matlab遗传算法优化神经网络权值教程第4章nnToolKit神经网络工具包 4.1 nnToolKit简介 神经网络工具包是基于MATLAB神经网络工具箱自行开发的一组神经网络算法函数库 可在MATLAB环境下均独立运行，也可打包成DLL组件，直接被VB、VC、 C++ 、C#、JAVA或其他支持COM的语言所调用 本工具包中增加了一些MATLAB中没有的神经网络算法，如模糊神经网络、小波神经网络、遗传神经网络算法等 4.2nnToolKit函数库 4.2nnToolKit 函数库 4.2nnToolKit函数库 例4-1 对ch4\nnToolKit工具箱\lmnet文件夹中文件(input_para1.txt和output_para1.txt)提供的专家样本数据进行网络训练。%此为BP网络训练程序
function retstr = LmTrain(ModelNo,NetPara,TrainPara,InputFun,OutputFun,DataDir)NNTWARN OFF retstr=-1; ModelNo=‘1’;NetPara(1)=7;Ne tPara(2)=1; NetPara(3)=6;NetPara(4)=10; 4.2nnToolKit函数库 4.2nnToolKit函数库 例4-2 输入一组测试样本数据，对例4-1训练的网络模型进行仿真 %此为一仿真程序%首先读入权域值参数 function retdouble = LmSimu(ModelNo,NetPara,SimulatePara,InputFun,OutputFun,DataDir)NNTWA RN OFF %%%% 输入参数赋值开始 %%%%%%%%%%%%%%%%%%%%%%%% 这 部分代码主要是方便用户调试用ModelNo=‘1’; NetPara(1)=7; 4.2nnToolKit函数库
微电网直流平台设备 光伏PV模拟器（1） 产品特点： ■功率容量:600W--1500kW■可模拟太阳能电池板输出特性(国内首创)■可模拟不同光照和温度下I-V曲线■通过填充因子（Fill Factor）可模拟多种太阳能电池的输出特性■可模拟太阳能电池板被遮罩时的I-V曲线■可测试静态和动态下的MPPT情况■MPPT工作点实时显示于上位机软件上■具有恒功率模式 ■具有恒内阻模式，对内阻进行设定■具有强大的图形化上位机软件■稳压精度高、纹波电压低 ■采用16bit高速ADC,快速精确测量■采用ARM、DSP双CPU控制■应用全桥移相软开关技术
■动态稳定性用Matlab仿真优化■采用高速DSP进行PID运算,直接输出PWM■变压器采用非晶铁芯，具有高饱和磁感应强度、高导磁率、高电感量、低损耗、体积小、重量轻、抗电磁干扰能力强、频率特性优良、温度稳定性高的特性 ■快速存储9组数据（电压，电流，功率）■具有过压、过流、过温、短路保护功能■电压、电流、时间设定，数字式按键输入，精确度高；■具有RS232C通讯接口（RS485,GPIB为可选）■产品通过CE认证■符合EN50530/Sandia/CGC-GF004标准 原理图：
可编程直流负载（2） ■采用触摸屏+PLC方式进行控制，具有本控与PC控制两种方式，提供相应上位机操作软件。 ■采用不锈钢合金电阻制造 ■可根据功率检测要求，可以按键组合投放，设定放电功率。 ■检测各种发电设备以及放电设备的工作效率、满负载运行最大输出功率及带载能力。 ■模拟各类复杂工作环境，功率的突加突卸，检测放电设备的实际带载能力和效率 ■采用精准的高精度负载材质能真正模拟实际负载的带载力和负载微变适应能力 ■急停和温度保护，超载，短路，过温设备自动切断 ■上限下限电压设定，根据能量自动降至范围电压点（限程控机） ■温度保护设定，温度0~100°可以设定，同时检测实时温度情况 ■可编程界面0~30组功率电流任意设置，最小执行操作时间1ms可循环999999次（限程控机） ■负载的最小分辨率为1W，可精确模拟发电或产品通断能力 ■可以将测量数据上传到电脑并实现对检测过程数据的过程过程记录存储功能（限程控机） ■具有面板操作或远程控制两种操作方式（限程控机） ■具有过温保护功能和温度设定以及温度监测 ■可定制不同时间常数负载 ■应用于发电机、UPS、开关、熔断器、电器附件、变压器、温升试验、低压电气的出厂检验、生产调试、模拟恶劣负载环境、科研开发、军工等精确测试场所 ■采按钮控制或开关切换（触摸屏控制含RS232通讯接口) ■可测量电压、电流、功率
实验六 遗传算法与优化设计 一、实验目的 1. 了解遗传算法的基本原理和基本操作（选择、交叉、变异）； 2. 学习使用Matlab 中的遗传算法工具箱(gatool)来解决优化设计问题； 二、实验原理及遗传算法工具箱介绍 1. 一个优化设计例子 图1所示是用于传输微波信号的微带线(电极)的横截面结构示意图，上下两根黑条分别代表上电极和下电极，一般下电极接地，上电极接输入信号，电极之间是介质(如空气，陶瓷等)。微带电极的结构参数如图所示，W 、t 分别是上电极的宽度和厚度，D 是上下电极间距。当微波信号在微带线中传输时，由于趋肤效应，微带线中的电流集中在电极的表面，会产生较大的欧姆损耗。根据微带传输线理论，高频工作状态下（假定信号频率1GHz ），电极的欧姆损耗可以写成（简单起见，不考虑电极厚度造成电极宽度的增加）： 图1 微带线横截面结构以及场分布示意图 {} 28.6821ln 5020.942ln 20.942S W R W D D D t D W D D W W t D W W D e D D παπππ=+++-+++?????? ? ??? ??????????? ??????? (1) 其中πρμ0=S R 为金属的表面电阻率， ρ为电阻率。可见电极的结构参数影响着电极损耗，通过合理设计这些参数可以使电极的欧姆损耗做到最小，这就是所谓的最优化问题或者称为规划设计问题。此处设计变量有3个：W 、D 、t ，它们组成决策向量[W, D ,t ] T ，待优化函数(,,)W D t α称为目标函数。 上述优化设计问题可以抽象为数学描述： ()()min .. 0,1,2,...,j f X s t g X j p ????≤=? (2)
遗传算法在 BP 神经网络优化中的应用 2O世纪80年代后期，多机器人协作成为一种新的机器人应用形式日益引起国内外学术界的兴趣与关注。一方面，由于任务的复杂性，在单机器人难以完成任务时，人们希望通过多机器人之间的协调与合作来完成。另一方面，人们也希望通过多机器人间的协调与合作，来提高机器人系统在作业过程中的效率。1943年，Maeullocu和 Pitts融合了生物物理学和数学提出了第一个神经元模型。从这以后，人工神经网络经历了发展、停滞、再发展的过程，时至今日正走向成熟，在广泛领域里得到了应用，其中将人工神经网络技术应用到多机器人协作成为新的研究领域。本文研究通过人工神经网络控制多机器人完成协作搬运的任务-3 J，并应用遗传算法来对神经网络进行优化。仿真结果表明，经过遗传算法优化后的搬运工作效率显著提高，误差降低。 1 人工神经网络 ANN)的基本原理和结构 人工神经网络(Artiifcial Neural Network，ANN)) 是抽象、简化与模拟大脑神经结构的计算模型，又称并行分布处理模型 J。ANN 由大量功能简单且具有自适应能力的信息处理单元——人工神经元按照大规模并行的方式通过一定的拓扑结构连接而成。ANN拓扑结构很多，其中采用反向传播(Back-Propa- gation，BP)算法的前馈型神经网络(如下图1所示)，即BP人工神经网络，是人工神经网络中最常用、最成熟的神经网络之一。 BP网络模型处理信息的基本原理是：输入信号x；通过中间节点(隐层点 )作用于出节点，经过非线形变换，产生输出信Yk，网络训练的每个样本包括输入向量 x和期望输出量 T，网络输出值Y与期望输出值T之间的偏差，通过调整输入节点与隐层节点的联接强度取值w；；和隐层节点与输出节点之间的联接强度Y以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数 (权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。
实验十遗传算法与优化问题 一、问题背景与实验目的 遗传算法（Genetic Algorithm—GA），是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，它是由美国Michigan大学的J.Holland教授于1975年首先提出的．遗传算法作为一种新的全局优化搜索算法，以其简单通用、鲁棒性强、适于并行处理及应用范围广等显著特点，奠定了它作为21世纪关键智能计算之一的地位． 本实验将首先介绍一下遗传算法的基本理论，然后用其解决几个简单的函数最值问题，使读者能够学会利用遗传算法进行初步的优化计算．1．遗传算法的基本原理 遗传算法的基本思想正是基于模仿生物界遗传学的遗传过程．它把问题的参数用基因代表，把问题的解用染色体代表（在计算机里用二进制码表示），从而得到一个由具有不同染色体的个体组成的群体．这个群体在问题特定的环境里生存竞争，适者有最好的机会生存和产生后代．后代随机化地继承了父代的最好特征，并也在生存环境的控制支配下继续这一过程．群体的染色体都将逐渐适应环境，不断进化，最后收敛到一族最适应环境的类似个体，即得到问题最优的解．值得注意的一点是，现在的遗传算法是受生物进化论学说的启发提出的，这种学说对我们用计算机解决复杂问题很有用，而它本身是否完全正确并不重要（目前生物界对此学说尚有争议）． （1）遗传算法中的生物遗传学概念 由于遗传算法是由进化论和遗传学机理而产生的直接搜索优化方法；故而在这个算法中要用到各种进化和遗传学的概念． 首先给出遗传学概念、遗传算法概念和相应的数学概念三者之间的对应关系．这些概念如下： 序号遗传学概念遗传算法概念数学概念 1 个体要处理的基本对象、结构也就是可行解 2 群体个体的集合被选定的一组可行解 3 染色体个体的表现形式可行解的编码 4 基因染色体中的元素编码中的元素 5 基因位某一基因在染色体中的位置元素在编码中的位置 6 适应值个体对于环境的适应程度， 或在环境压力下的生存能力可行解所对应的适应函数值 7 种群被选定的一组染色体或个体根据入选概率定出的一组 可行解 8 选择从群体中选择优胜的个体， 淘汰劣质个体的操作保留或复制适应值大的可行解，去掉小的可行解 9 交叉一组染色体上对应基因段的 交换根据交叉原则产生的一组新解 10 交叉概率染色体对应基因段交换的概 率（可能性大小）闭区间[0,1]上的一个值，一般为0.65~0.90 11 变异染色体水平上基因变化编码的某些元素被改变
用遗传算法优化BP神经网络的Matlab编程实例（转） 由于BP网络的权值优化是一个无约束优化问题，而且权值要采用实数编码，所以直接利用Matlab遗传算法工具箱。以下贴出的代码是为一个19输入变量，1个输出变量情况下的非线性回归而设计的，如果要应用于其它情况，只需改动编解码函数即可。 程序一：GA训练BP权值的主函数 function net=GABPNET(XX,YY) %-------------------------------------------------------------------------- % GABPNET.m % 使用遗传算法对BP网络权值阈值进行优化，再用BP算法训练网络 %-------------------------------------------------------------------------- %数据归一化预处理 nntwarn off XX=[1:19;2:20;3:21;4:22]'; YY=[1:4]; XX=premnmx(XX); YY=premnmx(YY); YY %创建网络 net=newff(minmax(XX),[19,25,1],{'tansig','tansig','purelin'},'tra inlm'); %下面使用遗传算法对网络进行优化 P=XX; T=YY; R=size(P,1); S2=size(T,1); S1=25;%隐含层节点数 S=R*S1+S1*S2+S1+S2;%遗传算法编码长度 aa=ones(S,1)*[-1,1]; popu=50;%种群规模 save data2 XX YY % 是将 xx,yy 二个变数的数值存入 data2 这个MAT-file，initPpp=initializega(popu,aa,'gabpEval');%初始化种群 gen=100;%遗传代数
1.1 引言 太阳电池是将太直接转换为电能的最基本元件，一个单体太阳能电池的单片为一个PN结，工作电压约为0.5V，工作电流约为20－25mA/cm2, 一般不能单独作为电源使用。因而需根据使用要求将若干单体电池进行适当的连接并经过封装后，组成一个可以单独对外供电的最小单元即组件（太阳能电池板）。其功率一般为几瓦至几十瓦，具有一定的防腐、防风、防雹、防雨的能力，广泛应用于各个领域和系统。 当应用领域需要较高的电压和电流，而单个组件不能满足要求时，可把多个组件通过串连或并联进行连接，以获得所需要的电压和电流，从而使得用户获取电力。根据负荷需要，将若干组件按一定方式组装在固定的机械结构上，形成直流发电的单元，即为太阳能电池阵列，也称为光伏阵列或太阳能电池方阵。一个光伏阵列包含两个或两个以上的光伏组件，具体需要多少个组件及如何连接组件与所需电压（电流）及各个组件的参数有关。 太阳能电池片并、串联组成太阳能电池组件；太阳能电池组件并、串联构成太阳能电池阵列。 1.2 光伏组件 1.2.1组件概述 光伏组件（俗称太阳能电池板）是将性能一致或相近的光伏电池片（整片的两种规格125*125mm、156*156mm），或由激光机切割开的不同规格的太阳能电池，按一定的排列串、并联后封装而成。由于单片太阳能电池片的电流和电压都很小，把他们先串联获得高电压，再并联获得高电流后，通过一个二极管（防止电流回输）然后输出。电池串联的片数越多电压越高，面积越大或并联的片数越多则电流越大。如一个组件上串联太阳能电池片的数量是36片，这意味着这个太阳能组件大约能产生17伏的电压。 1.2.2电池的连接与失配 失配的影响:失配损失是由于电池或者组件的互联引起的，这些电池或者组件没有相同的特性或者经历了不同的条件。在PV组件和方阵中，在某种条件下失配问题是一个严重的问题，因为一个组件在最差情况的输出是由其中的具有最低输出的太阳电池决定。例如，当一个太阳电池被遮挡而组件中的其它的太阳电池并没有被遮挡时，一个处于“良好”状态的太阳电池产生的功率可以被低性能的太阳电池耗散，而不是提供给负载。这可以导致非常高的局部电力耗散，并且由此而产生的局部加热可以引起组件不可恢复的损伤。 太阳能电池在串、并联成电池组件时，由于每片太阳能电池电性能不可能绝对一致，这就使得串、并联后的输出总功率往往小于各个单体太阳能电池输出功率之和，称作太阳能电池的失配。在太阳能组件的制造以及组建安装为阵列的过程中，失配问题总会存在，并或多或少的影响太阳能电池的性能。这是因为：1，
系统工程理论与实践 Systems Engineering——Theory & Practice 1999年第2期第19卷 vol.19 No.2 1999 遗传算法与神经网络的结合 李敏强徐博艺寇纪淞 摘要阐明了遗传算法和神经网络结合的必要性和可行性,提出用多层前馈神经网络作为遗传搜索的问题表示方式的思想。用遗传算法和神经网络结合的方法求解了短期地震预报问题,设计了用遗传算法训练神经网络权重的新方法,实验结果显示了遗传算法快速学习网络权重的能力,并且能够摆脱局部极点的困扰。 关键词遗传算法进化计算神经网络 On the Combination of Genetic Algorithms and Neural Networks Li Minqiang Xu Boyi Kou Jisong (Institute of Systems Engineering, Tianjin University, Tianjin 300072 Abstract In this paper, we demonstrate the necessity and possibility of combining neural network (NN with GAs. The notion of using multilayered feed forward NN as the representation method of genetic and the searching technique is introduced. We combine GA and NN for solving short term earthquake forecasting problem, design a novel method of using GAs to train connection weights of NN.The empirical test indicates the capability of the new method in fast learning of NN and escaping local optima. Keywords genetic algorithms; evolutionary computation; neural networks
遗传算法优化的BP神经网络建模 十一月匆匆过去，每天依然在忙碌着与文档相关的东西，在寒假前一个多月里，努力做好手头上的事的前提下多学习专业知识，依然是坚持学习与素质提高并重，依然是坚持锻炼身体，为明年找工作打下基础。 遗传算法优化的BP神经网络建模借鉴别人的程序做出的仿真，最近才有时间整理。 目标： 对y=x1^2+x2^2非线性系统进行建模，用1500组数据对网络进行构建网络，500组数据测试网络。由于BP神经网络初始神经元之间的权值和阈值一般随机选择，因此容易陷入局部最小值。本方法使用遗传算法优化初始神经元之间的权值和阈值，并对比使用遗传算法前后的效果。 步骤： 未经遗传算法优化的BP神经网络建模 1、随机生成2000组两维随机数(x1,x2)，并计算对应的输出y=x1^2+x2^2，前1500组数据作为训练数据input_train，后500组数据作为测试数据input_test。并将数据存储在data中待遗传算法中使用相同的数据。 2、数据预处理：归一化处理。 3、构建BP神经网络的隐层数，次数，步长，目标。 4、使用训练数据input_train训练BP神经网络net。 5、用测试数据input_test测试神经网络，并将预测的数据反归一化处理。 6、分析预测数据与期望数据之间的误差。 遗传算法优化的BP神经网络建模 1、读取前面步骤中保存的数据data； 2、对数据进行归一化处理； 3、设置隐层数目； 4、初始化进化次数，种群规模，交叉概率，变异概率 5、对种群进行实数编码，并将预测数据与期望数据之间的误差作为适应度函数； 6、循环进行选择、交叉、变异、计算适应度操作，直到达到进化次数，得到最优的初始权值和阈值； 7、将得到最佳初始权值和阈值来构建BP神经网络； 8、使用训练数据input_train训练BP神经网络net; 9、用测试数据input_test测试神经网络，并将预测的数据反归一化处理； 10、分析预测数据与期望数据之间的误差。 算法流程图如下：
第四章 遗传算法与组合优化 4.1 背包问题（knapsack problem ） 4.1.1 问题描述 0/1背包问题：给出几个尺寸为S 1，S 2，…，S n 的物体和容量为C 的背包，此处S 1，S 2，…，S n 和C 都是正整数；要求找出n 个物件的一个子集使其尽可能多地填满容量为C 的背包。 数学形式： 最大化 ∑=n i i i X S 1 满足 ,1C X S n i i i ≤∑= n i X i ≤≤∈1},1,0{ 广义背包问题：输入由C 和两个向量C ＝(S 1，S 2，…，S n )和P ＝(P 1，P 2，…，P n )组成。设X 为一整数集合，即X ＝1，2，3，…，n ，T 为X 的子集，则问题就是找出满足约束条件∑∈≤T i i C X ，而使∑∈T i i P 获得最大的子集T ，即求S i 和P i 的下标子集。 在应用问题中，设S 的元素是n 项经营活动各自所需的资源消耗，C 是所能提供的资源总量，P 的元素是人们从每项经营活动中得到的利润或收益，则背包问题就是在资源有限的条件下，追求总的最大收益的资源有效分配问题。 广义背包问题可以数学形式更精确地描述如下： 最大化 ∑=n i i i X P 1 满足 ,1C X S n i i i ≤∑= n i X i ≤≤∈1},1,0{ 背包问题在计算理论中属于NP —完全问题，其计算复杂度为O (2n )，若允许物件可以部分地装入背包，即允许X ，可取从0.00到1.00闭区间上的实数，则背包问题就简化为极简单的P 类问题，此时计算复杂度为O (n )。
4.1.2 遗传编码 采用下标子集T 的二进制编码方案是常用的遗传编码方法。串T 的长度等于n(问题规模)，T i (1≤i ≤n )＝1表示该物件装入背包，T i ＝0表示不装入背包。基于背包问题有近似求解知识，以及考虑到遗传算法的特点（适合短定义距的、低阶的、高适应度的模式构成的积木块结构类问题），通常将P i ，S i 按P i /S i 值的大小依次排列，即P 1/S 1≥P 2/S 2≥…≥P n /S n 。 4.1.3 适应度函数 在上述编码情况下，背包问题的目标函数和约束条件可表示如下。 目标函数：∑==n i i i P T T J 1 )( 约束条件：C S T n i i i ≤∑=1 按照利用惩罚函数处理约束条件的方法，我们可构造背包问题的适应度函数f (T )如下式： f (T ) = J (T ) + g (T ) 式中g (T )为对T 超越约束条件的惩罚函数，惩罚函数可构造如下: 式中E m 为P i /S (1≤i ≤n )i 的最大值，β为合适的惩罚系数。 4.2 货郎担问题（Traveling Salesman Problem ——TSP ） 在遗传其法研究中，TSP 问题已被广泛地用于评价不同的遗传操作及选择机制的性能。之所以如此，主要有以下几个方面的原因： (1) TSP 问题是一个典型的、易于描述却难以处理的NP 完全（NP-complete ）问题。有效地 解决TSP 问题在可计算理论上有着重要的理论价值。 (2) TSP 问题是诸多领域内出现的多种复杂问题的集中概括和简化形式。因此，快速、有效 地解决TSP 问题有着极高的实际应用价值。 (3) TSP 问题因其典型性已成为各种启发式的搜索、优化算法的间接比较标准，而遗传算法 就其本质来说，主要是处理复杂问题的一种鲁棒性强的启发式随机搜索算法。因此遗传算法在TSP 问题求解方面的应用研究，对于构造合适的遗传算法框架、建立有效的遗传操作以及有效地解决TSP 问题等有着多方面的重要意义。
课程设计作业——翻译 课题：介绍遗传算法神经网络 穆姣姣 0808490233 物流08-班
介绍遗传算法神经网络 理查德·坎普 1. 介绍 一旦一个神经网络模型被创造出来，它常常是可取的。利用这个模型的时候,识别套输入变量导致一个期望输出值。大量的变量和非线性性质的许多材料模型可以使找到一个最优组输入变量变得困难。 在这里,我们可以用遗传算法并试图解决这个问题。 遗传算法是什么?遗传算法是基于搜索algo-rithms力学的自然选择和遗传观察到生物的世界。他们使用两个方向(\适者生存”),在这种条件下,探索一个强劲的功能。重要的是,采用遗传算法,这不是必需要知道功能的形式,就其输出给定的输入(图1)。 健壮性我们这么说是什么意思呢?健壮性是效率和效能之间的平衡所使用的技术在许多不同的环境中。帮助解释这个问题,我们可以比其他搜索和优化技术,如calculus-based,列举,与随机的求索。 方法Calculus-based假设一个光滑,无约束函数和要么找到点在衍生为零(知易行难)或者接受一个方向梯度与当地日当地一所高中点(爬山)。研究了这些技术已经被重点研究、扩展、修改，但展现自己缺乏的鲁棒性是很简单的。 考虑如图2所示的功能。利用Calculus-based在这里发现极值是很容易的(假定派生的函数可以发现…!)。然而,一个更复杂的功能(图3)显示该方法是当地——如果搜索算法,在该地区的一个开始,它就会错过低高峰目标,最高的山峰。 图1 使用网络神经算法没必要知道它的每一项具体功能。 一旦一个局部极大时,进一步改进需要一个随机的重启或类似的东西。同时,假设一个函数光滑,可导,并明确知道很少尊重现实。许多真实世界充满了间断模型和设置在嘈杂的多通道搜索空间(图4)。 虽然calculus-based方法在某些环境中至非常有效的，但内在的假
%读取数据 data=xlsread('data.xls'); %训练预测数据 data_train=data(1:113,:); data_test=data(118:123,:); input_train=data_train(:,1:9)'; output_train=data_train(:,10)'; input_test=data_test(:,1:9)'; output_test=data_test(:,10)'; %数据归一化 [inputn,mininput,maxinput,outputn,minoutput,maxoutput]=premnmx(input_tr ain,output_train); %对p和t进行字标准化预处理 net=newff(minmax(inputn),[10,1],{'tansig','purelin'},'trainlm'); net.trainParam.epochs=100; net.trainParam.lr=0.1; net.trainParam.goal=0.00001; %net.trainParam.show=NaN %网络训练 net=train(net,inputn,outputn); %数据归一化 inputn_test = tramnmx(input_test,mininput,maxinput); an=sim(net,inputn); test_simu=postmnmx(an,minoutput,maxoutput); error=test_simu-output_train; plot(error) k=error./output_train
数字式光伏电池阵列模拟器的研制 2011-03-17 16:30:18 来源：OFweek太阳能光伏网 介绍太阳能电池的工作原理及其数学模型的基础上，选择半桥变换器作为主电路拓扑，研制了一台光伏电池阵列模拟器。控制部分采用TMS320F2812 DSP作为模拟器控制电路的主控制器，将数字PI控制算法应用在数字式光伏电池阵列模拟器中。在闭环实验下，模拟器的静态工作点与所模拟的太阳能电池的输出特性相吻合，并能够动态模拟负载变化的工作情况。证明了所设计的模拟器能够用于光伏发电系统实验。 1 引言 太阳能作为一种新型的可再生资源受到越来越广泛的重视，但在光伏系统的研发过程中，太阳能电池阵列由于实验受到日照强度、环境温度的影响，导致实验成本过高，研发周期变长。光伏电池阵列模拟器可以大大缩短光伏系统的研究周期，提高研究效率及研究结果的可信性。 本文设计的光伏电池阵列模拟器以半桥电路为基础，基于DSP控制，并加入了PI控制改善系统动态性能和稳态精度。 2 太阳能电池的工作特性 太阳能电池在有光照条件下，光生电流会流过负载，从而产生负载电压。这时太阳能电池的等效电路如图1所示。其中，RS为串联电阻，Rsh为旁漏电阻，也称跨接电阻，它是由体内的缺陷或硅片边缘不清洁引起的。显然，旁路电流Ish 和二极管的正向电流ID (通过PN结总扩散电流)都要靠IL提供，剩余的led光电流经过RS，流出太阳能电池而进入负载。 根据文献资料[1]，利用厂家提供的短路电流Isc，开路电压VOC，最大功率点处的电流Im和最大功率点处的电压Vm这四个参数可以得到太阳能电池板便于工程计算的模型：
这样，就把太阳能电池板的I-V特性曲线转换为简单的、便于工程计算的形式。 3 光伏电池阵列模拟器设计 模拟器的目的是要能模拟一定光照下，随负载变化的太阳能电池板的电特性，包括最大输出功率，输出I-V特性，以及不同日照下的变化。其应该完成以下三个方面的要求： (1) 系统能够按照光伏阵列的输出特性完成输出，当外电路负载一定时，系统能够在工作点上保持稳定的输出； (2) 当外接负载发生变化时，模拟器能够以合乎要求的速度变化到新工作点并能稳定在该点； (3) 能够输出要求的功率； 本文设计的光伏阵列模拟器的系统结构框图如图2所示，整个系统主要由功率电路和采集控制电路两部分构成。功率电路采用半桥拓扑，用以完成直流变换，经整流滤波后，产生合适的输出电压。检测电路实时采集输出电压、电流，并送给DSP控制电路。DSP依据采集到的值，产生合适的占空比信号控制半桥两个IGBT开关。隔离驱动电路用于驱动IGBT开关，并实现与控制电路的隔离。如果想要模拟一条新的太阳能电池板I-V曲线，只需在软件中重新设定该曲线的和，这四个参数就可以了。 由于半桥母线电压为100V，单个管子承受耐压应该在100V以上，系统最大输出电流为3.5A。综合以上因素后，我们选择Infinion公司生产的IGBT单管IKW40N120T2，其耐压1200V，可通过的均值电流40A，且该单管价格便宜，开通、关断时间极短，开通压降只有1.7V，因此，开关损耗较小，是较理想的选择。 在本系统中，一共需要四路采集，分别是半桥高低端电压采集，输出电压电流采集。这四路信号都要设定过压或过流保护。采集电流信号使用电流传感器，采集电压信号使用电阻分压的形式。本设计的采集电路使用差分信号传输，并基于三级采集电路设计：首先使用全差分放大器LTC1992进行单端到差分信号的转换；然后使用模拟线性光耦HCPL7840进行信号隔离；最后使用仪用运放INA121将信号进行适当放大。 4 控制算法实现 4.1 寻找负载工作点的算法设计 光伏模拟器主要是跟踪负载的工作点，使得模拟器在不同负载情况下的输出能满足光伏阵列的输出特性。静态工作点的确定是模拟器的关键，如何在一特定负载下快速寻找到期望工作点，并使电源工作在这个点上。当负载变化，或是环境条件变化时，又如何找到新的工作点，并快速且精确的控制电源运行在这个工作点上，是模拟器控制算法所要解决的核心问题。 当负载电阻确定后，想要确定工作点处的电压电流，需要代入式(1)进行计算，但公式复杂，且涉及指数运算，在程序实现上十分麻烦，而且也会影响系统响应的速度。从我们研究太阳能电池的输出I-V特性曲线可以看到，在短路电流点附近，电池板接近恒流，输出I-V曲线在这一段接近一条直线；在开路电压点附近，电池板接近恒压，输出I-V曲线在这一段也接近一条直线。所以我们用四条直线来对电池板输出I-V曲线进行拟合，如图3所示。
基于遗传算法的BP神经网络的应用 ----非线性函数拟合 摘要人工神经网络在诸多领域得到应用如信息工程、自动控制、电子技术、目标识别、数学建模、图像处理等领域，并且随着神经网络算啊发的不断改进以及其他新算法的结合，使其应用的领域越来越广。BP神经网络是目前神经网络领域研究最多应用最广的网络，但BP神经网络学习算法易陷入局部极小的缺陷，本文采用遗传算法来优化BP神经网络的性能。首先采用遗传算法来优化BP神经网络的权值和阈值，然后将这些优化值赋给网络得到优化的BP神经网络，最后用MATLAB仿真平台，对非线性函数的逼近拟合和极值寻优问题进行实验。数值仿真结果表明：经遗传算法优化的BP神经网络能有效地避免原始BP神经网络容易出现的局部极小的缺陷，且具有收敛速度快和精度高等优点。 关键词：BP神经网络遗传算法 MATLAB 结构优化 Abstract— In recent years, artificial neural network gradually attention has been paid into the hot area of research in many fields have been involved in electronic applications such as other fields have a wide range of applications, and also continued to expand its applications. To alleviate the shortcoming of easily sinking into the local minimum existing in the BP neural network, the paper exploits the genetic algorithm to optimize the BP neural network. First of all, the genetic algorithm is utilized to optimize the weight values as well as the threshold values of the BP neural network. Subsequently, by using the optimized weight values and threshold values, we are able to get the improved BP neural network. Furthermore, we employ the simulation data to measure the performance of the improved BP neural network. The numerical results indicate that the optimized BP neural network can effectively overcome the local minimum of the original BP neural network and outperform the original BP neural network in the aspects of convergence speed and
案例3：基于遗传算法的BP神经网络优化算法 ******************************************************************************* **** 论坛申明： 1 案例为原创案例，论坛拥有帖子的版权，转载请注明出处（MATLABSKY论坛，《MATLAB 智能算法30个案例分析》 2 案例内容为书籍原创内容，内容为案例的提纲和主要内容。 3 作者长期驻扎在板块，对读者和会员问题有问必答。 4 案例配套有教学视频和完整的MATLAB程序，MATLAB程序在购买书籍后可以自由下载，教学视频需要另外购买。 MATLAB书籍预定方法和优惠服务：https://www.doczj.com/doc/e117678752.html,/thread-9258-1-1.html 点击这里，预览该案例程序：https://www.doczj.com/doc/e117678752.html,/znsf/view/s3/GABPMain.html 已经预定的朋友点此下载程序源代码：https://www.doczj.com/doc/e117678752.html,/thread-11921-1-1.html * ******************************************************************************* ** 1、案例背景 BP网络是一类多层的前馈神经网络。它的名字源于在网络训练的过程中，调整网络的权值的算法是误差的反向传播的学习算法，即为BP学习算法。BP算法是Rumelhart等人在1986年提出来的。由于它的结构简单，可调整的参数多，训练算法也多，而且可操作性好，BP 神经网络获得了非常广泛的应用。据统计，有80%～90%的神经网络模型都是采用了BP网络或者是它的变形。BP网络是前向网络的核心部分，是神经网络中最精华、最完美的部分。BP神经网络虽然是人工神经网络中应用最广泛的算法，但是也存在着一些缺陷，例如： ①、学习收敛速度太慢； ②、不能保证收敛到全局最小点； ③、网络结构不易确定。 另外，网络结构、初始连接权值和阈值的选择对网络训练的影响很大，但是又无法准确获得，针对这些特点可以采用遗传算法对神经网络进行优化。 本节以某型号拖拉机的齿轮箱为工程背景，介绍使用基于遗传算法的BP神经网络进行齿轮箱故障的诊断。
关于太阳能电池阵模拟器的设计 1 引言 太阳能（Solar Energy），一般是指太阳光的辐射能量，在现代一般用作发电。自地球形成生物就主要以太阳提供的热和光生存，而自古人类也懂得以阳光晒干物件，并作为保存食物的方法，如制盐和晒咸鱼等。但在化石燃料减少下，才有意把太阳能进一步发展。太阳能的利用有被动式利用（光热转换）和光电转换两种方式。太阳能发电一种新兴的可再生能源。目前，在航天电源领域内，绝大多数卫星电源均使用太阳能电池作为其动力核心。卫星电源的性能直接影响到卫星的性能和工作寿命，对卫星的正常运行和使用也有重大的影响。因此，为了提高电源系统的性能和可靠性，对卫星电源系统进行仿真和测试评估具有十分重要的意义。 卫星的空间工作条件恶劣且复杂，温度范围大，日照条件变化迅速，且太阳能电池方阵处于高能粒子辐射下，在地面上无法采用实际的太阳能电池方阵来再现卫星在空间轨道中的工作状态，因此需要采用太阳能电池模拟器（Solar Array Simulator，简称SAS）来模拟太阳能电池阵在空间的工作状况。SAS是卫星电源模拟器的重要组成部分，其主要任务是真实地遵循太阳能电池方阵在各种复杂空间条件下的实际输出特性曲线，在卫星的地面测试阶段代替太阳能电池方阵为卫星上的各分系统供电。 2 太阳能电池的数学模型 根据太阳能电池原理和图1 所示的实际测量结果建立了多种模型，用于太阳能电池的测试和应用研究。事实证明，这些模型具有足够的工程精度。 2.1 单指数模型 图2 示出太阳能电池的等效电路。 Iph 取决于太阳能电池各工作区的半导体材料性质和电池几何结构参数以及入射光强、表面反射率、前后表面复合速度、材料吸收系数等。由于器件的瞬时响应时间相比于绝大多数光伏系统的时间常数显得微不足道，因此分析中可忽略结电容。设定图中所示的电压、电流为正方向，由固体物理理论和全电路欧姆定律即可推出目前常用的单指数形式的太阳能电池模型： 式中 I0———二极管反向饱和电流 q———电子电荷 I———电池的输出电流 K———波尔兹曼常数 T———绝对温度 A———二极管品质因子（曲线因子），一般A=1～2： 2.2 双指数模型 在单指数模型中，在不同的电压范围内，决定IVD 的因素也不同。当电压较高时，IVD 主要由电中性区的注入电流决定；当电压较低时，IVD 主要由空间电荷区的复合电流决定。为了提高模型精度，可以综合考虑这两种情况，在等效电路中用两个参数不同的二极管来产生这两个电流，。
5.4 神经网络与遗传算法简介 在本节中，我们将着重讲述一些在网络设计、优化、性能分析、通信路由优化、选择、神经网络控制优化中有重要应用的常用的算法，包括神经网络算法、遗传算法、模拟退火算法等方法。用这些算法可以较容易地解决一些很复杂的，常规算法很难解决的问题。这些算法都有着很深的理论背景，本节不准备详细地讨论这些算法的理论，只对算法的原理和方法作简要的讨论。 5.4.1 神经网络 1. 神经网络的简单原理 人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connectionist Model），是对人脑或自然神经网络（Natural Neural Network）若干基本特性的抽象和模拟。人工神经网络以对大脑的生理研究成果为基础的，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能。所以说, 人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作出状态相应而进行信息处理。它是根据人的认识过程而开发出的一种算法。假如我们现在只有一些输入和相应的输出，而对如何由输入得到输出的机理并不清楚，那么我们可以把输入与输出之间的未知过程看成是一个“网络”，通过不断地给这个网络输入和相应的输出来“训练”这个网络，网络根据输入和输出不断地调节自己的各节点之间的权值来满足输入和输出。这样，当训练结束后，我们给定一个输入，网络便会根据自己已调节好的权值计算出一个输出。这就是神经网络的简单原理。 2. 神经元和神经网络的结构 如上所述，神经网络的基本结构如图5.35所示： 隐层隐层2 1 图5.35 神经网络一般都有多层，分为输入层，输出层和隐含层，层数越多，计算结果越精确，但所需的时间也就越长，所以实际应用中要根据要求设计网络层数。神经网络中每一个节点叫做一个人工神经元，他对应于人脑中的神经元。人脑神经元由细胞体、树突和轴突三部分组成，是一种根须状蔓延物。神经元的中心有一闭点，称为细胞体，它能对接受到的信息进行处理，细胞体周围的纤维有两类，轴突是较长的神经纤维，是发出信息的。树突的神经纤维较短，而分支众多，是接收信息的。一个神经元的轴突末端与另一神经元的树突之间密
https://www.doczj.com/doc/e117678752.html,/viewthread.php?tid= 50653&extra=&highlight=%E9%81%97%E4%BC%A0%E7% AE%97%E6%B3%95&page=1 Matlab遗传算法优化神经网络的例子（已调试成功）最近论坛里问到用遗传算法优化神经网络问题的人很多，而且论坛里有很多这方面的代码。但可惜的是所有代码都或多或少有些错误！最郁闷的莫过于只有发帖寻求问题答案的探索者，却很少有对问题进行解答的victor。本人在论坛里看到不少会员对能运行成功的遗传算法优化神经网络例子的需求是多么急切，我也深有感触！现把调试成功的一个例子贴出来，供大家参考！（本例子是基于一篇硕士论文里的代码为蓝本改 编的，此处就不再注明作者了。）遗传算法优化bp.rar (3.34 KB) 注：该代码是由会员“书童”耗费了一整天的时间调试成功的，在此再次对我们的“书童”同学乐于助人的高尚品德致敬，并对其深表感谢！PS:参考会员“ilovexyq”意见，先对其做以补充。该网络为遗传算法 优化bp的一个典型例子，输入为7，输出为7，隐层为25。该网络输入输出数据就是为了说明问题而随便加的，没有实际意义。如用于自己的实际问题，把数据替换并根据需要改一下网络结构就行了。
PS:如有问题，请先阅读此贴： https://www.doczj.com/doc/e117678752.html,/thread-52587-1-1.html### [本帖最后由 yuthreestone 于 2009-10-15 10:52 编辑] 搜索更多相关主题的帖子: 调试例子算法Matlab神经网络 https://www.doczj.com/doc/e117678752.html,/thread-52587-1-1.html 遗传算法优化BP神经网络权值和阈值（完整版） 会员renjia前一段时间分享的程序，地址如下： https://www.doczj.com/doc/e117678752.html,/viewthread.php?tid=50653&extra=&highlight=% E9%81%97%E4%BC%A0%E7%AE%97%E6%B3%95&page=1： （1）renjia提供的程序存在一些小错误，主要是设计的bp网络是两个隐含层，但编码的时候只有一个隐含层。修改后的程序将bp改成了单隐层以确保一致；（2）很多会员不知道该如何运行程序，各个m文件之间的关系弄不清楚。修改后的程序共包含三个m文件： 其中，主程序为ga_bp.m，适应度函数为gabpEval.m，编解码子函数为gadecod.m 注意：使用前需安装gaot工具箱（见附件），上述三个文件需放在同一文件夹中且将该文件夹设置为当前工作路径。 运行程序时只需运行主程序ga_bp.m即可。 （3）此程序仅为示例，针对其他的问题，只需将数据修改即可，但需注意变量名保持一致，尤其是全局变量修改时（在gadecod.m和gabpEval.m中也要修改）（4）gaot工具箱如何安装？ 点击file选择set path，在弹出的对话框中选择add folder,将gaot文件夹添加进去，然后点击save保存即可。