Matlab遺傳算法工具箱在物流網(wǎng)絡(luò)設(shè)計(jì)中的應(yīng)用

以epanet2.0管網(wǎng)計(jì)算軟件為平臺(tái),在準(zhǔn)確的供水管網(wǎng)水力模型的基礎(chǔ)上,搭建供水管網(wǎng)水質(zhì)余氯模型,確定管網(wǎng)主體水余氯衰減系數(shù)和管壁余氯衰減系數(shù)。利用matlab遺傳算法工具箱校核余氯模型,通過(guò)調(diào)整管網(wǎng)主體水衰減系數(shù)和管壁余氯衰減系數(shù)來(lái)提高管網(wǎng)余氯模型精度。

物流網(wǎng)絡(luò)的構(gòu)建是在一個(gè)地區(qū)內(nèi)形成更牢固、更平衡空間結(jié)構(gòu),增加凝聚力的基本要求.城市結(jié)點(diǎn)作為區(qū)域物流網(wǎng)絡(luò)系統(tǒng)的重要組成部分,不能囿于傳統(tǒng)理論上行政領(lǐng)土的連續(xù)性,而應(yīng)建構(gòu)在經(jīng)濟(jì)中心城市或結(jié)點(diǎn)間的軸線(物流、信息流)之上.通過(guò)建立區(qū)域物流網(wǎng)絡(luò)評(píng)價(jià)體系,考察江蘇區(qū)域物流網(wǎng)絡(luò)結(jié)點(diǎn)在發(fā)展過(guò)程中物流競(jìng)爭(zhēng)力及整體協(xié)調(diào)度.進(jìn)而對(duì)江蘇區(qū)域物流網(wǎng)絡(luò)空間結(jié)構(gòu)進(jìn)行優(yōu)化分析.

煤炭自古就是我國(guó)的第一大能源,在我國(guó)經(jīng)濟(jì)發(fā)展過(guò)程中,處于極其重要的地位。但在煤炭物流網(wǎng)絡(luò)系統(tǒng)方面我國(guó)還有欠缺,給煤炭市場(chǎng)的供需造成很多不便,進(jìn)而影響到經(jīng)濟(jì)社會(huì)的發(fā)展,制約著我國(guó)gdp的發(fā)展。本文應(yīng)用耗散結(jié)構(gòu)理論與方法,分析了煤炭物流網(wǎng)絡(luò)系統(tǒng)熵的產(chǎn)生情況,基于耗散結(jié)構(gòu)理論對(duì)煤炭物流網(wǎng)絡(luò)系統(tǒng)進(jìn)行優(yōu)化,使煤炭物流網(wǎng)絡(luò)系統(tǒng)的熵值保持在較低的水平。在一定程度上改善煤炭物流網(wǎng)絡(luò)系統(tǒng),間接地改善我國(guó)經(jīng)濟(jì)社會(huì)發(fā)展的能源需求,進(jìn)而提高煤炭行業(yè)的龍頭地位,提高經(jīng)濟(jì)效益。

物流網(wǎng)絡(luò)的構(gòu)建是在一個(gè)地區(qū)內(nèi)形成更牢固、更平衡空間結(jié)構(gòu),增加凝聚力的基本要求.城市結(jié)點(diǎn)作為區(qū)域物流網(wǎng)絡(luò)系統(tǒng)的重要組成部分,不能囿于傳統(tǒng)理論上行政領(lǐng)土的連續(xù)性,而應(yīng)建構(gòu)在經(jīng)濟(jì)中心城市或結(jié)點(diǎn)間的軸線(物流、信息流)之上.通過(guò)建立區(qū)域物流網(wǎng)絡(luò)評(píng)價(jià)體系,考察江蘇區(qū)域物流網(wǎng)絡(luò)結(jié)點(diǎn)在發(fā)展過(guò)程中物流競(jìng)爭(zhēng)力及整體協(xié)調(diào)度.進(jìn)而對(duì)江蘇區(qū)域物流網(wǎng)絡(luò)空間結(jié)構(gòu)進(jìn)行優(yōu)化分析.

遺傳算法是模擬自然選擇和自然遺傳過(guò)程中的繁殖、交叉和基因突變現(xiàn)象,在每次迭代中都保留一組候選解,并按某種指標(biāo)從解群中選取較優(yōu)的個(gè)體,利用遺傳算子對(duì)這些個(gè)體進(jìn)行組合,產(chǎn)生新一代的候選解群,重復(fù)此過(guò)程,直到滿足某種收斂指標(biāo)為止。此算法在解決復(fù)雜優(yōu)化問(wèn)題的潛力和在工業(yè)領(lǐng)域的成功應(yīng)用的到廣泛關(guān)注。主要介紹了遺傳算法用于測(cè)量中線性問(wèn)題的解算,并根據(jù)此算法自身優(yōu)點(diǎn),應(yīng)用于測(cè)邊網(wǎng)平差等非線性問(wèn)題的解算中,得出了理想的結(jié)果,并據(jù)此得出了一些建議與結(jié)論。

采用遺傳算法對(duì)建筑設(shè)計(jì)進(jìn)行優(yōu)化,是建筑設(shè)計(jì)領(lǐng)域一個(gè)全新的研究方向,然而,在日照分析下基于遺傳算法求解最優(yōu)值時(shí),需要對(duì)每個(gè)進(jìn)化個(gè)體進(jìn)行適應(yīng)度函數(shù)的計(jì)算,將消耗大量的運(yùn)行時(shí)間.為了降低算法的復(fù)雜性,提出一種神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法的建筑優(yōu)化設(shè)計(jì)方法.研究結(jié)果表明：與傳統(tǒng)遺傳算法對(duì)比,該方法可以有效降低算法的迭代次數(shù)和運(yùn)行時(shí)間,提高建筑優(yōu)化設(shè)計(jì)的效率.

采用遺傳算法對(duì)建筑設(shè)計(jì)進(jìn)行優(yōu)化,是建筑設(shè)計(jì)領(lǐng)域一個(gè)全新的研究方向,然而,在日照分析下基于遺傳算法求解最優(yōu)值時(shí),需要對(duì)每個(gè)進(jìn)化個(gè)體進(jìn)行適應(yīng)度函數(shù)的計(jì)算,將消耗大量的運(yùn)行時(shí)間.為了降低算法的復(fù)雜性,提出一種神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法的建筑優(yōu)化設(shè)計(jì)方法.研究結(jié)果表明:與傳統(tǒng)遺傳算法對(duì)比,該方法可以有效降低算法的迭代次數(shù)和運(yùn)行時(shí)間,提高建筑優(yōu)化設(shè)計(jì)的效率.

在彎管前安裝擾流子，可以減小彎管處二次流強(qiáng)度，降低能量損失，并運(yùn)用cfd軟件對(duì)不同參數(shù)下的擾流子節(jié)能效果數(shù)值計(jì)算。以l9（33）正交試驗(yàn)以及4組補(bǔ)充試驗(yàn)作為bp神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，建立在5種雷諾數(shù)下擾流子節(jié)能效率與擾流子葉片轉(zhuǎn)角、葉片長(zhǎng)度、安裝距離3個(gè)結(jié)構(gòu)參數(shù)的非線性映射關(guān)系；擾流子節(jié)能效率最大值作為目標(biāo)函數(shù)，再結(jié)合遺傳算法進(jìn)行結(jié)構(gòu)參數(shù)優(yōu)化。最終得到在不同雷諾數(shù)下擾流子葉片轉(zhuǎn)角、葉片長(zhǎng)度、安裝距離的最佳組合形式，并利用有限元方法對(duì)結(jié)果驗(yàn)證。結(jié)果表明，這種優(yōu)化方案具有可行性；合適的結(jié)構(gòu)參數(shù)的擾流子具有良好的節(jié)能效果。

在彎管前安裝擾流子,可以減小彎管處二次流強(qiáng)度,降低能量損失,并運(yùn)用cfd軟件對(duì)不同參數(shù)下的擾流子節(jié)能效果數(shù)值計(jì)算.以l9(33)正交試驗(yàn)以及4組補(bǔ)充試驗(yàn)作為bp神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本,建立在5種雷諾數(shù)下擾流子節(jié)能效率與擾流子葉片轉(zhuǎn)角、葉片長(zhǎng)度、安裝距離3個(gè)結(jié)構(gòu)參數(shù)的非線性映射關(guān)系;擾流子節(jié)能效率最大值作為目標(biāo)函數(shù),再結(jié)合遺傳算法進(jìn)行結(jié)構(gòu)參數(shù)優(yōu)化.最終得到在不同雷諾數(shù)下擾流子葉片轉(zhuǎn)角、葉片長(zhǎng)度、安裝距離的最佳組合形式,并利用有限元方法對(duì)結(jié)果驗(yàn)證.結(jié)果表明,這種優(yōu)化方案具有可行性;合適的結(jié)構(gòu)參數(shù)的擾流子具有良好的節(jié)能效果.

以一個(gè)雙輸入單輸出溫度控制系統(tǒng)為例,詳細(xì)敘述應(yīng)用系統(tǒng)辨識(shí)工具箱進(jìn)行建模、仿真和設(shè)計(jì)控制系統(tǒng)的過(guò)程,包括控制對(duì)象的辨識(shí)數(shù)據(jù)采集、模型估算、控制器設(shè)計(jì)和系統(tǒng)仿真等.重點(diǎn)介紹了系統(tǒng)辨識(shí)工具箱圖形用戶界面的使用方法.

針對(duì)傳統(tǒng)方法單獨(dú)采用bp神經(jīng)網(wǎng)絡(luò)算法易陷入局部極值的問(wèn)題,提出了遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò),并將其應(yīng)用于mimo-ofdm系統(tǒng)信號(hào)檢測(cè)中。該方法將遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合,用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)初始值,使bp網(wǎng)絡(luò)快速收斂到最優(yōu)解,避免了由初始值的隨機(jī)選取而帶來(lái)的檢測(cè)誤碼。仿真結(jié)果表明所提出的方法在誤碼率方面有比較好的性能。

matlab工具箱介紹.

標(biāo)準(zhǔn)遺傳算法在求解無(wú)約束優(yōu)化問(wèn)題時(shí)得到了成功的應(yīng)用,但是多數(shù)的工程實(shí)例為約束優(yōu)化問(wèn)題.目前引入懲罰函數(shù)思想的遺傳算法是解決約束優(yōu)化問(wèn)題最常用的方法,但是使用此方法時(shí)參數(shù)的設(shè)定較為困難.從避免這個(gè)困難和提高算法本身性能的角度出發(fā),構(gòu)造了一種新的算法.首先對(duì)非可行個(gè)體進(jìn)行修正,把約束優(yōu)化問(wèn)題轉(zhuǎn)化為無(wú)約束優(yōu)化問(wèn)題;其次,采用了擴(kuò)大搜索空間選擇較優(yōu)個(gè)體的交叉算子,增強(qiáng)了全局搜索能力;最后,在部分較優(yōu)個(gè)體附近采用了局部搜索策略,提高局部搜索能力.通過(guò)對(duì)2個(gè)工程優(yōu)化實(shí)例的求解說(shuō)明了算法的有效性.

遺傳算法在固結(jié)系數(shù)計(jì)算中的應(yīng)用——建筑物的荷載通過(guò)基礎(chǔ)傳給地基，地基受力后將會(huì)產(chǎn)生應(yīng)力和變形，從而導(dǎo)致建筑物基礎(chǔ)產(chǎn)生沉降和傾斜。如果基礎(chǔ)的沉降不均勻，將會(huì)對(duì)于建筑物的安全產(chǎn)生一定的影響，而影響沉降的最主要因素是飽和土體的固結(jié)系數(shù)，而固結(jié)系數(shù)的...

在科學(xué)技術(shù)逐漸發(fā)展的過(guò)程中,計(jì)算機(jī)技術(shù)得到了廣泛性的應(yīng)用,通過(guò)計(jì)算機(jī)網(wǎng)絡(luò)可靠性中遺傳算法的技術(shù)應(yīng)用,可以提高計(jì)算機(jī)技術(shù)應(yīng)用的有效性,提高遺傳算法的合理性,從而為整個(gè)技術(shù)的應(yīng)用及建立提供充分性的保證。

在科學(xué)技術(shù)逐漸發(fā)展的過(guò)程中,計(jì)算機(jī)技術(shù)得到了廣泛性的應(yīng)用,通過(guò)計(jì)算機(jī)網(wǎng)絡(luò)可靠性中遺傳算法的技術(shù)應(yīng)用,可以提高計(jì)算機(jī)技術(shù)應(yīng)用的有效性,提高遺傳算法的合理性,從而為整個(gè)技術(shù)的應(yīng)用及建立提供充分性的保證。

將遺傳算法(ga)和人工神經(jīng)網(wǎng)絡(luò)(ann)引入框架結(jié)構(gòu)可靠度分析,其結(jié)果與jc法的計(jì)算結(jié)果相比較,進(jìn)一步顯示出遺傳算法和人工神經(jīng)網(wǎng)絡(luò)用于計(jì)算結(jié)構(gòu)可靠度的優(yōu)點(diǎn),為結(jié)構(gòu)可靠度研究提供了新的有效思路和方法。

為了實(shí)現(xiàn)樁身完整性的智能分類,并減少人為因素造成的誤判,文章建立適用于樁基完整性檢測(cè)的基于遺傳算法的bp神經(jīng)網(wǎng)絡(luò)模型,運(yùn)用matlab軟件對(duì)模型進(jìn)行模擬,并求出模型的可行性的解,從而實(shí)現(xiàn)對(duì)不同類型樁身的完整性智能辨別的功能,最后再通過(guò)測(cè)試樣本對(duì)模型的正確性進(jìn)行驗(yàn)證。測(cè)試樣本中的預(yù)測(cè)結(jié)果與理想結(jié)果非常接近,通過(guò)計(jì)算得出測(cè)試樣本的仿真誤差為0.1538,訓(xùn)練樣本的仿真誤差為0.092644。結(jié)果表明,基于遺傳算法的bp神經(jīng)網(wǎng)絡(luò)模型能過(guò)較好的對(duì)樁身完整性進(jìn)行分類,并且在減少樁型誤判的情況下,又提高了效率,在實(shí)際工程中具有良好的應(yīng)用前景。

目的將改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于鉆孔灌注樁樁孔質(zhì)量的智能化識(shí)別,從而減少人為的誤判、漏判情況.方法將遺傳算法與神經(jīng)網(wǎng)絡(luò)模型有機(jī)地結(jié)合起來(lái),建立樁孔質(zhì)量檢測(cè)的智能化模型,先利用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化,再結(jié)合訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型對(duì)樁孔質(zhì)量進(jìn)行預(yù)測(cè),同時(shí)根據(jù)現(xiàn)場(chǎng)數(shù)據(jù)建立三維分析圖,通過(guò)預(yù)測(cè)結(jié)果與三維分析圖的比對(duì)來(lái)驗(yàn)證模型的準(zhǔn)確性.結(jié)果測(cè)試樣本的仿真誤差為0.00575,訓(xùn)練樣本的仿真誤差為0.0224;5、6號(hào)樁孔的預(yù)測(cè)結(jié)果為(0.0012,0.9999),(0.0027,0.0051),即5號(hào)樁質(zhì)量為合格,6號(hào)樁質(zhì)量為良好.結(jié)論通過(guò)預(yù)測(cè)結(jié)果與三維分析圖的比對(duì)結(jié)果,可以得出基于遺傳算法的神經(jīng)網(wǎng)絡(luò)模型能夠較好地對(duì)孔灌注樁進(jìn)行智能判別.

目的將改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于鉆孔灌注樁樁孔質(zhì)量的智能化識(shí)別,從而減少人為的誤判、漏判情況.方法將遺傳算法與神經(jīng)網(wǎng)絡(luò)模型有機(jī)地結(jié)合起來(lái),建立樁孔質(zhì)量檢測(cè)的智能化模型,先利用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化,再結(jié)合訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型對(duì)樁孔質(zhì)量進(jìn)行預(yù)測(cè),同時(shí)根據(jù)現(xiàn)場(chǎng)數(shù)據(jù)建立三維分析圖,通過(guò)預(yù)測(cè)結(jié)果與三維分析圖的比對(duì)來(lái)驗(yàn)證模型的準(zhǔn)確性.結(jié)果測(cè)試樣本的仿真誤差為0.00575,訓(xùn)練樣本的仿真誤差為0.0224;5、6號(hào)樁孔的預(yù)測(cè)結(jié)果為(0.0012,0.9999),(0.0027,0.0051),即5號(hào)樁質(zhì)量為合格,6號(hào)樁質(zhì)量為良好.結(jié)論通過(guò)預(yù)測(cè)結(jié)果與三維分析圖的比對(duì)結(jié)果,可以得出基于遺傳算法的神經(jīng)網(wǎng)絡(luò)模型能夠較好地對(duì)孔灌注樁進(jìn)行智能判別.

基于遺傳算法的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型在水質(zhì)評(píng)價(jià)中的應(yīng)用

由于水沙作用機(jī)制和演進(jìn)規(guī)律的復(fù)雜性,以及河道形態(tài)變化等因素,多泥沙洪水預(yù)報(bào)一直是洪水預(yù)報(bào)的難點(diǎn),對(duì)高含沙洪水快速、準(zhǔn)確的預(yù)報(bào)是多年來(lái)國(guó)內(nèi)外專家十分關(guān)注的課題。作者采用具有高度非線性識(shí)別能力的人工神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合的方法,探討了建立智能預(yù)報(bào)模型的基本方法,進(jìn)一步對(duì)如何提高預(yù)報(bào)精度的問(wèn)題進(jìn)行了研究,并結(jié)合黃河洪水預(yù)報(bào)實(shí)例檢驗(yàn)了神經(jīng)網(wǎng)絡(luò)模型的可行性。檢驗(yàn)結(jié)果表明,該方法能夠較好地識(shí)別多泥沙洪水的演進(jìn)規(guī)律,對(duì)水位、流量和含沙量都能進(jìn)行合理預(yù)報(bào)