基于BP神经网络和遗传算法的并行迭代优化研究

发布时间：2024-03-29 19:22

　　提出了一种将反向传播神经网络(BPNN)与遗传算法(GA)相结合的迭代优化方法。该方法首先使用较少的学习样本开发和训练BPNN模型,然后利用GA在可行域内求解训练好的BPNN模型以寻找模型的最优解。将基于该最优解进行验证的结果作为新样本添加到训练模式集中对BPNN模型重新训练。针对训练模式较少可能导致预测精度不足的问题,在BPNN模型的训练中分别采用贝叶斯正则化算法(BRA)和改进的Levenberg-Marquardt算法提高BPNN模型的泛化能力和收敛性,并结合精英策略将模拟退火算法(SAA)嵌入到GA中,以提高BPNN模型的局部搜索能力。将所提出的方法应用于汽车吹塑成型的聚丙烯波纹管的厚度优化。结果表明,在3次迭代后可以得到最优模具间隙,采用最佳模具间隙的波纹管在9个齿峰处的厚度落入期望的范围内(0.7±0.05mm),并且材料的使用量减少了22%。这种最佳间隙仅通过23次实验即可获得,远远少于实际模塑过程所需的实验次数。

【文章页数】：7 页

【文章目录】：
0 引言
1 并行迭代优化策略
    1.1 使用改进的Levenberg-Marquardt算法加速BPNN收敛
    1.2 模拟退火算法嵌入遗传算法
2 实验分析
    2.1 目标函数建立
    2.2 优化过程
3 结束语



本文编号：3941181