下载文档原格式
基于遗传算法的BP神经网络算法基于遗传算法的BP神经网络算法是一种将遗传算法与BP神经网络相结合的机器学习算法。
BP神经网络是一种具有自适应学习功能的人工神经网络，它通过反向传播算法来不断调整网络的权重和阈值，从而实现对样本数据的学习和预测。
遗传算法是一种模拟生物进化过程的优化算法，它通过选择、交叉和变异等操作来产生下一代的优秀个体，从而逐步寻找到最优解。
在基于遗传算法的BP神经网络算法中，遗传算法用于优化BP神经网络的初始权重和阈值，以提高网络的学习和泛化能力。
1.初始化个体群体：随机生成一组个体，每个个体代表BP神经网络的初始权重和阈值。
2.适应度评估：使用生成的个体来构建BP神经网络，并使用训练数据进行训练和验证，评估网络的适应度，即网络的性能指标。
3.选择操作：根据个体的适应度值确定选择概率，选择一些适应度较高的个体作为父代。
4.交叉操作：从父代中选择两个个体，通过交叉操作生成两个新的子代个体。
5.变异操作：对新生成的子代个体进行变异操作，引入一定的随机扰动，增加种群的多样性。
6.替换操作：根据一定的替换策略，用新生成的子代个体替代原来的父代个体。
7.终止条件判断：根据预先设定的终止条件（如达到最大迭代次数或达到一些适应度值阈值）判断是否终止算法。
8.返回结果：返回适应度最高的个体，即最优的BP神经网络参数。
然而，基于遗传算法的BP神经网络算法也存在一些缺点。
首先，算法的收敛速度较慢，需要较长的时间进行优化。
其次，算法需要设置一些参数，如种群大小、交叉概率和变异概率等，不同的参数组合可能对算法的性能产生较大影响，需要经过一定的试错过程。
综上所述，基于遗传算法的BP神经网络算法是一种结合了两种优化方法的机器学习算法，能够有效提高BP神经网络的学习和泛化能力。
同时，也需要在实际应用中根据具体情况选择合适的参数设置和终止条件，以获得更好的算法性能。
·制造业信息化·图1吊车结构系统有限元模型Fig.1The finite element model of a fixed craneBased on Genetic Algorithms and Artificial Neural Network Algorithms to Optimize the Structure Designand Implementation of CraneXUE Jia-Hai ，YU Xiao-Mo ，QING Ai-Ling ，ZHOU Wen-Jing ，YE Jun-Ke（College of Mechanical Engineering,Guangxi University,Nanning Guangxi 530004,China ）Abstract:This paper by using the finite element method,orthogonal test method,BP neural network and genetic algorithm to optimization of crane structure system.At last ，the neural network model will be optimized through the generic algorithm and the optimal parameters of the structure dynamic behavior will be obtained ．Key words ：finite element ；orthogonal experimental method ；BP-neural network ；genetic algorithm0引言随着吊车向大型化方向发展，结构在动载荷作用下的振动问题变得日益突出。
因此，进行基于动态特性的优化设计，使产品在设计阶段就可以预测其动态特性，可有效减小系统的振动，提高整机工作性能。
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。
基于遗传算法优化BP神经网络圆柱壳结构可靠度分析目录一、内容概括 (1)（一）基于遗传算法的优化方法介绍 (2)（二）BP神经网络介绍与应用场景分析 (2)（三）圆柱壳结构可靠度分析方法探讨 (4)二、圆柱壳结构基础理论知识概述 (5)（一）圆柱壳结构的组成及特点分析 (6)（二）圆柱壳结构的力学特性研究 (7)（三）圆柱壳结构可靠度评价指标介绍 (9)三、BP神经网络在圆柱壳结构可靠度分析中的应用 (9)（一）BP神经网络模型的构建与训练过程 (10)（二）基于BP神经网络的圆柱壳结构可靠度预测模型建立与实施步骤介绍11 （三）BP神经网络模型的优缺点分析及对策建议 (13)四、遗传算法在优化BP神经网络模型中的应用 (14)（一）遗传算法的基本原理及特点介绍 (16)（二）基于遗传算法的BP神经网络模型优化过程与实施步骤解析..16（三）案例分析 (18)一、内容概括介绍了BP神经网络的基本原理及其在当前圆柱壳结构可靠度分析中的局限性。
BP神经网络是一种通过反向传播算法进行权值和阈值调整的多层前馈网络，广泛应用于各种工程领域。
传统的BP神经网络在解决复杂结构优化问题时，往往存在易陷入局部最优解、收敛速度慢等问题。
阐述了遗传算法的基本原理和特性，遗传算法是一种模拟自然选择和遗传机制的优化搜索算法，具有全局优化能力，能够解决复杂的非线性问题。
将遗传算法与BP神经网络相结合，有望提高圆柱壳结构可靠度分析的准确性和效率。
详细描述了基于遗传算法优化BP神经网络的流程和方法。
通过遗传算法优化BP神经网络的权值和阈值，提高网络的性能和准确性。
将优化后的BP神经网络应用于圆柱壳结构可靠度分析，通过大量的数据训练和测试，验证该方法的可行性和有效性。
通过实例分析，展示了基于遗传算法优化BP神经网络在圆柱壳结构可靠度分析中的实际应用效果。
该方法能够显著提高圆柱壳结构可靠度分析的准确性和效率，为工程实践提供了一种新的思路和方法。
- 22 -高 新 技 术从本质上来看，PID 控制算法就是对比例、积分和比例微分间的关系进行控制的一种算法。
PID 控制调节器具有适应性强、鲁棒性良好的特征，因此被广泛应用于工业控制领域。
但是，随着科学技术、控制理论发展，在工业生产中被控对象逐渐向复杂化和抽象化的趋势发展，并呈现滞后性、时变性和非线性的特征，这使传统PID 控制器难以精准调控这种较复杂的控制系统。
为了解决该问题，研究人员将控制理论与其他先进的算法相结合，形成全新的控制理论，包括神经网络控制、遗传算法以及模糊控制等。
对神经网络算法来说，由于其具有较高的鲁棒性和容错性，因此适用于复杂的非线性控制系统中，并且具有广阔的应用前景和较大的发展潜力。
1 BP 神经网络结构及算法BP 神经网络将网络视为一个连续域，在这个网络中，输入层和输出层都是任意时刻、任意数目的样本值，网络输出层值与输入层值间也可以具有任意关系，这个学习过程就称为BP 神经网络学习过程。
作为一种被广泛应用的神经网络模型，BP 神经网络由输入层、输出层和隐含层组成：1） 输入层。
从第i 个输入向量中产生相应的输出值。
2） 输出层。
在输出值的作用下将其转换为输入数据。
3） 隐含层。
在输出值的作用下对数据进行隐含处理，将处理后的结果反馈给输入层，3个输入层构成1个BP 神经网络。
当输入数据在时间域内经过多次的误差传播时，最后被一个误差源作为输出信号，即经过输入单元和输出组的中间信息。
如果该误差源的误差小于输出单元和输出组中各单元间的误差，那么这些单元在计算输出时就会有很大的变化；如果超过了期望值，那么这一单元被认为是输入量存在误差（也就是输入信号存在误差），将不再使用该单元；如果仍然超过期望值，那么输出量又会存在误差[1]。
通过分析输入与输出量间的关系可以得出BP 网络中各个隐藏层上节点数与该输出量间的关系。
BP 神经网络的拓扑结构如图1所示。
为了对BP 神经网络进行运算和优化，该文设定了中间层的加权和结点临界，以便将全部采样的真实输出量与预期的输出量的偏差控制在一个很低的区间，并且通过调节这个区间来保证它的稳定性。
黑铉语言信麵与电睡China Computer & Communication2021年第1期基于遗传算法优化的B P神经网络在考研结果预测中的应用李驰(四川大学锦城学院计算机科学与软件工程系，四川成都611731)摘要：通过遗传算法先对BP神经网络的初始权值和阈值进行优化后，再将BP神经网络用于考研结果的预测模型中。
实验表明，这种优化后的预测模型因为克服了收敛速度慢、易产生局部最小等缺陷，比单纯使用BP神经网络建立的预测 模型准确度更高。
将这个预测模型用于考研报名之前供学生预测参考，方便学生做出合理的决策，具有一定的实际意义。
关键词：考研；预测；BP神经网络；遗传算法中图分类号：TD712 文献标识码：A文章编号：1003-9767 (2021) 01-038-04Application of BP Neural Network Based on Genetic Algorithms Optimization in Prediction of Postgraduate Entrance ExaminationLI Chi(Department of Computer Science and Software Engineering,Jincheng College of Sichuan University,Chengdu Sichuan611731, China) Abstract：F irs tly,the in itia l weight and threshold of BP neural network are optimized by genetic algorithm,and then BP neural netw ork is used in the pre diction model of the results o f the postgraduate entrance exam ination.The experim ent shows that the optim ized prediction model overcomes the shortcomings o f slow convergence speed and easy to produce local m inim um,so it is more accurate than the pre diction model established by BP neural network alone.This pre diction model can be used as a reference for students to make a reasonable decision before applying fo r postgraduate entrance examination.Key words：postgraduate entrance exam ination;prediction;BP neural network;genetic algorithms〇引言随着社会对于高素质知识型人才的需求越来越迫切，我 国报考研究生的人数呈现逐年大幅増加的趋势。
收稿日期:2002-11-13;修订日期:2003-02-12作者简介:郭海丁(1958-) 男 山东潍坊人 南京航空航天大学能源与动力学院副教授 博士 主要从事工程结构强度~断裂~疲劳损伤及结构优化设计方法等研究.第18卷第2期2003年4月航空动力学报Journal of Aerospace PowerVol.18No.2EE E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E Apr.2003文章编号:1000-8055(2003)02-0216-05基于BP 神经网络和遗传算法的结构优化设计郭海丁1 路志峰2(1.南京航空航天大学能源与动力学院 江苏南京210016;2.北京运载火箭技术研究院 北京100076)摘要:现代航空发动机不断追求提高推重比 优化其零部件的结构设计日益重要 传统结构优化方法耗时多且不易掌握 针对这一问题 本文提出了将BP 神经网络和遗传算法相结合用于结构优化设计的方法 并编制了相应的计算程序 实现了一个含9个设计变量的发动机盘模型的结构优化计算 计算证明 与传统结构优化方法相比 此方法计算速度快~精度良好 关键词:航空~航天推进系统;结构优化;神经网络;遗传算法;航空发动机中图分类号:V 231文献标识码:AStructure Design Optimization Basedon BP -Neural Networks and Genetic AlgorithmsGUO -ai -ding 1 LU Zhi -feng2(1.Nanjing University of Aeronautics and Astronautics Nanjing 210016 China ;2.Beijing institute of Astronautics Beijing 100076 China )Abstract :Owing to the increasing demand for raising the thrust -weight ratio of modern aero -engine it is very important to optimize the structures of the components .Traditional optimization methods of structure design are time -consuming and hard to be put into practice .So in this paper a new method of structure design optimization is induced to which both BP neural networks and genetic algorithms (in short :BPN -GA )are applied .A program which contains 9variables is designed for the structure optimization of a disk model with the BPN -GA method which proves that it has better calculating rate and precision than those with traditional optimization methods .Key words :aerospace propulsion ;structure optimization ;neural network ;genetic algorithms ;aero -engine1引言在航空~航天等领域 结构优化设计技术正在得到越来越广泛的应用 结构优化设计逐步进入工程实用阶段!1"3#但从工程应用角度来看 结构优化设计方法的推广仍存不少障碍 主要表现为:(1)优化中靠经验调整的参数较多 掌握困难;(2)优化计算效率较低 应用现有的结构优化算法进行优化设计 通常需要进行大量的有限元计算 计算耗时过多 结果却往往不尽人意G (3)难以保证求得全局最优解;(4)难以计算含有离散设计变量的优化问题G在传统优化方法中 通常采用结构近似分析法来减少结构分析次数~提高优化效率G 但由于在优化算法中 必须利用结构应力~位移的一阶导数或一阶及二阶导数来进行结构近似分析 因而不具备全局性 且随着设计变量变化区域的增大 近似分析精度急剧下降[4]G 近年来 人们在发展新的优化方法方面进行了大量的探索和研究工作G 在结构优化领域引入神经网络方法即为其中的探索方向之一G 本文将BP 神经网络和遗传算法(以下简称为BPN -GA 法)相结合用于结构优化设计 取得了较好的效果G 算例考核表明:该方法快捷有效 可望在工程结构的优化中得以应用G2BPN -GA 算法简介神经网络作为一种新型空间映射手段的最大特点是仅仅借助样本数据 无需建立系统的数学模型 即可对系统实现由R n 空间(n 为输入神经元数)到R m 空间(m 为输出神经元数)的高度非线性映射G 在结构优化中 可通过BP 神经网络映射优化对象的输入输出关系(如图1)来取代传统图1神经网络映射示意Fig .1Mirror craft of network的有限元计算G BP 神经网络映射结果的精度一般可以由训练样本来保证G 每一个样本分为输入和期望输出两个部分 分别对应于结构优化设计中的设计变量(结构尺寸~材料特性等)和目标函数~约束(结构重量~最大应力~结构固有频率等)G 训练样本数据可以是经过分析计算的解 也可以是依据经验的数据 或为设计过程中产生的计算数据G 理论分析已经证明 具有两个隐含层的BP 神经网络可以映射一切函数[3] 故在使用BP 神经网络进行目标函数映射时 可采用相对简单的BP 神经网络结构G 不过 仅仅使用BP 网络映射优化对象的输入输出关系 优化搜索仍沿用传统算法 还不能完全发挥BP 神经网络的优势 此时 遗传算法可成为其重要的补充G遗传算法于20世纪60年代由密执安大学的~ollanc 教授等提出G 遗传算法提供了一种求解复杂系统优化问题的通用框架 不依赖于问题的具体领域 对问题的种类有很强的鲁棒性 所以广泛应用于函数优化~组合优化~生产调度问题~自动控制~图象处理~机器学习等领域[5]G 与传统优化方法相比 遗传算法具有对所解的优化问题数学要求低~处理各种类型的目标函数和约束方便并能够进行概率意义下的全局搜索等优点G 过去 遗传算法在结构优化方面应用较少 其主要原因是:单纯使用遗传算法要进行多次种群评价G 这意味着要反复进行多次结构分析 其次数有时甚至比传统优化方法还要多G 因此 对一个略为复杂的结构优化问题 遗传算法所需的计算量就可能使应用者难以承受G 而BP 神经网络的快速映射能力恰恰克服了遗传算法的这一缺陷G 将二者结合 互为补充 可产生一种更为有效的结构优化方法G BPN -GA 结构优化方法出发点为:(1)利用BP 神经网络映射设计变量和目标函数~约束之间的关系;(2)用遗传算法作实现优化搜索;(3)遗传算法中适应度的计算采用神经网络计算来实现GBPN -GA 法结构优化设计步骤如下:(1)分析问题 提出目标函数~设计变量和约束条件;(2)设定适当的训练样本集 计算训练样本集;(3)训练神经网络;(4)采用遗传算法进行结构寻优;(5)利用训练好的神经网络检验遗传算法优化结果G 若误差满足要求 计算结束;若误差不满足要求 将检验解加入到训练样本集中 重复执行3~5步直到误差满足要求G表1遗传算法主要参数Table 1Main parameters in genetic algorithms交叉率0.6变异率适应度群体大小运行代数变量个数约束个数0.22.010010594891航空动力学报第18卷图2BPN-GA算法流程Fig.3Sketch Of BPN-GA calculatiOn用于结构优化的BPN-GA算法流程如图2o遗传算法主要参数见表1o3算例图3所示为一简化发动机压气机盘模型o设计变量9个即X1~X4 Y1~Y3 R1 R2o 取体积为目标函数o约束条件:最大VOn Mises应力O z0MPa o盘结构尺寸见表2;盘模型中最大VOn Mises 应力及模型体积见表3;设计变量变化范围见表4o计算转速:11440r/min o叶片离心力考虑按均布假设o表2盘结构尺寸(单位:mm)Table2Dimensions of disk(unit:mm)变量X1X2X3X4Y1原值3 2 214 22 22变量Y2Y3R1R2原值1 3 21313采用的神经网络结构形式为9 9 4 o输入层为9个结构设计变量;第1~2个隐含层神经图3压气机盘模型Fig.3Disk mOdel991第2期郭海丁等:基于BP神经网络和遗传算法的结构优化设计元分别为9~4个;输出层为轮盘体积和可能出现最大应力的4个点危险点的应力O表3盘模型中最大Mises应力及体积Table3Maximum Mises stress and Volume项目最大Mises应力/MPa体积/mm3计算值650.158 1.09950E6表4设计变量变化范围Table4Design Variables设计变量最小值最大值X1 X2 X3 X4 Y1 Y2 Y3 R1 R261.570.0210.0224.019.04.42.810.010.064.575.0219.0227.026.05.23.416.016.0使用基于BPN-GA法的优化设计方法对该结构进行优化结果见表5;使用基于传统优化方法的优化结果见表6O表5使用基于BPN-GA法的优化结果Table5Optimized result based on BPN-GA method结构体积/mm3 1.0226E6最大Mises应力/MPa650.0表6使用传统优化方法的优化结果Table6Optimized result based ontraditional method结构体积/mm3 1.0384E6最大Mises应力/MPa649.71比较表3及表5可见使用基于神经网络和遗传算法的结构优化设计方法在满足应力约束条件下使盘的体积减少了约7%O利用商业软件使用传统优化方法所得优化结构结果(见表6D中结构体积为1.0384E6mm3盘的体积减少了约5.6%两种方法所得结构体积相差1.5%;传统优化方法所得最大VOH Mises应力为649.71MPa与使用神经网络计算所得的最大VOH Mises应力结果相差0.04%O4讨论4.1计算精度神经网络对结构空间的映射精度与训练样本的来源和数量密切相关O训练时若所需样本来自有限元(FEM D法计算则样本量和FEM计算的误差都会对对映射精度产生影响;除此之外网络训练时也会产生误差O这两种误差最终都会影响到神经网络对结构空间的映射精度O不过经与传统优化方法(采用国际流行商用软件进行优化计算见表6D的优化结果比较笔者发现;虽然存在以上两种误差BPN-GA法的优化结果精度仍然较好完全可以满足工程要求O究其原因在于;神经网络对优化空间的描述能力弥补了其在计算精度方面的不足O在将遗传算法与经过训练的神经网络结合后BPN-GA方法可以通过自身的推断给出精度较佳的最佳设计点O在BPN-GA法计算中若经过上述优化步骤计算精度仍未达到要求可按2节中的计算步骤从第5步起循环执行计算即;将优化所得结构作为新的训练样本加入训练样本集以改善神经网络在最优解附近的映射精度从而提高优化结果的计算精度O4.2计算速度本算例中在相同的计算精度下使用商用软件进行优化计算所用计算时间约为使用基于神经网络和遗传算法的优化方法的约6倍O究其原因主要是由于商业软件采用的传统优化方法优化时即使对熟练软件者初始设计点的选点也不易选取需要丰富的工程经验和多次的试算O其次采用商业软件进行优化时目标函数容差难于调节O容差太大达不到最优结果;容差太小不但耗时过多还会导致寻优迭代不收敛O如此反复的试算消耗了大量的有限元计算时间O本文提出的BPN-GA法对样本的选取要求不高O与传统方法相比由于使用神经网络进行结构分析取代了传统优化方法避免了大量重复性的有限元运算结构分析速度要快很多因而加快了整个结构优化设计的进程O当然样本数据生成的计算以及神经网络的训练均需要一定的计算量O事实上在利用BP神经网络进行结构优化时计算量主要来自样002航空动力学报第18卷本生成和网格训练0前者往往依赖有限元计算完成,后者则是传统结构优化算法中所没有的;但笔者发现,就本文所涉及的优化问题,即使加上了这一部分计算工作,基于BPN-GA的优化计算时间与传统优化方法计算时间相比,仍大大缩短,因为利用有限法完成样本计算所需的计算量十分有限,掌握也较容易04.3解的质量通过算例对比证明:使用基于BPN-GA法的结构优化方法所得优化结果使得结构体积减小约7%;在传统优化法计算中,设计变量~目标函数及约束条件不变0采用一阶优化方法,选取不同初试点进行了两次优化计算0两次求解中,所得最佳解使被设计对象的体积减小5.6%0两种方法相比,寻优效果前者甚至优于后者0可见,基于BPN-GA法的结构优化方法所求得的优化解至少可以和传统优化手段相媲美;传统优化方法所得最大Von Mises应力(649.71MPa)与使用神经网络计算所得的最大Von Mises应力(650MPa)结果相差0.04%0一般情况下,鉴于有限元应力计算本身的误差(如网格大小会有影响)与这一误差相当,故计算所得最大应力不应对优化结果产生实质影响05结论(1)基于神经网络和遗传算法的结构优化方法在优化速度方面优于传统方法并容易掌握0(2)在本文的算例中,基于BPN-GA法的结构优化结果与有限元检验解最大误差为0.04%0可见基于BPN-GA法的结构优化方法在优化精度方面可以满足工程结构优化要求0参考文献:[1]许素强,夏人伟.结构优化方法研究综述[J].航空学报,1995,16(4):385-396.[2]Jenkins W M.A Neural NetWork for Structure Re-puters and Structures[J].1999,72:687-698.[3]Vanderplaats G N.Structural design Optimization Statusand direction[R].AIAA:97-1407.[4]陆金贵,余俊,王浩,等.基于人工神经网络的结构近似分析方法的研究[J].中国科学(A辑),1994,24(6):653-658.[5]周明,孙树栋.遗传算法原理及其应用[M].北京:国防工业出版社,1999.[6]路志峰,郭海丁.基于BP神经网络的结构优化设计综述[A].中国航空学会第十届发动机结构强度振动会议文集[C].安徽歙县:2000.10:291-293.[7]路志峰.基于BP神经网络和遗传算法的结构优化设计[d].南京:南京航空航天大学,2001.102第2期郭海丁等:基于BP神经网络和遗传算法的结构优化设计基于BP神经网络和遗传算法的结构优化设计作者：郭海丁， 路志峰作者单位：郭海丁(南京航空航天大学,能源与动力学院,江苏,南京,210016)， 路志峰(北京运载火箭技术研究院,北京,100076)刊名：航空动力学报英文刊名：JOURNAL OF AEROSPACE POWER年，卷(期)：2003,18(2)被引用次数：42次1.许素强;夏人伟结构优化方法研究综述[期刊论文]-航空学报 1995(04)2.JENKINS W M A Neural Network for Structure Re-analysis 19993.Vanderplaats G N Structural Design Optimization Status and Direction4.陆金贵;余俊;王浩基于人工神经网络的结构近似分析方法的研究 1994(06)5.周明;孙树栋遗传算法原理及应用 19996.路志峰;郭海丁基于BP神经网络的结构优化设计综述[会议论文] 20007.路志峰基于BP神经网络和遗传算法的结构优化设计[学位论文] 20011.邹宽城.常亚萍.韩秀清基于计算智能的射孔枪结构优化设计方法[期刊论文]-石油钻采工艺 2009(1)2.殷艺云.郭海丁基于粒子群神经网络的轮盘优化[期刊论文]-航空动力学报 2007(9)3.尹泽勇.韩旭利用优化技术提高汽车发动机综合性能的探讨[期刊论文]-汽车工程 2006(12)4.李烁.徐元铭.张俊基于神经网络响应面的复合材料结构优化设计[期刊论文]-复合材料学报 2005(5)5.程远胜.孙莹.闫国强.田旭军.万鹏基于神经网络与遗传算法的潜艇舱壁结构优化[期刊论文]-中国造船2008(4)6.宋健.温卫东.崔海涛.刘超航空发动机多辐板风扇盘拓扑优化与形状优化设计技术[期刊论文]-推进技术2013(9)7.高希光.刘兴国.张华军.宋迎东涡扇发动机涡轮后框架结构/材料一体化优化设计方法[期刊论文]-航空动力学报 2013(10)8.周剑兰平面张弦梁结构的优化分析[期刊论文]-广东交通职业技术学院学报 2008(1)9.XU Gening.GAO Youshan.ZHANG Xueliang.YANG Ruigang HYPERSTATIC STRUCTURE MAPPING MODEL BUILDING AND OPTIMIZING DESIGN[期刊论文]-机械工程学报（英文版） 2007(1)10.李楠.高卫民.戴轶基于耐撞性能的白车身简化模型建模研究[期刊论文]-汽车技术 2008(12)11.张龙.夏智勋.胡建新基于BP神经网络和遗传算法的补燃室优化设计[期刊论文]-弹箭与制导学报2008(4)12.曹光明张弦梁结构的优化设计方法研究[期刊论文]-交通标准化 2008(2)13.王伟.杨伟.赵美英.赵锋基于神经网络与杂交算法的机翼结构优化设计[期刊论文]-机械设计 2007(8)14.邱建新.张士宏.李国禄.李章刚.张金利均匀设计法、神经网络和遗传算法结合在内高压成形工艺参数优化中的应用[期刊论文]-塑性工程学报 2005(4)15.邓江华.刘献栋.冯国胜基于神经网络和遗传算法的车身骨架结构优化设计[期刊论文]-农业机械学报2007(6)16.郑晓昕基于均匀设计和NN—GA的多目标参数优化方法研究[学位论文]硕士 200617.王刚.高阳.夏洁基于差异进化算法的人工神经网络快速训练研究[期刊论文]-管理学报 2005(4)18.段玉波.王磊.李飞.张新刚基于遗传算法的前馈神经网络结构优化[期刊论文]-系统仿真技术 2013(2)19.张延昌.葛珅玮.刘昆.胡宗文基于正交设计与 BP -GA 算法的船体结构耐撞性能优化设计[期刊论文]-江苏科技大学学报（自然科学版） 2013(6)20.王建芳.李伟华基于扩展T-S模型的PSO神经网络在故障诊断中的应用[期刊论文]-计算机科学 2009(9)21.林正英.沈斌车身覆盖件的夹持位置优化研究[期刊论文]-计算机工程与应用 2009(19)22.朱莉.高正红基于神经网络的翼型优化设计方法研究[期刊论文]-航空计算技术 2007(3)23.彭东林.蒋艳云.汤其富.郑芳燕基于BP神经网络和遗传算法的变耦合系数型时栅结构优化[期刊论文]-仪表技术与传感器 2013(4)24.刘文超.卢祥国.崔景盛.刘进祥南堡35—2油田调驱优化设计及实施效果分析——应用基于物理模拟参数为学习样本的BP神经网络预测方法[期刊论文]-油田化学 2012(2)25.李冉.陈以基于UD和GA的神经网络最经济参数的研究[期刊论文]-微计算机信息 2007(31)26.王爱红.徐格宁.杨萍.高有山基于神经网络方法的复杂超静定结构失效概率分析[期刊论文]-中国安全科学学报 2007(6)27.葛珅玮.张延昌基于BP-GA算法实现船体结构多目标优化[期刊论文]-舰船科学技术 2013(9)28.刘文超.卢祥国.刘进祥.别梦君一种基于BP神经网络的调驱增油预测方法[期刊论文]-西安石油大学学报（自然科学版） 2012(1)29.李孝兵基于遗传神经网络的路面使用性能评价及预测[学位论文]硕士 200630.蒋战朋.文远芳.范小辉变压器分接开关内酚醛压板的神经网络全局优化设计[期刊论文]-高压电器2011(3)31.冯国全.周柏卓鼠笼式弹性支承结构参数优化设计与试验[期刊论文]-航空动力学报 2011(1)32.黄松华基于ANN和DCS的混凝土搅拌站测控系统的研究与设计[学位论文]硕士 200533.刘兴超电液伺服系统的智能故障检测与诊断的研究[学位论文]硕士 200634.董世知基于人工神经网络的稀土铜合金性能预测[学位论文]硕士 200635.黄志望改进遗传算法及其在结构工程优化中的应用研究[学位论文]硕士 200536.李英基于神经网络和遗传算法的油田采油控制系统的研究[学位论文]硕士 200437.徐超非圆截面导弹复合材料结构分析与优化设计[学位论文]硕士 200538.邱建新管材内高压成形的计算机模拟研究及其工艺参数优化[学位论文]硕士 200439.桑保华简易制导炸弹有控弹道的设计与研究[学位论文]博士 200640.刘春节动力调谐陀螺仪一体式挠性支承关键技术研究[学位论文]博士 200641.朱朝艳离散变量结构优化设计中遗传算法的研究和应用[学位论文]博士 2004本文链接：/Periodical_hkdlxb200302011.aspx。
