遺傳算法和人工神經網絡的分析與改進.pdf

1、該文著重對人工智能中兩個熱門課題——遺傳算法和人工神經網絡——進行分析和改進,并研究這兩種方法協(xié)同進行的學習技術,然后將其應用到電池荷電態(tài)預估領域.研究內容主要包括:(1)從概率角度分析遺傳操作算子的作用、搜索范圍以及種群多樣性的影響,并根據種群多樣度對遺傳算法的參數(shù)進行自動調節(jié),抑制早熟現(xiàn)象.對六個測試函數(shù)優(yōu)化仿真結果驗證了算法的有效性.(2)綜合考慮數(shù)據類型、學習算法和網絡拓撲之間的關系,改進遺傳神經網絡,在染色體中加入對學習算法的

2、編碼,以適應不同類型的數(shù)據.對Probenl的仿真結果驗證了算法的自適應能力.(3)采用數(shù)理統(tǒng)計方法分析訓練前后神經網絡權值的變化情況,改進權連接剪切算法,并獲得適合具體問題的非全連接神經網絡.對Probenl的仿真結果表明改進算法能夠在滿足誤差要求的前提下,盡可能簡化拓撲,提高效率.(4)采用數(shù)理統(tǒng)計方法分析性能較好的神經網絡權值分布情況,總結出其基本服從正態(tài)分布的規(guī)律,并以此指導初始權值的設置.對Probenl的仿真結果表明按照正態(tài)

3、分布初始化權值能夠從一定程度上提高訓練效率.(5)考慮到激勵函數(shù)在神經元中的重要作用,在神經網絡中引用組合激勵函數(shù)的思想,并分析傳統(tǒng)遺傳編碼方式對組合激勵函數(shù)編碼的缺陷,然后對其進行改進并形成混合編碼的遺傳神經網絡.對Probenl的仿真結果表明進化得到的具有組合激勵函數(shù)的神經網絡能夠普遍減小輸出誤差.(6)采用遺傳神經網絡建立電池荷電態(tài)自適應預估模型,通過神經網絡的學習功能分析荷電態(tài)同端電壓、放電電流的關系,然后利用遺傳算法優(yōu)化網絡拓