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．     

改进的BP神经网络在路基沉降预测中的运用

针对BP神经网络存在训练过程不确定的缺点,基于MATLAB建立改进的BP神经网络模型,该模型可克服BP神经网络模型在训练过程中收敛速度慢、易陷入局部极小点等缺点。结合实体工程实测数据,将该优化模型与指数曲线模型、双曲线模型、泊松曲线模型和Compertz模型对比分析,结果表明改进的BP神经网络模型在黄土路基沉降预测中精度最高,可运用于黄土路基的沉降预测。     

基于改进灰狼算法优化BP 神经网络的短时交通流预测模型

准确的短时交通流预测是交通控制和交通诱导的依据. 提出一种基于改进灰狼算法(TGWO)优化BP 神经网络的短时交通流预测模型(TGWO-BP),有效提高短时交通流预测精度. 针对标准灰狼算法(GWO)收敛速度慢,容易陷入局部极值的问题,提出一种自适应递减的收敛因子,使灰狼算法区分全局搜索和局部搜索;改进灰狼个体的位置更新公式,引入惯性权重,调节惯性权重大小使灰狼算法具有跳出局部极值的能力;对比分析TGWO-BP、GWOBP 、PSO-BP、BP这4 种短时交通流预测模型,结果显示,TGWO-BP的短时交通流预测模型误差为10.03%,达到较好的预测精度.     

基于遗传优化BP网络的交通流预测

针对高速公路短时交通量预测,提出了一种基于遗传优化BP网络的预测方法。通过采用遗传算法优化传统BP网络,改善了传统BP网络易陷入局部极小点、收敛速度慢等缺点,同时通过该方法提高了短时交通量预测的精度。通过杭州绕城高速公路的数据回归分析,该方法能较好的实现高速公路交通流量的短时预测。     

基于BP神经网络的遗传算法在短时交通流预测中的应用

将BP神经网络和遗传算法的结合点进行改进,并以此为基础提出新的优化算法。新算法设计简单,易于实现,能有效地解决局部极小问题,加快收敛速度,增强网络的适应能力,预测效果明显优于BP算法。     

基于改进的BP神经网络的桥梁结构损伤诊断研究

采用改进后的BP神经网络对桥梁结构进行损伤诊断,通过与传统BP网络法的诊断结果进行对比,得出改进后的BP网络算法在实际应用中能克服传统BP网络算法收敛速度慢,存在局部极小的问题.改进后BP网络的桥梁结构损伤诊断具有较好的诊断效果,与传统的BP神经网络相比,不仅提高了计算速度,而且较大地提高了识别精度,具有较好的应用前景.     

基于改进BP神经网络的列车脱轨系数预测方法

列车运行过程中,脱轨系数过大将对列车运行安全产生影响并伴随脱轨隐患,因而列车脱轨系数的预测对保障列车安全运行至关重要。提出了一种基于改进BP神经网络的列车脱轨系数预测方法,利用轮轨接触横移量、接触角、车轮抬升量、列车速度对脱轨系数进行直接预测。针对传统BP神经网络收敛速度慢、易陷入局部极小值等缺陷,采用附加动量法和自适应学习率相结合的方法对其进行了改进。在ADAMS/Rail中建立车辆模型,通过该模型进行动力学仿真得到轮轨接触参数的数据,用此数据对改进BP神经网络进行验证。试验结果表明改进BP神经网络预测模型在相对误差及迭代次数上有明显改善,初步验证了该方法在列车脱轨系数预测方面的可行性。     

L-M神经网络算法在汽轮发电机组故障诊断中的应用

针对汽轮发电机组的故障诊断,采用Levenberg-Marquardt算法建立多层前向人工神经网络,采用改进算法训练网络,克服了传统BP算法收敛速度慢,易陷入局部最小的缺陷.就BP网络的不足,提出了一种改进的BP神经网络模型,并使用L-M算法用于汽轮发电机组故障的诊断.经理论和实践证明:该方法有效地提高了故障诊断的精度和可靠度,为旋转机械故障诊断提供了有效方法.     

融合多源数据预测高速公路站间旅行时间

为精确预测高速公路站间旅行时间,融合收费数据和微波车检数据开展预测. 首先,基于两种数据源的预测结果,采用决策级融合策略;然后,建立了权重分配预测模 型、BP神经网络预测模型;针对神经网络收敛速度慢,易陷入局部最优的缺陷,基于遗传 算法优化BP神经网络预测模型;最后,利用京哈高速公路北京段收费数据和微波检测器 数据对3 种融合模型进行了验证,对比工作日及非工作日2 种交通流状态下3 种模型的性 能指标.试验结果表明,基于遗传神经网络的融合模型相比其他2 种模型,预测精度及稳 定性均得到了较高的提升,相对误差控制在10%以内,能够更好地满足实际需求.     

神经网络结合遗传算法用于航迹预测

研究利用遗传算法对BP神经网络进行优化设计,建立了基于遗传算法的BP神经网络机动目标航迹预测模型。该模型克服了普通神经网络算法在训练过程中容易陷入局部最优点的缺陷,得到了更高的学习精度和更快的收敛速度。最后,用实测数据进行了验证分析,结果表明,基于遗传算法的神经网络的预测模型比单神经网络预测模型预测精度高,可用于航迹的预测。     

改进的自适应分组个体重构免疫算法

针对免疫算法收敛速度慢,有可能陷入局部寻优情况,提出了一种改进的自适应分组个体重构免疫算法.在个体重构的实现上采用了分组进行,同时对重构算法进行了合理的改进,既保证了收敛速度,同时也保证了全局寻优的过程.仿真实验也表明了这一改进算法在收敛速度和寻优能力方面较原算法有较大的改善.     

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     

一种改进蚁群优化算法的仿真研究

针对蚁群优化算法存在容易陷入局部最优、收敛速度慢、参数设置复杂等缺点,提出了一种改进的蚁群优化算法,研究了伪随机比例转移规则中参数 的取值方法,并对信息素的取值方式和信息素的更新规则进行了改进。最后以中国31个城市的旅行商问题和路径规划问题为实例,分别运用改进前后的蚁群算法进行了仿真研究。仿真结果表明：改进之后的算法不仅能够得到更好的解,更能显著地提高算法的收敛速度。     

双向蚁群算法在无人驾驶车辆路径规划中的应用

针对传统蚁群算法在无人驾驶车辆路径规划中收敛速度慢、易陷入局部最优等问题,提出一种全局路径规划的双向蚁群算法.通过双向搜索策略改进蚁群算法,设计相遇机制求解更多可行路径,提高算法全局搜索能力;引入奖惩因子分别扩大和减小双向搜索后的较优路径和较差路径对信息素浓度的影响,加快求解最优路径的速度;最后在Matlab中模拟无人...     

�����Ŵ��㷨�Ż���·����·��

公路运输路径问题已被证明是高维非线性完全问题,实际中还会增加非流通图约束,使求解更复杂,研究价值较高.鉴于传统遗传算法在求解过程中容易出现早熟收敛、冗余迭代的缺陷,在初始种群生成、交叉变异及搜索操作方面提出改进,设计混沌遗传算法.采用遍历城市顺序的染色体编码,结合随机法与贪心法生成较优初始种群,避免出现大量非可行染色体,提高了后续的遗传效率.接着,执行优先保留交叉和平移变异操作,依次引入局部邻域搜索以及混沌搜索以加快算法收敛,还给出最优解的非连通公路约束满足判据.最后,实验结果验证了新算法的有效性,不但取得了较优解,而且子代种群离散程度较小,收敛性更好.     

改进小波包与长短时记忆组合模型的短时交通流预测

为克服非稳定交通流状态下短时交通流预测精度不高、过分依赖大样本历史数据的缺陷,提出一种改进小波包分析和长短时记忆神经网络组合(IWPA-LSTM)的短时交通流预测方法. 利用功率谱细化的思想改进小波包分析算法对小样本交通流时间序列进行多尺度分解和单支重构. 对低频序列和高频序列进行相空间重构,完成长短时记忆模型的逐层构建,实现本地保存并根据预测精度进行自适应更新,将重构的子序列输入模型训练和预测. 将各子序列的预测值叠加输出IWPA-LSTM最终预测值. 实验结果表明,提出的IWPA-LSTM模型在小样本情况下的预测精度优于经典深度学习模型,具有较强的实用性.     

混合蚁群算法求解物流配送路径问题

蚁群算法具有较强的发现较好解的能力，但同时也存在一些缺点，如容易出现停滞现象、收敛速度慢等．将遗传算法和蚁群算法结合起来，在蚁群算法的每一次迭代中，根据信息量选择解分量的初值，使用变异操作来确定解的值．通过实例与其他优化方法的结果进行比较．结果表明，该算法有较好的收敛速度及稳定性．     

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。