下载文档原格式
编号：审定成绩：重庆邮电大学毕业设计（论文）设计（论文）题目：基于遗传算法的BP神经网络的优化问题研究学院名称：学生姓名：专业：班级：学号：指导教师：答辩组负责人：填表时间：2010年06月重庆邮电大学教务处制摘要本文的主要研究工作如下：1、介绍了遗传算法的起源、发展和应用，阐述了遗传算法的基本操作，基本原理和遗传算法的特点。
2、介绍了人工神经网络的发展，基本原理，BP神经网络的结构以及BP算法。
3、利用遗传算法全局搜索能力强的特点与人工神经网络模型学习能力强的特点，把遗传算法用于神经网络初始权重的优化，设计出混合GA-BP算法，可以在一定程度上克服神经网络模型训练中普遍存在的局部极小点问题。
4、对某型导弹测试设备故障诊断建立神经网络，用GA直接训练BP神经网络权值，然后与纯BP算法相比较。
再用改进的GA-BP算法进行神经网络训练和检验，运用Matlab软件进行仿真，结果表明，用改进的GA-BP算法优化神经网络无论从收敛速度、误差及精度都明显高于未进行优化的BP神经网络，将两者结合从而得到比现有学习算法更好的学习效果。
【关键词】神经网络BP算法遗传算法ABSTRACTThe main research work is as follows:1. Describing the origin of the genetic algorithm, development and application, explain the basic operations of genetic algorithm, the basic principles and characteristics of genetic algorithms.2. Describing the development of artificial neural network, the basic principle, BP neural network structure and BP.3. Using the genetic algorithm global search capability of the characteristics and learning ability of artificial neural network model with strong features, the genetic algorithm for neural network initial weights of the optimization, design hybrid GA-BP algorithm, to a certain extent, overcome nerves ubiquitous network model training local minimum problem.4. A missile test on the fault diagnosis of neural network, trained with the GA directly to BP neural network weights, and then compared with the pure BP algorithm. Then the improved GA-BP algorithm neural network training and testing, use of Matlab software simulation results show that the improved GA-BP algorithm to optimize neural network in terms of convergence rate, error and accuracy were significantly higher than optimized BP neural network, a combination of both to be better than existing learning algorithm learning.Key words：neural network back-propagation algorithms genetic algorithms目录第一章绪论 (1)1.1 遗传算法的起源 (1)1.2 遗传算法的发展和应用 (1)1.2.1 遗传算法的发展过程 (1)1.2.2 遗传算法的应用领域 (2)1.3 基于遗传算法的BP神经网络 (3)1.4 本章小结 (4)第二章遗传算法 (5)2.1 遗传算法基本操作 (5)2.1.1 选择(Selection) (5)2.1.2 交叉(Crossover) (6)2.1.3 变异(Mutation) (7)2.2 遗传算法基本思想 (8)2.3 遗传算法的特点 (9)2.3.1 常规的寻优算法 (9)2.3.2 遗传算法与常规寻优算法的比较 (10)2.4 本章小结 (11)第三章神经网络 (12)3.1 人工神经网络发展 (12)3.2 神经网络基本原理 (12)3.2.1 神经元模型 (12)3.2.2 神经网络结构及工作方式 (14)3.2.3 神经网络原理概要 (15)3.3 BP神经网络 (15)3.4 本章小结 (21)第四章遗传算法优化BP神经网络 (22)4.1 遗传算法优化神经网络概述 (22)4.1.1 用遗传算法优化神经网络结构 (22)4.1.2 用遗传算法优化神经网络连接权值 (22)4.2 GA-BP优化方案及算法实现 (23)4.3 GA-BP仿真实现 (24)4.3.1 用GA直接训练BP网络的权值算法 (25)4.3.2 纯BP算法 (26)4.3.3 GA训练BP网络的权值与纯BP算法的比较 (28)4.3.4 混合GA-BP算法 (28)4.4 本章小结 (31)结论 (32)致谢 (33)参考文献 (34)附录 (35)1 英文原文 (35)2 英文翻译 (42)3 源程序 (47)第一章绪论1.1 遗传算法的起源从生物学上看，生物个体是由细胞组成的，而细胞则主要由细胞膜、细胞质、和细胞核构成。
计算机网络中遗传算法的可靠度优化计算应用研究论文[优秀范文5篇]第一篇：计算机网络中遗传算法的可靠度优化计算应用研究论文摘要：第三次科技革命以后，计算机技术发展迅速，在人们的生活中，运用越来越广泛，为满足人们日益增长的需求，要求计算机技术的研究不断创新，不断完善。
为保证计算机网络的可靠性及不断优化计算机的性能，就需要不断探索在节约和降低网络结点链接路的成本的同时，保证计算机网络传输系统的可靠性。
为实现这个目标，在计算机网络可靠度优化计算的时候，要把网络可靠度优化的数学模型，计算机网络路介质成本等因素，综合在一起进行考虑。
关键词：计算机技术;遗传算法;仿真;可靠度相关概念阐述1.1 遗传算法作为近年来，刚刚被提出来的新型算法——遗传算法。
这种机理与生物的遗传性或是自然选择性有密切联系，其主要含义是根据生物的进化与细胞遗传理论进行模拟。
从而根据种群之间的必然性与联系性来宣召线索，根据不同种群的特点与特殊意义，挑选其主要优点作为全程搜索对象，这种方法便于操作，且搜索资源过程中能够很好地把握种群划分的全局性和层次性，从而对种群优势进行分析，能够对复杂问题进行清晰梳理。
关于遗传算法的具体应用，首先是对遗传相关方案进行编码化处理，将遗传种群以编码序列的方式进行排列组合，再将编码序列中各个独立元素当作是一个独立的遗传基因。
关于遗传算法的具体应用，首先是对遗传相关方案进行编码化处理，将遗传种群以编码序列的方式进行排列组合，再将编码序列中各个独立元素当作一个独立的遗传基因。
交叉运算并且重复进行迭代运算。
直到运算结果符合标准。
在遗传算法的计算过程中，寻找到客户的满意度进行综合，根据这个综合满意度，设置出综合满意函数，形成最高的主干网设计，从而得到最优化结果。
1.2 计算机网络可靠度优化计算机网络具有抗破坏性，生存性，连通性。
计算机网络由于具有的特性，可以很好的适应多种模式，保证网络元件工作的有效性，因此它的体系不断得到完善和健全，也因此被专家学者认为这个是网络可靠性的测度。
基于随机算法的优化算法研究随机算法是指通过随机性来解决问题的一类算法。
在优化算法中，随机算法被广泛应用于解决复杂问题，如优化搜索、参数调整和最优化等。
本文将研究基于随机算法的优化算法，探讨其原理、应用和发展趋势。
首先，让我们了解随机算法的基本原理。
随机算法通过引入随机因素来增加搜索空间，以获得更优的解。
常见的随机算法包括模拟退火算法、遗传算法和蚁群算法等。
这些算法通过随机性的搜索特性，能够避免陷入局部最优解，从而提高寻找全局最优解的能力。
模拟退火算法是一种基于物理冷却过程的优化算法。
它通过引入随机性来模拟金属加热冷却的过程，在搜索空间中逐渐减小温度，从而使搜索过程不断收敛于最优解。
模拟退火算法在组合优化、函数最优化和排课问题等领域得到了广泛应用。
遗传算法是模拟自然界生物进化过程的一种优化算法。
通过对候选解进行随机的生成、评估、选择和交叉变异操作，遗传算法模拟了自然选择和遗传变异的过程。
遗传算法在优化搜索和功能优化等问题中取得了显著的成果。
蚁群算法是模拟蚁群觅食行为的一种优化算法。
蚁群算法通过模拟蚁群在搜索过程中的信息交流和协作行为，以找到最优路径和解决最优化问题。
蚁群算法在动态路径规划、车辆路径优化和组合优化等问题中取得了成功。
随机算法的应用非常广泛。
在机器学习领域，随机梯度下降算法是一种求解大规模数据集优化问题的常用方法。
它通过随机采样少量数据来更新参数，从而大大减少计算量。
在网络优化中，随机网络退化算法能够提高网络性能，降低通信开销。
而在交通路线规划中，基于蚁群算法的路径优化算法可以避开拥堵路段，减少总体旅行时间。
然而，随机算法也存在一些挑战和限制。
首先，随机算法通常需要大量的计算资源和运行时间。
在处理大规模问题和复杂模型时，随机算法的计算复杂度通常较高。
此外，随机算法的搜索过程往往是不确定的，可能会导致不一致的结果。
因此，如何提高随机算法的搜索效率和稳定性仍然是一个重要的研究方向。
未来，基于随机算法的优化算法有许多发展方向。
基于遗传优化算法对离散PID控制器参数的优化设计摘要PID控制作为一种经典的控制方法，从诞生至今，历经数十年的发展和完善，因其优越的控制性能业已成为过程控制领域最为广泛的控制方法；PID控制器具有结构简单、适应性强、不依赖于被控对象的精确模型、鲁棒性较强等优点，其控制性能直接关系到生产过程的平稳高效运行，因此对PID控制器设计和参数整定问题的研究不但具有理论价值更具有很大的实践意义，遗传算法是一种借鉴生物界自然选择和自然遗传学机理上的迭代自适应概率性搜索算法。
本论文主要应用遗传算法对PID调节器参数进行优化。
关键词：遗传优化算法PID控制器参数优化1.前言PID调节器是最早发展起来的控制策略之一，因为它所涉及的设计算法和控制结构都是简单的，并且十分适用于工程应用背景，此外PID控制方案并不要求精确的受控对象的数学模型，且采用PID控制的控制效果一般是比较令人满意的，所以在工业实际应用中，PID调节器是应用最为广泛的一种控制策略，也是历史最久、生命力最强的基本控制方式。
调查结果表明: 在当今使用的控制方式中，PID型占84. 5% ，优化PID型占68%，现代控制型占有15%，手动控制型66%，人工智能(AI)型占0.6% 。
如果把PID型和优化PID型二者加起来，则占90% 以上，这说明PID控制方式占绝大多数，如果把手动控制型再与上述两种加在一起，则占97.5% ，这说明古典控制占绝大多数。
就连科学技术高度发达的日本，PID控制的使用率也高达84.5%。
这是由于理论分析及实际运行经验已经证明了PID调节器对于相当多的工业过程能够起到较为满足的控制效果。
它结构简单、适用面广、鲁棒性强、参数易于调整、在实际中容易被理解和实现、在长期应用中己积累了丰富的经验。
特别在工业过程中，由于控制对象的精确数学模型难以建立，系统的参数又经常发生变化，运用现代控制理论分析综合要耗费很大的代价进行模型辨识，但往往不能达到预期的效果，所以不论常规调节仪表还是数字智能仪表都广泛采用这种调节方式。
随机优化的实现与应用随机优化是一种优化方法，它不同于传统的确定性优化方法。
传统的确定性优化方法在求解问题时，需要预先假定变量和约束条件的具体数值，以及目标函数的形式。
然而，实际问题往往不像这样简单。
由于变量之间的复杂关联以及约束的不确定性，传统的确定性优化方法往往难以达到最优解。
因此，随机优化方法应运而生，它通过使用随机性来探索解空间，并在统计上求得最优解。
随机优化方法涉及到大量的概率论、随机过程等数学知识。
在应用中，通常需要根据问题特点，选择相应的随机算法。
下面，将介绍几种常见的随机优化算法及它们的实现和应用。
一、遗传算法(Genetic Algorithm，GA)遗传算法是一种基于生物进化理论的优化算法。
它模拟了生物的进化过程中的“遗传、交叉、变异”等基本操作。
遗传算法的算法框架大致分为以下几步：1. 随机初始化初始种群2. 计算每个个体的适应度(Fitness)3. 从当前种群中选择父代个体，进行交叉和变异操作，生成子代个体4. 计算每个子代个体的适应度，根据一定规则更新种群5. 重复步骤3-4，直到满足终止条件遗传算法通过随机初始化初始种群，以及随机的交叉和变异操作，使解空间被探索的更加全面，有更大的可能性找到全局最优解。
当前，遗传算法在许多领域中得到了广泛的应用，如工程设计、金融投资等。
二、模拟退火算法(Simulated Annealing，SA)模拟退火算法，是一种基于物理冷却理论的随机优化算法。
它与遗传算法的不同之处在于，它并不试图寻找最佳的解，而是根据一定概率接受更劣的解，从而避免陷入局部最优解。
具体而言，模拟退火算法的过程如下：1. 随机生成初始解2. 按照一定规则随机生成下一个可能的解3. 比较两个解的成本函数值(Cost Function)，根据一定的概率(P)接受更劣的解4. 降低温度(T)，通过降温的方式控制概率P逐步降低，逼近最优解5. 如果满足终止条件，输出最优解；否则重复步骤2-5直到终止模拟退火算法通过正反馈调节控制概率接受更劣解的机率，从而避免陷入局部最优解。
