论文部分内容阅读
遗传算法(GA)作为演化计算(EC)的一个重要分支，在近年来得到越来越多学者的重视，并在工程中得到广泛应用。像其它优化算法，GA也存在一些局限性，如过早收敛，优化效率低等。这里通过精心设计GA的选择、交叉、变异算子等，提出一种基于实数编码的改进GA，可有效地避免GA的过早收敛。一些典型函数测试表明了其有效性。对一般意义上的高斯变异进行改进，使得要变异染色体中分量的增量需满足一特定的条件，试验结果表明，改进是有效的。本文提出一种GA中嵌入粒子群(PSO)算子的混合算法，用该算法来优化小波网络以及解决多维函数优化问题，都达到了期望的效果。用它来优化普通神经网络的权值和阈值，成功地解决了IRIS数据分类问题。本文采用两层神经网络级联的办法进行化学溶液浓度的预测。首先用小波网络1对混合溶液测出的极谱信号进行拟合并提取特征；然后用神经网络2对提取的信号特征学习训练到一定程度后，用以上网络对待测极谱信号给出预测值。通常神经网络的训练采用经典的BP算法，但该算法本质上属于梯度下降算法，易陷入局部极小值、训练速度慢。为了克服BP算法的不足，本文使用遗传算法优化神经网络参数。