基于遗传算法的补偿模糊神经网络研究及应用

论文摘要

保证过程安全生产的前提下使系统稳定运行在最佳工况,获取最大经济效益。随着现代工业生产过程日趋复杂,过程呈现出强关联性、严重非线性及不确定性,再加上十分苛刻的生产条件和环境,很难保持生产过程在最佳工况运行。本文以稳态工业生产过程为背景,研究补偿模糊神经网络（Compensatory Fuzzy Neural Network,CFNN）学习算法的改进和网络权值的优化;针对基本遗传算法在优化方面的不足做了有效地改进。最后,将改进的GA应用于CFNN参数的估计和优化中,并取得了良好的效果。首先,本文分析了能够执行补偿模糊推理的补偿模糊神经网络,该网络解决了模糊神经网络设计过程中的一些问题,针对初始网络模型建立难的问题引入基于减法的模糊c-均值聚类算法确定模糊规则数。基本遗传算法（SGA）在寻优过程中,存在易于陷入局部最优、不同编码方式有解码误差、收敛速度慢等缺点。本文应用实数编码使计算简单并极大的节约了运算空间。采用稳态复制,非均匀算术交叉和非均匀变异。针对传统自适应遗传算法的可能陷入局部最优的不足,提出一种改进的自适应遗传算法,该改进GA算法避免了“早熟”问题并保证了算法的收敛性,提高了收敛精度和速度,通过对Shubert函数仿真分析,验证了改进GA的有效性。用改进的GA和BP算法的混合算法优化调整CFNN的权值,该混合算法综合了GA的全局收敛性和BP算法较强的局部搜索能力,极大提高了CFNN的全局逼近能力和收敛速度。最后以过氧化氢异丙苯（CHP）分解过程为控制实例,采用IAGA-CFNN建立CHP分解模型及改进的GA求取最优解,仿真结果分析表明,该算法是一种更有效的稳态优化方法。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的背景和意义
• 1.2 模糊神经网络的发展现状
• 1.2.1 人工神经网络研究现状
• 1.2.2 模糊逻辑系统研究现状
• 1.2.3 模糊神经网络的发展概况
• 1.3 遗传算法发展及应用
• 1.4 本文主要工作
• 第2章 补偿模糊神经网络模型
• 2.1 补偿模糊神经网络基本原理
• 2.1.1 基本模糊神经元
• 2.1.2 网络结构
• 2.1.3 补偿模糊推理
• 2.2 构造初始网络模型
• 2.3 网络的学习算法
• 2.4 仿真实例及分析
• 2.5 本章小结
• 第3章 遗传算法的参数优化
• 3.1 遗传算法的生物学基础
• 3.2 基本遗传算法
• 3.2.1 编码
• 3.2.2 群体设定
• 3.2.3 适应度函数
• 3.2.4 遗传操作
• 3.3 改进遗传算法
• 3.4 实验测试及结果
• 3.5 本章小结
• 第4章 基于GA 的补偿模糊神经网络在稳态优化中的应用
• 4.1 遗传算法优化神经网络连接权值
• 4.2 遗传算法优化补偿模糊神经网络
• 4.3 基于GA 的补偿模糊神经网络在稳态优化中的应用
• 4.3.1 稳态优化问题描述
• 4.3.2 稳态优化问题的实现
• 4.4 实例构建及结果分析
• 4.4.1 实例构建
• 4.4.2 结果分析
• 4.5 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的学术论文
• 致谢