退火遗传算法优化的神经网络在销售预测中的应用

将遗传算法(GA)和模拟退火(SA)优化的神经网络应用到制造企业的销售预测中.预测采用三层前馈神经网络,其中神经网络的连接权重和节点阈值的确定使用GA和SA算法相结合的优化学习策略.GA采用实数编码, 把要确定的神经网络连接权重和节点阈值作为基因串.实例数值计算表明该种算法的神经网络的学习速度和预测精度都比单纯BP算法得出的结果好,适合于制造企业的销售预测.     

基于动量BP算法的过渡段路基沉降预测

利用动量BP算法改进了BP神经网络的收敛性,建立了过渡段路基沉降预测模型．该模型可克服传统BP神经网络收敛速度慢、易陷入局部最优等的缺点．结合津秦客运专线路桥过渡段路基沉降实测数据,将该优化模型与传统BP神经网络预测模型进行了对比．计算表明,利用动量BP算法改进的神经网络具有较高的预测精度,同时考虑了多个影响因素,因而具有广阔的应用前景．     

基于BP神经网络的起重船臂架结构优化设计

针对起重船臂架结构设计计算,采用BP神经网络算法模拟出臂架结构优化设计变量与臂架结构应力、位移之间的映射关系,并调用MATLAB优化工具箱中的最小化函数对臂架结构的约束条件以及目标函数进行优化处理,并将优化后的结果与优化之前的数值进行对比分析,充分地验证了BP神经网络优化算法的优越性.     

基于神经网络算法的沥青路面使用性能组合预测模型研究

为了准确预测沥青路面使用性能变化规律,提出了基于径向基神经网络算法的路面使用性能组合预测模型PCA-GA-RBF;针对神经网络收敛速度慢、模型参数容易陷入局部最优的问题,采用主成分分析算法对路面使用性能影响因素进行了降维处理,利用遗传算法对神经网络结构进行了优化;通过路面行驶质量的预测分析对组合预测模型进行了验证。研究表明：组合预测模型PCA-GA-RBF的拟合优度R²=0.820,均方根误差S=2.645,比单一RBF神经网络预测模型误差降低了11.4%,平均预测准确率为84.13%;组合预测模型计算速率快、预测精度高、预测效果好。     

启发式Hopfield神经网络在车间调度中的应用

调度问题是一类非常复杂的组合优化问题,而Hopfield神经网络通常被广泛应用于各种组合优化问题.针对车间调度问题(JSP)的约束条件和换位矩阵,提出了包含所有约束条件的计算能量函数表达式,并针对神经网络依赖初始解,提出了启发式算法与神经网络相结合的方法,并得到解决车间调度的Hopfield神经网络结构和权值解析表达式.实验仿真结果表明了该方法的有效性.     

基于人工蜂群算法优化BP神经网络的交通流预测

建立基于人工蜂群算法(Artificial Bee Colony Algorithm,ABC)优化BP(Back Propagation)神经网络(ABCBP)的分析预测模型,对城市道路短时交通流进行预测。以BP神经网络为基础,通过人工蜂群算法优化神经网络的各个权值和阈值,考虑交通流的时间特性,将历史交通流量作为训练样本,预测某日的交通流量。多种算法的仿真试验对比表明:基于ABC-BP的预测结果比传统BP神经网络、小波预测神经网络以及PSO(Partide Swarm Optimization)-BP神经网络的预测结果更加精确。     

启发式Hopfield神经网络在车间调度中的应用

调度问题是一类非常复杂的组合优化问题，而Hopfield神经网络通常被广泛应用于各种组合优化问题．针对车间调度问题(JSP)的约束条件和换位矩阵，提出了包含所有约束条件的计算能量函数表达式，并针对神经网络依赖初始解，提出了启发式算法与神经网络相结合的方法，并得到解决车间调度的Hopfield神经网络结构和权值解析表达式．实验仿真结果表明了该方法的有效性．     

基于支持向量机和神经网络的供应商选择方法比较

供应商选择是供应链管理的重要内容,近年来吸引大量学者进行研究,其中大量文献显示神经网络方法比传统统计方法有更大的优越性。然而神经网络具有固有的缺陷,如最优解的局部性、泛化能力低、训练样本大和无法控制收敛等。引用新的机器学习技术---支持向量机(support vector machines,SVM),用于选择理想供应商,并与BP神经网络算法相比较。实证表明,支持向量机算法比神经网络算法计算精确。     

基于IPSO-BP神经网络的连续刚构桥有限元模型修正

针对大跨度连续刚构桥有限元模型修正问题，提出一种基于改进粒子群算法优化BP神经网络的有限元模型修正方法。首先建立有限元模型修正的数学优化模型，其次通过改进标准粒子群算法对BP神经网络超参数进行优化，最后基于优化BP神经网络代理模型对有限元结构参数进行寻优求解。研究结果表明：基于优化BP神经网络的代理模型相较于未经优化的具有更高的拟合精度；修正后的有限元模型挠度理论计算值与实测值的平均相对误差仅为1.86%。     

基于免疫粒子群神经网络的短时交通流量预测

免疫理论中的基于浓度选择机制能避免粒子群算法在群体收敛性和个体多样性平衡问题上的不足,使改进后的粒子群算法优化BP神经网络参数的配置,提高短时交通流量预测的准确性。仿真实验表明：免疫粒子群优化后的BP神经网络可有效提高短时交通流量的预测精度,减小预测误差。     

神经网络在车辆半主动控制中的应用

针对车辆半主动悬挂模型的非线性特性，研究了采用神经网络的自适应控制在车辆悬挂半主动控制中的应用，设计了采用前馈神经网络的辩识器和控制器，对控制器网络采用的学习规则进行了分析。仿真计算表明，采用神经网络自适应控制方法能有效改善车辆的平稳性，采用的神经网络辩识器和控制器的改进BP算法是有效的。     

含有概率约束优化问题的模拟退火算法

介绍了一种随机算法－－模拟退火法来优化含有概率的约束的优化问题,该算法避免了将概率约束转化为确定等价类的困难,同时能克服传统优化算法算法陷入局部最优的缺点,计算实践表明,算法应用在概率上是可行的。     

平面张弦梁结构的优化分析

将BP神经网络引入平面张弦梁结构的优化分析,并针对离散变量结构的拟满应力法加以改进,与遗传算法相结合从而构成一种新型组合优化方法,并将该法应用于平面张弦梁结构算例的优化分析,结果表明了算法有效可靠,最后对算法的计算精度和速度进行了讨论。     

基于PSO的神经网络优化证券投资组合方法研究

针对传统人工神经网络中的BP(back propagation)神经网络自身局限以及其迭代次数多、收敛精度不高和泛化性差等缺点,提出了一种基于粒子群(particle swarm optimizer,PSO)算法的BP神经网络优化证券投资组合方法.在BP神经网络优化方法中,采用PSO算法替代了BP神经网络的梯度下降法,得到最优解,从而对BP神经网络模型进行优化.将该方法应用于证券投资组合的优化中,实验结果证明:该优化方法优于传统的BP神经网络优化方法.     

城市公交枢纽换乘客流OD动态预测方法

换乘枢纽衔接公交线路的换乘客流OD是APTS下实施公交多线路动态协调调度的基础数据。以公交线路上下车乘客数的自动获取为前提,建立换乘OD推算优化模型,并设计了BP神经网络求解算法,应用数值试验对神经网络中的核心参数进行了标定。算例表明:BP神经网络为动态更新公交枢纽换乘客流OD提供了一种经济、有效的方法。     

适于前馈神经网络的LM-QuasiNewton综合学习新方法

为实时解决神经网络学习过程中可能遇到的大残量时的收敛问题，将LM算法与Quasi Newton优化算法结合，构建了一种综合学习算法(LM-QuasiNewton算法)．仿真算例表明，该算法较好地解决了残量问题，收敛性与稳定性优于其它权值算法．合学习算法．仿真实例表明，该算法较好地解决了残量问题，在收敛性与稳定性方面优于其它权值算法。     

基于神经网络的GPS高程拟合方法优选及精度分析

针对现有的几种神经网络GPS高程拟合方法,讨论了利用遗传算法(GA)、粒子群算法(PSO)优化BP神经网络权值和阀值的原理;结合分布较均匀、现势性较好的GPS和水准联测数据,试算了基于神经网络的GPS高程拟合。拟合结果表明:基于PSO算法优化的BP神经网络的拟合精度优于GA算法,误差相对更小。     

基于动态神经网络的经典逻辑公式计算方法

对经典逻辑公式计算进行了深入的探讨，结合神经网络理论提出一种动态神经网络的计算方法，并分析了基于数据库串行实现的步骤．介绍了针对经典逻辑系统运算符的单元设计、动态神经网络的生成算法与存储方法和公式计算算法，分析了算法的正确性和计算复杂性，同时举例说明了这种方法的有效性，为逻辑公式的计算提供了一种可行思路．     

基于MPSO-RBF的区域公路交通事故预测方法研究

在分析区域公路交通事故致因因素和预测特点的基础上,引入了基于改进PSO算法的RBF神经网络的混合优化(MPSO-RBF)算法,即将PSO算法的全局搜索能力和RBF神经网络局部优化相结合,并建立了区域公路交通事故的预测模型.最后,利用某城市1990-2003年交通事故资料和相关数据对MPSO-RBF神经网络预测模型进行了训练、拟和,同时用2004-2006年的外推样本数据对模型进行了检验,计算结果表明,MPSO-RBF预测模型较传统方法具有更高的预测精度,与此同时也证明了本文所选取区域公路交通事故致因因素的有效性.     

混合径向基神经网络对货运量的预测

为了定量预测多个外部因素影响下的货运量,建立了混合径向基神经网络模型.该模型以径向基神经网络为模型主体,并结合二阶振荡粒子群优化算法和灰色预测方法构成混合预测模型.该神经网络模型的参数设置更加简便,收敛速度更快.实例预测得到的结果相比较其他预测方法绝对误差值更小,误差变化范围更加稳定,证实了该神经网络模型的有效性,表明了其在多因素影响下的货运量预测中具有很好的适用性.