基于SAGA和BP网络的非线性函数极值求取系统的设计与实现
发布时间：2021-02-10 04:52
在面向现代工程问题的优化模型研究中,许多实际问题最后都抽象成了“产量最大”、“成本最低”、“效益最好”等优化问题,这些问题归根到底都是一些极值求取问题,因此如何快速准确的求得最优极值是个十分重要的问题。随着科学技术的快速发展以及生产工具的不断改进,最优极值的求取过程变得越来越复杂,其中就有一类非线性问题,这类问题的函数非常复杂甚至难以用数学函数表示出来,已知的条件只有一些离散的输入输出数据,单靠这些数据难以得到问题的极值,并且这类问题常常还会存在多个局部极值,因此很难求得问题的最优极值以及取得极值的条件。针对这类问题,本文提出了正弦自适应遗传算法双重优化BP网络的极值求取算法,并采用VC++和MATLAB混合编程技术开发了一个非线性函数极值求取系统。论文的研究内容和创新点主要有以下几个方面:1.分析了非线性函数极值求取问题的研究现状和最优化理论,对BP神经网络和遗传算法的结构以及特点进行了探究。2.利用BP神经网络的拟合预测能力和遗传算法（GA）的全局寻优能力,给出了正弦自适应遗传算法（SAGA）双重优化BP神经网络的最优极值求取算法。算法以BP神经网络训练拟合问题函数为中心,并根据遗...
【文章来源】：山东师范大学山东省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
VC++和MATLAB混合编程方法
山东师范大学硕士学位论文14继续向下执行。3.选择操作：根据第二步计算的个体适应度值来淘汰种群中适应度值低的个体，保留适应度值高的个体。4.交叉操作：种群中的两个个体之间可以进行相互交叉操作，其目的是产生新个体，探索新的解空间。5.变异操作：目的是保持种群的多样性。通过选择、交叉和变异等操作，产生了新的种群P(t=1)。6.计算适应度值。7.判断遗传是否终止：如果t≤T并且适应度值不满足终止条件，那么t=t+1，跳转到步骤4开始新的一轮遗传；如果t>T或者适应度值满足终止条件，那么遗传终止。图2-2遗传算法流程图
山东师范大学硕士学位论文17变，直到误差达到最校应该从两个角度去分析网络的掌握过程，即系统的正方向传输信号反馈的反向传输，输入信息是通过隐含层慢慢到达输出层，当信号产生一定误差时，就会由输出层通过隐含层逐步往回传输到达输入层；当期望输出和真实输出不一致时，误差就会进行反方向传输，其计算原则是尽力降低真实误差和计算误差相减后的数值。输出信号每次经过隐含层流入输入层时，连接权值都会进行修正，如此往复多次，使得误差逐渐减少，系统越来越准确，一直到误差满足要求为止。2.3.1BP神经网络的结构BP神经网络是一种单向传播的系统模式，图2-3所示为BP神经网络的网络拓扑结构图，其主要包括输出层、隐含层和输入层三个层次，其中隐含层又可以分为多个层次。网络训练数据从输入层输入，流经隐含层最后从输出层输出，在这三个层次中最复杂层次是隐含层，它具有不受数量限制的层数以及每层的节点数，并且隐含层部分和输出层部分之间的函数关系可以是线性的。BP神经网络不同层位之间是通过连接全相连接的，并且节点之间相互独立不会产生相互关系[35]，其中Sigmoid函数是BP神经网络最普遍使用的激活函数。图2-3三层BP神经网络结构图
【参考文献】：
期刊论文
[1]桥梁极值应力的贝叶斯动态耦合线性预测[J]. 樊学平,尚志鹏,刘月飞. 同济大学学报(自然科学版). 2020(03)
[2]函数最优极值问题的组合优化求解[J]. 吴晓进. 内蒙古师范大学学报(自然科学汉文版). 2017(06)
[3]基于遗传算法改进BP神经网络的页岩气产量递减预测模型[J]. 田亚鹏,鞠斌山. 中国科技论文. 2016(15)
[4]基于改进PSO算法的函数极值寻优研究[J]. 杨娜,荆园园. 计算机仿真. 2015(09)
[5]Visual C++调用MATLAB函数库的混合编程技术[J]. 徐治. 软件. 2015(02)
[6]VC++和MATLAB混合编程的新应用[J]. 左明成,武云. 计算机技术与发展. 2014(12)
[7]Visual C++与Matlab混合编程方法的对比分析研究[J]. 罗朝明,胡顺超,邓日晓,陶扬威,吴祥营. 现代电子技术. 2013(20)
[8]基于改进自适应遗传算法的MIMO雷达阵列优化[J]. 梁浩,李小波,徐旭宇. 微波学报. 2013(04)
[9]C#与Matlab混合编程在预警系统中的应用[J]. 蒋顺业,兰洋. 软件. 2013(04)
[10]基于Matlab混合编程的海上溢油仿真系统的研究[J]. 包敬海. 软件. 2012(07)
博士论文
[1]遗传算法适应值曲面及遗传算法困难度分析[D]. 李建武.天津大学 2003
硕士论文
[1]遗传算法优化神经网络在推荐系统中的应用研究[D]. 刘莹.东北财经大学 2017
[2]基于遗传神经网络算法的基坑土体参数反演和基坑沉降预测研究[D]. 崔宇鹏.山东大学 2017
[3]Visual Studio 2010与Matlab混合编程的研究及其在BCI系统中的应用[D]. 陈旭宁.山东师范大学 2017
[4]基于遗传算法优化BP网络的码垛机器人逆解研究[D]. 张鑫龙.西安建筑科技大学 2016
[5]基于SVM的薄板坯连铸漏钢预报系统研究[D]. 尹少峰.燕山大学 2013
[6]基于遗传算法的前馈神经网络结构优化[D]. 王磊.东北石油大学 2013
[7]基于混合动态规划的集装箱装船顺序优化[D]. 边展.大连海事大学 2012
[8]基于神经网络的Jiles-Atherton磁滞模型的实现[D]. 杨延菊.华北电力大学 2012
[9]基于BP算法的大学生心理预测系统的设计与实现[D]. 彭秋连.暨南大学 2011
[10]数据挖掘在OPGW选型中的应用[D]. 张渝.华北电力大学（北京） 2011
本文编号：3026809
【文章来源】：山东师范大学山东省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
VC++和MATLAB混合编程方法
山东师范大学硕士学位论文14继续向下执行。3.选择操作：根据第二步计算的个体适应度值来淘汰种群中适应度值低的个体，保留适应度值高的个体。4.交叉操作：种群中的两个个体之间可以进行相互交叉操作，其目的是产生新个体，探索新的解空间。5.变异操作：目的是保持种群的多样性。通过选择、交叉和变异等操作，产生了新的种群P(t=1)。6.计算适应度值。7.判断遗传是否终止：如果t≤T并且适应度值不满足终止条件，那么t=t+1，跳转到步骤4开始新的一轮遗传；如果t>T或者适应度值满足终止条件，那么遗传终止。图2-2遗传算法流程图
山东师范大学硕士学位论文17变，直到误差达到最校应该从两个角度去分析网络的掌握过程，即系统的正方向传输信号反馈的反向传输，输入信息是通过隐含层慢慢到达输出层，当信号产生一定误差时，就会由输出层通过隐含层逐步往回传输到达输入层；当期望输出和真实输出不一致时，误差就会进行反方向传输，其计算原则是尽力降低真实误差和计算误差相减后的数值。输出信号每次经过隐含层流入输入层时，连接权值都会进行修正，如此往复多次，使得误差逐渐减少，系统越来越准确，一直到误差满足要求为止。2.3.1BP神经网络的结构BP神经网络是一种单向传播的系统模式，图2-3所示为BP神经网络的网络拓扑结构图，其主要包括输出层、隐含层和输入层三个层次，其中隐含层又可以分为多个层次。网络训练数据从输入层输入，流经隐含层最后从输出层输出，在这三个层次中最复杂层次是隐含层，它具有不受数量限制的层数以及每层的节点数，并且隐含层部分和输出层部分之间的函数关系可以是线性的。BP神经网络不同层位之间是通过连接全相连接的，并且节点之间相互独立不会产生相互关系[35]，其中Sigmoid函数是BP神经网络最普遍使用的激活函数。图2-3三层BP神经网络结构图
【参考文献】：
期刊论文
[1]桥梁极值应力的贝叶斯动态耦合线性预测[J]. 樊学平,尚志鹏,刘月飞. 同济大学学报(自然科学版). 2020(03)
[2]函数最优极值问题的组合优化求解[J]. 吴晓进. 内蒙古师范大学学报(自然科学汉文版). 2017(06)
[3]基于遗传算法改进BP神经网络的页岩气产量递减预测模型[J]. 田亚鹏,鞠斌山. 中国科技论文. 2016(15)
[4]基于改进PSO算法的函数极值寻优研究[J]. 杨娜,荆园园. 计算机仿真. 2015(09)
[5]Visual C++调用MATLAB函数库的混合编程技术[J]. 徐治. 软件. 2015(02)
[6]VC++和MATLAB混合编程的新应用[J]. 左明成,武云. 计算机技术与发展. 2014(12)
[7]Visual C++与Matlab混合编程方法的对比分析研究[J]. 罗朝明,胡顺超,邓日晓,陶扬威,吴祥营. 现代电子技术. 2013(20)
[8]基于改进自适应遗传算法的MIMO雷达阵列优化[J]. 梁浩,李小波,徐旭宇. 微波学报. 2013(04)
[9]C#与Matlab混合编程在预警系统中的应用[J]. 蒋顺业,兰洋. 软件. 2013(04)
[10]基于Matlab混合编程的海上溢油仿真系统的研究[J]. 包敬海. 软件. 2012(07)
博士论文
[1]遗传算法适应值曲面及遗传算法困难度分析[D]. 李建武.天津大学 2003
硕士论文
[1]遗传算法优化神经网络在推荐系统中的应用研究[D]. 刘莹.东北财经大学 2017
[2]基于遗传神经网络算法的基坑土体参数反演和基坑沉降预测研究[D]. 崔宇鹏.山东大学 2017
[3]Visual Studio 2010与Matlab混合编程的研究及其在BCI系统中的应用[D]. 陈旭宁.山东师范大学 2017
[4]基于遗传算法优化BP网络的码垛机器人逆解研究[D]. 张鑫龙.西安建筑科技大学 2016
[5]基于SVM的薄板坯连铸漏钢预报系统研究[D]. 尹少峰.燕山大学 2013
[6]基于遗传算法的前馈神经网络结构优化[D]. 王磊.东北石油大学 2013
[7]基于混合动态规划的集装箱装船顺序优化[D]. 边展.大连海事大学 2012
[8]基于神经网络的Jiles-Atherton磁滞模型的实现[D]. 杨延菊.华北电力大学 2012
[9]基于BP算法的大学生心理预测系统的设计与实现[D]. 彭秋连.暨南大学 2011
[10]数据挖掘在OPGW选型中的应用[D]. 张渝.华北电力大学（北京） 2011
本文编号：3026809
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3026809.html
