| 【中文题名】 | 基于人工神经网络的遗传算法理论及应用 |
| 【英文题名】 | Theory and Application of Genetic Algorithm Based on Artificial Neural Network |
| 【学科专业】 | 机械设计及理论 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2003-9-3 |
| 【中关键词】 | 最优化,优化设计,遗传算法,模拟退火法,人工神经网络,可视化 |
| 【英关键词】 | Optimization,Optimum theory,GA,SAA,ANN,Visualization, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
优化技术是由最优化理论和计算机技术与工程技术相结合而形成的一种现代设计方法和技术。在解决复杂的工程设计问题时，优化技术的应用可以较快地实现设计方案的最佳化，提高设计效率质量。由于优化领域和优化对象的拓展，对优化技术和方法也提出了更高的要求。随着计算机技术的发展，计算机运行速度的加快，求解规模能力加强，通用性好，因此追求得到全局最优解成为优化追求的主要目标。传统的优化方法已经不能满足要求，新的优化算法成为研究的热点之一。近年来，遗传算法，模拟退火算法，人工神经网络等这些现代广义优化方法在机器学习，过程控制，经济预测，工程优化等领域取得的成功，已引起许多领域科学家们的极大兴趣。
在第1章的绪论中，详细地分析了优化理论的发展和优化设计应用的现状。在本文的第2章，提出了一种遗传—多点退火接力混合算法，该方法先进行遗传算法操作，再接力使用模拟退火法操作的一种尝试。其关键在于遗传算法中变异的处理及退火中初始温度和降温值的处理。在第2章的第3节中给出了该方法的基本过程和数学描述，对算法中的罚因子，变异情况及温度值的选取进行了分析。通过两个实例的计算结果表明，将此方法用于非线性约束优化是可行的。
... |
| 【论文题纲】 |
|
第1章 绪论 |
9-17 |
|
1.1 课题的来源及意义 |
9-10 |
|
1.2 本课题的国内外动态 |
10-15 |
|
1.2.1 现代优化设计方法 |
11-13 |
|
1.2.2 有限元法 |
13-14 |
|
1.2.3 可视化方法及应用 |
14-15 |
|
1.3 本文的主要工作 |
15-16 |
|
1.4 本章小结 |
16-17 |
|
第2章 改进的模拟退火法与遗传算法 |
17-30 |
|
2.1 模拟退火算法 |
17-20 |
|
2.1.1 模拟退火算法概述 |
17 |
|
2.1.2 Metropolis准则 |
17-18 |
|
2.1.3 模拟退火算法的实现 |
18-20 |
|
2.2 遗传算法基本原理 |
20-23 |
|
2.2.1 遗传算法概述 |
20-21 |
|
2.2.2 遗传算法具体操作过程 |
21-22 |
|
2.2.3 遗传算法的特点 |
22-23 |
|
2.3 基于遗传-多点退火混合算法的非线性约束优化 |
23-30 |
|
2.3.1 基于遗传-多点退火混合算法的具体操作过程 |
23-26 |
|
2.3.2 接力混合算法的基本思路 |
26-27 |
|
2.3.3 基于讨论 |
27 |
|
2.3.4 算例 |
27-29 |
|
2.3.5 小结 |
29-30 |
|
第3章 人工神经网络 |
30-55 |
|
3.1 人工神经网络发展概叙 |
30-31 |
|
3.2 BP神经网络的数学描述及其学习算法 |
31-36 |
|
3.2.1 BP神经网络的网络结构 |
31-34 |
|
3.2.2 BP网络的学习公式推导 |
34-36 |
|
3.3 BP网络的改进 |
36-55 |
|
3.3.1 网络模型的拓扑结构分析 |
37-43 |
|
3.3.2 网络模型的拓扑结构的选择 |
43-47 |
|
3.3.3 BP算法的改进 |
47-55 |
|
3.3.3.1 初始权值的选择 |
47 |
|
3.3.3.2 学习速率的选取 |
47-49 |
|
3.3.3.3 惯性冲量修正 |
49 |
|
3.3.3.4 网络收敛判断原则的改进 |
49-53 |
|
3.3.3.5 激活函数的选取和样本的归一 |
53-55 |
|
第4章 系统优化设计与结构分析的理论与方法 |
55-62 |
|
4.1 有限元方法 |
55-57 |
|
4.1.1 有限元法的基本思想 |
55-57 |
|
4.1.2 有限元法的建模要求 |
57 |
|
4.2 结构优化设计 |
57-58 |
|
4.3 建立数学模型 |
58-62 |
|
4.3.1 设计变量 |
59 |
|
4.3.2 目标函数 |
59 |
|
4.3.3 约束条件的建立 |
59-62 |
|
第5章 基于神经网络的遗传算法和可视化技术 |
62-74 |
|
5.1 基于神经网络的遗传算法 |
62-64 |
|
5.2 面向对象的可视化技术 |
64-74 |
|
5.2.1 基于面向对象技术的优化算法的实现 |
64-70 |
|
5.2.1.1 面向对象技术的概念 |
64-67 |
|
5.2.1.2 面向对象技术的网络优化训练 |
67-70 |
|
5.2.2 优化计算的可视化技术 |
70-74 |
|
第6章 臂架系统结构优化 |
74-86 |
|
6.1 结构形式 |
74-75 |
|
6.2 计算工况要求说明 |
75-76 |
|
6.3 设计要求 |
76-77 |
|
6.4 采用新的结构优化方法 |
77-85 |
|
6.4.1 结构有限元分析校核 |
78-81 |
|
6.4.2 网络训练 |
81 |
|
6.4.3 选用基于人工神经网络的遗传算法进行 |
81-84 |
|
6.4.3.1 约束条件的选取 |
81-82 |
|
6.4.3.2 建立模型 |
82-84 |
|
6.4.4 优化结果验算 |
84-85 |
|
6.5 本章小结 |
85-86 |
|
第7章 全文总结和展望 |
86-87 |
|
致谢 |
87-88 |
|
参考文献 |
88-90 |
|
攻读硕士学位期间发表的学术论文 |
90-97 |
|
| 【DOI】 | LunWen.ID:2.2008.386879 |
