遗传算法与bp神经网络在汽车工程领域的应用

《遗传算法与bp神经网络在汽车工程领域的应用》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、遗传算法与BP神经网络在汽车工程领域的应用摘要:在汽车工程领域，许多问题都是多维，、有条件约束，、高度非线性的，将BP神经网络与遗传算法相结合能够很好的集中两种智能算法的优点，从而解决汽车工程领域的某些问题。本文介绍了这种方法在汽车工程领域的应用，并对问题进行了分类总结，对解决此类问题有一定的意义。关键词:遗传算法BP神经网络汽车工程应做第一关键词TheapplicationsofgeneticalgorithmandBPneuralnetworkinautomotiveengineeringAbstract:Inthefieldofautomotiveengineering,somep

2、roblemsinautomotiveengineeringcanbesolvedbymeansofthecombinationoftheBPneuralnetworkandgeneticalgorithmwhichincludestheadvantagesoftwokindsofintelligentalgorithms.Theapplicationofthismethodinautomotiveengineeringisdescribedinthispaper.Theseproblemshavebeenclassifiedandsummarized.Ithascertainsigni

3、ficanceinsolvingthiskindofproblemsKeywords:geneticalgorithm;BPneuralnetwork;automotiveengineering引言神经网络理论自20世纪诞生以来，已经在众多领域上得到应用，通过已获取的样本建立自变量和目标的映射关系能够很好的解决工程实际中高度非线性的建模问题，实际工程应用中多采用BP神经网络。遗传算法（GeneticAlgorithms）是根据适者生存，优胜劣汰等自然进化规则来进行搜索计算和问题的求解，对于一些传统的复杂问题，特别是优化问题，遗传算法提供了一个有效的新途径。在汽车工程领域，许多问题都是多维

4、，同摘要有条件约束，高度非线性的优化问题，因此将人工神经网络与遗传算法相结合能够很好的解决汽车工程领域的某些问题。1BP神经网络与遗传算法的简介1.1BP神经网络概述BP神经网络是一种多层的前馈神经网络，由于其结构简单、可调整的参数多、训练算法多、可操作性好，获得了非常广泛的应用。据统计，80%至90%的神经网络模型都是采用BP神经网络或者是他的变形。BP神经网络主要由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信图1单隐层结构的BP神经网络息变化能力的需求，中间层可以设计为单隐层

5、或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。图1是一个单隐层的BP神经网络结构。1.2遗传算法的概述染色体编码创建群体计算适应度复制、交叉、变异子代群体数达要求适应度是否满足要求要求解码得到问题的解Y

6、ESNO图2遗传算法流程遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型。它的思想源于生物遗传学和适者生存的自然规律，是具有“生存+检测”的迭代过程的搜索算法。与传统搜索算法不同，遗传算法从随机产生的初始解开始搜索，通过一定的选择、交叉、变异操作逐步迭代以产生新的解。群体中的每个个体代表问题的一个解，称为染色体的好坏用适应度值来衡量，根据适应度的好坏从上一代中选择一定数量的优秀个体，通过交叉、变异形成下一代群体。经过若干次的进化之后，算法收敛于最好的染色体，它就是问题的最优解或者次优解。其中，选择、交叉和变异构成了遗传算法的遗传操作；参数编码、初始群体的设定、适应度函数的

7、设计、遗传操作设计、控制参数设定等5五个要素组成了遗传算法的核心内容。图2是遗传算法的流程。2BP神经网络与遗传算法结合的类型2.1利用遗传算法和BP神经网络进行多目标优化在某些优化设计过程中，必须考虑使多个目标在给定条件下均尽可能最佳的优化问题，但是目标之间往往是相互冲突的，遗传算法则具有随机性的大规模并行搜索特性，因而在求解多目标优化问题时有明显的优势。工程应用中，利用BP神经网络强大的函数逼近能力，对已经获得的样本进行训练，获