优化设计求解的遗传-神经网络新算法研究

提出并研究了一种优化设计求解的遗传神经网络新算法,该算法综合了遗传算法的全局性和神经网络的并行快速性等特点,可克服遗传算法最终进化至最优解较慢和神经网络易陷入局部解的缺陷,具有较好的全局性和收敛速度     

一种训练神经网络的新型遗传算法

针对神经网络中具有大量的相似解，提出了一种规范化方法，大大地减少了神经网络中解的数目。然后，给出了多种不同的算子，通过对简单网络问题的实验，比较了它们的优劣，得出了一个新型的遗传算法ＮＧＡ。实验表明，ＮＧＡ比用传统的ＧＡ训练神经网络效果要优。     

基于遗传算法的供应链联盟伙伴选择

在建立供应链联盟伙伴选择多目标决策模型的基础上，提出了一种求解供应链联盟伙伴选择优化问题的自适应遗传算法，并给出了算例．该算法设计了自适应交叉概率和变异概率，使每个个体在遗传过程中对环境变化具有自适应调节能力．算例结果表明，用该方法能以较快的速度收敛于全局最优解．     

时变时滞细胞神经网络的周期运动的稳定性

利用M-矩阵理论和矢量Lyapunov函数方法,研究变时滞周期运动细胞神经网络的全局指数稳定性．在放松该类神经网络激活函数的有界性、单调递增性、可微性及Lipsehitz连续等条件下,得到了该类神经网络周期解的存在性与全局指数稳定的代数判据．该判据基于神经网络激活函数满足的条件,利用连接权值矩阵及阻尼系数矩阵构造测试矩阵,根据测试矩阵是否为M-矩阵判定系统周期解的存在性与全局指数稳性．     

随机需求IRPTW的多目标优化

针对随机需求下带时间窗的存贮路径问题,建立了多目标库存和配送策略优化模型,用多目标遗传算法对模型求解．该算法采用精华保留策略和自适应调整策略等遗传算子逼近全局最优解,可以克服遗传算法局部搜索能力不足的缺陷,提高收敛速度和改善全局寻优性能．以某物流公司的产品配送系统为例,用多目标遗传算法获得了费用较低的方案．     

云遗传算法

为了克服传统遗传算法搜索速度慢、易陷入局部最优解的缺陷，借鉴遗传算法的思想，利用云模型云滴的随机性和稳定倾向性的特点，提出了一种新的遗传算法——云遗传算法（CGA）．该算法由正态云模型的Y条件云发生器实现交叉操作，由基本云发生器实现变异操作．最后，进行了函数优化实验，并与标准遗传算法（SGA）和自适应遗传算法（AGA）进行了比较，以证明其有效性．     

遗传算法优化的模糊神经网络在故障诊断中的应用

本文针对船舶柴油机故障诊断系统提出了一种基于遗传算法优化训练的模糊神经网络诊断方法,介绍了这种模糊神经网络故障诊断系统的结构及其参数形式,通过遗传优化算法对它的权值和阈值进行了学习优化训练。这种方法可以有效地避免通常所选BP算法训练易陷于局部极值的问题,最后将该遗传算法优化训练的模糊神经网络系统应用到船舶柴油机的故障诊断中,通过仿真研究,说明了该方法的有效性。     

遗传算法—优化设计—神经网络的耦合技术

论述了遗传算法－优化设计－神经网络的耦合技术，以一台机器的主控制参数作为样本，采用这种耦合技术，将实际工程参数转化为遗传进化样本，再通过优化技术变成最优样本，来训练神经网络系统，旨在提高控制参数质量。     

基于多智能体局部寻优的粒子群优化算法

为了提高粒子群算法的收敛速度和全局寻优能力,用多智能体遗传算法对粒子群算法当前搜索到的全局极值进行局部寻优．用搜索到的更好的解在下一次迭代中引导粒子进行搜索从而获得更快的收敛速度和更好的全局收敛性。对函数优化和神经网络训练的仿真实验表明．此算法能更快的收敛到全局最优解。     

基于混合遗传算法优化的舵减摇模糊控制系统

将混合遗传算法应用于船舶舵阻摇，充分发挥了模糊逻辑、神经网络和遗传算法各自的优势．采用模糊系统的自适应变节点的神经网络学习模糊神经网络参数，从样本数据中获取模糊控制规则，弥补了各自的不足．仿真结果表明上述算法为改进船舶舵阻摇效果提供了一个有效途径．