数优化目标和约束条件 |
| 5.4.2 篦冷机控制参数优化过程 |
| 5.5 基于熵产PARETO的最优解判定与实验分析 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间承担的科研任务与主要成果 |
| 致谢 |
（8）数据挖掘在中央空调运行策略中的优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.1.1 课题的来源 |
| 1.1.2 课题的目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 中央空调建模研究现状 |
| 1.2.2 中央空调优化研究现状 |
| 1.3 本文研究内容 |
| 第二章 数据挖掘技术基础与技术路线 |
| 2.1 数据挖掘技术 |
| 2.1.1 数据挖掘的发展 |
| 2.1.2 数据挖掘的功能 |
| 2.1.3 数据挖掘的技术路线 |
| 2.2 数据挖掘平台 |
| 2.2.1 数据挖掘平台简介 |
| 2.2.2 Weka平台简介 |
| 2.2.3 Weka平台界面 |
| 2.3 数据挖掘在中央空调运行策略优化中的技术路线 |
| 2.4 本章小结 |
| 第三章 中央空调能耗分析与能耗特征选择 |
| 3.1 系统能耗数据特点 |
| 3.2 数据预处理 |
| 3.2.1 数据合并 |
| 3.2.2 数据清洗 |
| 3.2.3 数据归一化 |
| 3.3 系统能耗数据分析 |
| 3.4 系统能耗特征选择 |
| 3.4.1 能耗特征选择方法 |
| 3.4.2 Boruta特征选择算法 |
| 3.5 中央空调Boruta特征选择实验 |
| 3.6 本章总结 |
| 第四章 中央空调数据挖掘模型建立过程 |
| 4.1 系统能耗预测模型 |
| 4.1.1 人工神经网络简介 |
| 4.1.2 BP神经网络的结构 |
| 4.1.3 BP神经网络的建立 |
| 4.1.4 BP神经网络的训练与测试 |
| 4.2 系统能耗关联规则模型 |
| 4.2.1 关联规则简介 |
| 4.2.2 Apriori关联规则算法的描述 |
| 4.2.3 Weka平台实现过程与结果分析 |
| 4.3 本章小结 |
| 第五章 基于数据挖掘模型的改进遗传算法 |
| 5.1 中央空调节能策略特点 |
| 5.2 遗传算法简介 |
| 5.2.1 遗传算法的发展 |
| 5.2.2 遗传算法的基本要素 |
| 5.3 改进的遗传算法 |
| 5.3.1 混合遗传关联算法简介 |
| 5.3.2 混合遗传关联算法基本操作 |
| 5.4 混合遗传关联算法的验证实验 |
| 5.4.1 混合遗传关联算法的参数设置 |
| 5.4.2 混合遗传关联算法的实现 |
| 5.4.3 基于混合遗传关联算法的能耗特征子集优化实验 |
| 5.5 本章小结 |
| 第六章 中央空调节能优化策略的仿真与分析 |
| 6.1 中央空调系统介绍 |
| 6.2 实验方案的分析与确定 |
| 6.3 混合遗传关联算法与遗传算法优化结果比较及分析 |
| 6.3.1 节能策略对比分析 |
| 6.3.2 节能策略结果分析 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 未来展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（9）煤泥浮选泡沫图像的多元特征量提取算法及状态识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 煤泥浮选的意义 |
| 1.2 国外浮选泡沫图像处理研究现状 |
| 1.3 国内浮选泡沫图像处理研究现状 |
| 1.3.1 金属与矿物浮选泡沫图像处理研究现状 |
| 1.3.2 煤泥浮选泡沫图像处理研究现状 |
| 1.4 本课题研究的必要性 |
| 1.5 论文的章节安排 |
| 第二章 煤泥浮选原理 |
| 2.1 煤泥浮选原理 |
| 2.2 浮选过程 |
| 2.3 浮选流程 |
| 2.4 浮选药剂 |
| 2.4.1 部分药剂作用 |
| 2.4.2 选择药剂的原则 |
| 2.5 煤泥浮选效果的影响因素 |
| 2.5.1 原煤性质对浮选的影响 |
| 2.5.2 粒度特性对浮选的影响 |
| 2.5.3 煤浆浓度对浮选的影响 |
| 2.5.4 浮选药剂对浮选的影响 |
| 2.5.5 浮选泡沫特征与指标的关系 |
| 2.6 煤泥浮选效果的评价 |
| 2.7 浮选泡沫图像的特点 |
| 2.8 煤泥浮选泡沫图像采集的实验系统 |
| 2.9 浮选泡沫图像的处理过程 |
| 第三章 浮选泡沫图像的形态学方法去噪 |
| 3.1 煤泥浮选泡沫图像中噪声形成的原因 |
| 3.2 煤泥浮选泡沫图像的去噪方法 |
| 3.2.1 基于空域去噪方法的浮选泡沫图像去噪 |
| 3.2.2 基于频域去噪方法的浮选泡沫图像去噪 |
| 3.2.3 基于空间域与频域去噪方法的煤泥泡沫图像去噪的仿真结果与分析 |
| 3.2.4 基于形态学去噪方法的的浮选泡沫图像去噪 |
| 第四章 煤泥浮选泡沫图像的形态学图像去噪的结构元素优化 |
| 4.1 图像去噪的评价准则 |
| 4.1.1 主观评价方法 |
| 4.1.2 客观评价方法 |
| 4.2 基于遗传算法的煤泥浮选泡沫图像去噪中的结构元素优化 |
| 4.2.1 遗传算法基本算子 |
| 4.2.2 遗传算法的适应度函数的选取 |
| 4.2.3 遗传算法中染色体编码长度的确定 |
| 4.2.4 遗传算法的参数选择 |
| 4.2.5 基于遗传算法结构元素优化的仿真结果与分析 |
| 4.3 基于改进的遗传算法的煤泥浮选泡沫图像去噪中的结构元素优化 |
| 4.3.1 在遗传算法的选择机制中增加基于浓度的调节概率因子 |
| 4.3.2 基于改进的基于异或运算的海明距抗体相似度计算方法 |
| 4.3.3 基于改进的自适应的变异方法 |
| 4.3.4 将精英保留策略加入到遗传算法当中 |
| 4.3.5 改进的遗传算法的特点 |
| 4.3.6 改进的遗传遗传算法的实现步骤 |
| 4.3.7 改进的遗传算法的适应度函数与染色体编码序列长度的选取 |
| 4.3.8 改进的遗传算法的参数选择 |
| 4.3.9 基于改进的遗传算法结构元素优化的仿真结果与分析 |
| 第五章 基于改进的标记算法的浮选泡沫图像的分水岭图像分割 |
| 5.1 分水岭图像分割 |
| 5.2 分水岭算法的局限性 |
| 5.3 煤泥浮选泡沫图像分割前的预处理 |
| 5.3.1 基于直方图均衡的煤泥浮选泡沫图像增强 |
| 5.3.2 基于形态学重构开闭滤波器的煤泥浮选泡沫图像滤波 |
| 5.4 改进的煤泥浮选泡沫图像的内部标记符的提取算法 |
| 5.4.1 基于扩展最大变换技术的图像内部标记符的通用提取算法 |
| 5.4.2 基于粒子群优算法与一维直方图加权的模糊C均值聚类算法融合的煤泥浮选泡沫图像内部标记符提取的改进算法 |
| 5.5 煤泥浮选泡沫图像的外部分割线的提取算法 |
| 5.5.1 基于距离变换的二值图像灰度化 |
| 5.5.2 基于距离变换图的分水岭分割的外部标记符的提取 |
| 5.6 煤泥浮选泡沫图像的内部标记符与外部分割线的提取仿真结果对比 |
| 5.7 基于边缘提取的煤泥浮选泡沫梯度图像 |
| 5.7.1 图像边缘的定义 |
| 5.7.2 几种典型边缘检测算子 |
| 5.7.3 基于Sobel算子的浮选泡沫图像的边缘提取 |
| 5.8 强制极小值标定浮选泡沫梯度图像 |
| 5.9 对标定后的梯度图像进行分水岭分割 |
| 5.10 煤泥浮选泡沫图像分水岭分割的仿真结果及分析 |
| 5.10.1 基于两种算法煤泥浮选泡沫图像分水岭分割的仿真结果 |
| 5.10.2 煤泥浮选泡沫图像分水岭分割的仿真结果分析 |
| 第六章 煤泥泡沫浮选图像的特征量提取 |
| 6.1 煤泥浮选泡沫图像纹理特征提取算法 |
| 6.1.1 图像纹理特征提取的方法 |
| 6.1.2 基于灰度共生矩阵统计法的煤泥浮选泡沫图像的纹理特征提取 |
| 6.1.3 基于邻域灰阶共生矩阵的煤泥浮选泡沫图像的纹理特征提取 |
| 6.2 泡沫尺寸特征提取算法 |
| 6.3 泡沫层的厚度特征提取算法 |
| 第七章 基于优化的RBF神经网络的煤泥浮选泡沫图像状态识别 |
| 7.1 引言 |
| 7.2 径向基函数(RBF)网络 |
| 7.2.1 径向基函数网络结构 |
| 7.2.2 RBF网络工作原理 |
| 7.2.3 RBF神经网络的学习算法 |
| 7.2.4 RBF神经网络泛化能力的影响因素 |
| 7.2.5 RBF神经网络的设计 |
| 7.3 基于改进算法的RBF神经网络的煤泥浮选泡沫图像的状态识别 |
| 7.3.1 煤泥浮选泡沫图像状态识别的仿真过程 |
| 7.3.2 仿真结果分析与结论 |
| 第八章 总结与展望 |
| 8.1 本文主要研究工作总结 |
| 8.2 本文的主要创新点 |
| 8.3 未来努力的方向 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（10）BP神经网络分类器优化技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.3 国内外发展状况 |
| 1.4 本文的主要研究内容 |
| 1.5 论文的组织结构 |
| 2 特征选择方法 |
| 2.1 特征数量对分类识别错误率的影响 |
| 2.2 特征选择的定义 |
| 2.3 特征选择的判据与分类器精度的关系 |
| 2.4 特征选择方法 |
| 2.5 特征选择搜索策略 |
| 2.6 本章小结 |
| 3 多Filter初始化GA种群的混合特征选择算法 |
| 3.1 Filter特征评估方法 |
| 3.2 基于GA的多Filter的混合特征选择算法(MFGW) |
| 3.3 MFGW_1算法 |
| 3.4 算法分析与评价 |
| 3.5 实验结果分析 |
| 3.6 本章小结 |
| 4 基于遗传禁忌算法的神经网络优化 |
| 4.1 BP神经网络的优化模型 |
| 4.2 GTA优化算法相关操作 |
| 4.3 基于TS和GA的神经网络的权值优化 |
| 4.4 算法分析与评价 |
| 4.5 实验结果及分析 |
| 4.6 本章小结 |
| 5 基于Agent的神经网络隐层节点的优化 |
| 5.1 神经网络分层优化 |
| 5.2 RL Agent强化学习 |
| 5.3 基于Agent强化学习的神经网络优化 |
| 5.4 算法分析 |
| 5.5 实验结果及分析 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读博士学位期间发表的论文目录 |
四、遗传算法在神经网络权值优化中的应用（论文参考文献）
- [1]六辊可逆冷轧机全轧程轧制力预测的方法研究[D]. 张书荣. 西安理工大学, 2021(01)
- [2]基于群体智能算法的神经网络优化与股指预测研究[D]. 王英伟. 辽宁大学, 2021
- [3]城市供水管网压力优化调控的研究[D]. 汪永友. 安徽建筑大学, 2021(08)
- [4]基于遗传算法和神经网络的核管道载荷识别与优化研究[D]. 吴瑞犇. 大连理工大学, 2020(02)
- [5]面向随机时变网络的带班期限制的多式联运路径优化研究[D]. 刘松. 重庆交通大学, 2019(05)
- [6]基于改进粒子群算法的油船结构优化研究[D]. 孟松. 大连海事大学, 2019(06)
- [7]快速学习网与遗传算法研究及在水泥熟料换热优化的应用[D]. 赵志彪. 燕山大学, 2019(03)
- [8]数据挖掘在中央空调运行策略中的优化研究[D]. 龙欢. 电子科技大学, 2019(01)
- [9]煤泥浮选泡沫图像的多元特征量提取算法及状态识别[D]. 田慕玲. 太原理工大学, 2014(05)
- [10]BP神经网络分类器优化技术研究[D]. 高鹏毅. 华中科技大学, 2012(07)