在彎管前安裝擾流子，可以減小彎管處二次流強度，降低能量損失，并運用cfd軟件對不同參數下的擾流子節能效果數值計算。以l9（33）正交試驗以及4組補充試驗作為bp神經網絡的訓練樣本，建立在5種雷諾數下擾流子節能效率與擾流子葉片轉角、葉片長度、安裝距離3個結構參數的非線性映射關系；擾流子節能效率最大值作為目標函數，再結合遺傳算法進行結構參數優化。最終得到在不同雷諾數下擾流子葉片轉角、葉片長度、安裝距離的最佳組合形式，并利用有限元方法對結果驗證。結果表明，這種優化方案具有可行性；合適的結構參數的擾流子具有良好的節能效果。

在彎管前安裝擾流子,可以減小彎管處二次流強度,降低能量損失,并運用cfd軟件對不同參數下的擾流子節能效果數值計算.以l9(33)正交試驗以及4組補充試驗作為bp神經網絡的訓練樣本,建立在5種雷諾數下擾流子節能效率與擾流子葉片轉角、葉片長度、安裝距離3個結構參數的非線性映射關系;擾流子節能效率最大值作為目標函數,再結合遺傳算法進行結構參數優化.最終得到在不同雷諾數下擾流子葉片轉角、葉片長度、安裝距離的最佳組合形式,并利用有限元方法對結果驗證.結果表明,這種優化方案具有可行性;合適的結構參數的擾流子具有良好的節能效果.

針對傳統方法單獨采用bp神經網絡算法易陷入局部極值的問題,提出了遺傳算法優化bp神經網絡,并將其應用于mimo-ofdm系統信號檢測中。該方法將遺傳算法與神經網絡相結合,用遺傳算法優化神經網絡初始值,使bp網絡快速收斂到最優解,避免了由初始值的隨機選取而帶來的檢測誤碼。仿真結果表明所提出的方法在誤碼率方面有比較好的性能。

本文對常見的電梯智能群控算法進行了分析比較,重點研究了模糊神經網絡算法。本文首先對大廈客流的特征進行長期統計分析,進而對電梯群交通模式進行分類,利用模糊神經網絡對電梯群的交通模式進行了識別。根據系統的識別結果判定電梯群當前處于的交通模式。然后再次利用模糊神經網絡對派梯算法中各電梯響應呼梯信號的可信度進行計算,選取可信度最大的電梯響應呼梯信號,最終完成派梯。

本文對常見的電梯智能群控算法進行了分析比較,重點研究了模糊神經網絡算法。本文首先對大廈客流的特征進行長期統計分析,進而對電梯群交通模式進行分類,利用模糊神經網絡對電梯群的交通模式進行了識別。根據系統的識別結果判定電梯群當前處于的交通模式。然后再次利用模糊神經網絡對派梯算法中各電梯響應呼梯信號的可信度進行計算,選取可信度最大的電梯響應呼梯信號,最終完成派梯。

提出了將溫差發電器對內燃機排氣背壓的影響納入溫差發電器的優化設計過程的觀點,設計了一套新的溫差發電器優化方案。以發電器尺寸參數為設計變量,以排氣背壓、質量作為約束條件,以發電片溫差為目標進行優化設計。利用中心復合設計法選取試驗點,對試驗點進行cfd仿真,采用高預測精度的改進bp神經網絡擬合設計變量與目標函數間的關系,再利用遺傳優化算法在設計空間尋找最佳設計點。優化后消除了發電器對排氣背壓的影響,溫差提高了8.8%,質量降低了6.7%。

優化電解碲電源對電解行業節能增效、提高電解產品質量和改善電網環境具有重要意義.電源前級采用三相電壓型pwm整流器；在建立pwm整流器數學模型的基礎上；通過改進雙閉環pi控制策略；即外環基于并行搜索全局尋優的遺傳算法優化bp神經網絡權值和閾值的智能控制方法；分析網側電流波形和諧波含量；可得到所需的額定電解電壓和電流；以matlab/simulink軟件為平臺進行仿真計算.結果表明:ga-bp(geneticalgorithm-backpropagation)算法具有輸出電壓平穩、響應速度快、超調量小、抗干擾性強等優點.

綜合利用有限元法、正交試驗法、bp神經網絡以及遺傳算法對大重型數控轉臺的花盤結構系統進行優化研究。首先對花盤結構系統進行諧響應動力學分析,找出對結構動態特性影響最大的模態頻率,并確定bp神經網絡的輸入變量,然后利用正交試驗法和有限元分析法確定出bp神經網絡樣本點數據,建立反映花盤結構特性的bp神經網絡模型,最后利用遺傳算法對建立的bp神經網絡優化。仿真結果表明,花盤第一階固有頻率提高15.5%,其自重降低9.8%。

為了有效解決網絡系統可能出現的故障,結合模糊神經網絡提出了一種新的故障檢測算法fdd-fnn(failuredetectionalgorithmbasedonfuzzyneuralnetwork).該算法根據特征信息熵建立了故障檢測評價方法和最小偏差的優化模型,設計了模糊神經網絡中輸入層、模糊化層、模糊規則層和解模糊層,并且給出了具體的算法流程.通過建立網絡仿真平臺,深入分析了影響fdd-fnn算法的關鍵因素,同時對比研究了fdd-fnn算法與其他算法的性能情況,結果表明fdd-fnn算法具有較好的適應性.

根據某建筑中央空調系統的工作參數,創建bp神經網絡模型,得到輸入輸出的映射關系.利用遺傳算法尋找中央空調系統的最佳工作參數,對遺傳算法的優化結果進行分析.利用圖形分析法驗證遺傳算法得到的結果是全局最優解.當冷卻水進口溫度為室外溫度、冷水出口溫度為設置范圍內的最大值時,空調功耗最小.

從神經網絡和遺傳算法的原理出發,利用遺傳算法和神經網絡相結合的策略對結構參數進行優化.在確定結構優化的目標函數和設計變量集合的基礎上,用神經網絡學習算法建立貨架結構設計參數與結構重量、結構最大應力、最大位移等的非線性全局映射關系,獲得遺傳算法求解結構優化問題所需的目標函數,用遺傳算法進行優勝劣汰的尋優搜索運算,從而求出所需最優解.以貨架結構的優化為例說明了上述方法的應用.遺傳算法和神經網絡的優化結果是在正交設計法確定的訓練樣本足夠大的基礎上得出的,具有較強的可靠性.

提出了一種神經網絡與遺傳算法相結合的電鍍鋅鎳磷合金工藝參數優化方法。以試驗數據為樣本,通過神經網絡建立電鍍工藝參數與電鍍性能關系之間的復雜模型,利用遺傳算法對電鍍工藝參數進行優化,可充分發揮神經網絡的非線性映射能力和遺傳算法的全局尋優能力。試驗顯示了方法的有效性和優越性。

針對目前斜盤發動機用彈性聯軸器設計方法落后,對軸系振動減振效果不良的現狀,提出采用bp人工神經網絡模型和遺傳算法ga優化設計彈性聯軸器的方法。首先建立斜盤發動機軸系動力學數學模型,并通過數值仿真獲得樣本。然后采用bp神經網絡建立彈性聯軸器設計參數與目標函數間的非線性映射關系。最后采用遺傳算法調用訓練好的神經網絡進行全局優化。優化結果表明該方法能夠快速可靠地搜索到全局最優解,不僅具有足夠的工程精度,而且使用方便、實用性強。

基于結構系統靜強度可靠性分析、神經網絡和遺傳算法,對空間梁板結構系統進行了可靠性分析和基于可靠性的優化設計。結構可靠性分析中,給出了安全余量以及安全余量對各變量敏度的顯性表達式,便于各安全余量間相關性計算和可靠性計算精度提高。結構優化中,用神經網絡和遺傳算法,每代遺傳操作中只需用傳統方法計算1次結構系統可靠性指標,將該代最優解對應的數據加入神經網絡的訓練樣本,從訓練樣本中刪除最次樣本,使訓練樣本不斷處于更新狀態。數值算例表明:該法收斂平穩、用時較少,具較好的收斂性和較高的計算效率。

針對隧道工程施工網絡計劃執行率低的現狀,將遺傳算法和神經網絡技術聯合用于隧道施工網絡計劃的動態優化與決策。基于遺傳優化和神經網絡方案(模式庫、專家知識系統)的優化決策方法能使該技術在隧道施工的應用更科學合理、準確可靠和方便快捷。該技術不僅能解決施工網絡計劃的執行率低的現狀,而且為信息化和智能化的隧道施工提供了有力的技術保障,具有廣泛的應用前景。

為有效gis設備放電故障診斷的快速性和準確性,采用近幾年出現的遺傳算法對bp神經網絡進行優化,減少了bp神經網絡算法陷入局部最優解的風險,顯著增強了bp神經網絡的泛化能力和全局尋優能力。對比發現,遺傳算法優化后的bp神經網絡模型具有比較好的快速性和準確的診斷能力。測試結果表明,遺傳算法優化bp神經網絡對gis設備放電故障診斷具有可行性和有效性。

針對壓電陶瓷驅動器的蠕變誤差隨時間呈現非線性變化,會嚴重影響其定位精度的問題,提出遺傳算法優化bp神經網絡的壓電陶瓷蠕變預測算法。采用遺傳算法優化了bp神經網絡的權值和閾值,構建了基于遺傳算法的bp神經網絡(ga-bp算法)的蠕變預測模型。用ga-bp算法對壓電陶瓷蠕變進行了預測仿真,并將結果與實測數據進行了對比。結果表明,獲得的蠕變預測結果與實驗數據的最大絕對誤差均不超過0.2μm,最大蠕變誤差均小于1.5%,最大均方誤差僅為0.0046,因此,ga-bp預測模型可作為預測壓電陶瓷蠕變誤差的一種有效手段。

目的將改進的神經網絡模型應用于鉆孔灌注樁樁孔質量的智能化識別,從而減少人為的誤判、漏判情況.方法將遺傳算法與神經網絡模型有機地結合起來,建立樁孔質量檢測的智能化模型,先利用遺傳算法對神經網絡的權值和閾值進行優化,再結合訓練完成的神經網絡模型對樁孔質量進行預測,同時根據現場數據建立三維分析圖,通過預測結果與三維分析圖的比對來驗證模型的準確性.結果測試樣本的仿真誤差為0.00575,訓練樣本的仿真誤差為0.0224;5、6號樁孔的預測結果為(0.0012,0.9999),(0.0027,0.0051),即5號樁質量為合格,6號樁質量為良好.結論通過預測結果與三維分析圖的比對結果,可以得出基于遺傳算法的神經網絡模型能夠較好地對孔灌注樁進行智能判別.

目的將改進的神經網絡模型應用于鉆孔灌注樁樁孔質量的智能化識別,從而減少人為的誤判、漏判情況.方法將遺傳算法與神經網絡模型有機地結合起來,建立樁孔質量檢測的智能化模型,先利用遺傳算法對神經網絡的權值和閾值進行優化,再結合訓練完成的神經網絡模型對樁孔質量進行預測,同時根據現場數據建立三維分析圖,通過預測結果與三維分析圖的比對來驗證模型的準確性.結果測試樣本的仿真誤差為0.00575,訓練樣本的仿真誤差為0.0224;5、6號樁孔的預測結果為(0.0012,0.9999),(0.0027,0.0051),即5號樁質量為合格,6號樁質量為良好.結論通過預測結果與三維分析圖的比對結果,可以得出基于遺傳算法的神經網絡模型能夠較好地對孔灌注樁進行智能判別.

將遺傳算法(ga)和人工神經網絡(ann)引入框架結構可靠度分析,其結果與jc法的計算結果相比較,進一步顯示出遺傳算法和人工神經網絡用于計算結構可靠度的優點,為結構可靠度研究提供了新的有效思路和方法。

闡述了企業信息化水平評價問題的現狀,提出了運用遺傳算法(ga)優化bp神經網絡的評價方法,避免了傳統評價方法確定權重值的主觀隨意性,并且克服了bp網絡中的局部極小缺陷,使訓練速度加快,在建立bp-ga網絡信息化評價模型的基礎上,利用樣本公司實際指標數據對模型的評價效果進行了檢驗,并與傳統bp網絡模型的評價結果進行了比較研究。

建立bp（backpropagation）神經網絡與遺傳算法相結合的電力負荷預測模型。在該模型中，利用遺傳算法具有的全局尋優特點，將bp網絡的初始權值優化到一個較小的范圍，然后再用bp算法在該范圍內繼續優化，以便使優化算法既能實現全局最優求解，又能獲得較快的求解速度。最后，通過仿真算例，與傳統bp網絡優化結果、及各種擬合方法獲得結果進行比對，驗證了計算方法的可行性和優越性。