遗传算法神经网络混合算法改进换热器的仿真精度.pdf

遗传算法神经网络混合算法改进换热器的仿真精度 Application of genetic and neural network hybrid algorithm in the simulation of heat exchanger 芮银波 丁国良 吴志刚 上海交通大学 制冷与低温工程研究所 上海 200030 Tel: 021 E-mail: glding@sjtu.edu.cn 摘要 针对目前神经网络在制冷系统仿真应用中 网络训练易陷入局部极小点问题, 用遗传算法优化神经 网络的连接权 并在遗传进化过程中采取保留最优个体的策略 建立于基于遗传算法和神经网络的混合算 法 并应用于换热器仿真软件的精度自校正的应用中 实际结果表明 该算法相对遗传算法高效 相对于 神经网络稳定 用于实际仿真计算 修正前的换热量误差最大 28.96% 平均 11.12% 采用混合算法修正 后误差最大4.9% 平均1.0% 关键词 制冷系统 仿真 遗传算法 神经网络 片管式换热器的建模中 将分布参数模型简化成集 10引言 中参数模型 并通过两个神经网络分别用于修正分 人工神经网络是一个由大量简单的处理单元 布参数模型与集中模型之间的偏差 以及修正传热 (神经元)广泛联接组成的复合系统 是在现代生物 关联式的偏差[5] 但这样得到的翅片管换热器的模 学研究人脑组织所取得的成果基础上提出的 具有 型中 神经网络占了非常重要的成分 而采用的 人脑功能的基本特征 学习 记忆 归纳 它可以 BP 算法[6][7]又存在着容易陷入局部极小点 导致训 处理那些难以用数学模型描述的系统 有很强的自 练瘫痪等问题 使得智能仿真投入实际使用受到很 适应 自学习能力 随着神经网络的理论及应用 大的限制 目前已有学者研究基于遗传算法的神经 的发展 相继提出了多种神经网络模型 包括误差 网络[8][9] 用于控制方面的研究,取得了一定的成 反向传播的前馈神经网络模型(Back propagation, 果 BP 网), Hopfield 网 自适应共振理论(ART)等 其 基于上述原因 综合利用遗传算法的全局性和 中 应用最为广泛 目前研究最为深入的 当属 鲁棒性以及神经网络在局部寻优方面的高效快速 BP 网络 尽管BP 网络得到了广泛的应用 但BP 的特性等优点,本文把遗传算法和神经网络的混合 算法存在着易进入局部极小 训练陷入瘫痪等一系 算法应用到制冷系统仿真中 并进行实际应用的检 列的问题 使其用于解决实际问题的范围受到限 验 制 [1] 1 遗传算法神经网络混合算法模型 遗传算法 (Genetic Algorithm, GA)在一定程 度上可以克服BP 算法的局限性 GA 是一种模拟 在人工神经网络模型中 最常见的是多层感知 自然选择和遗传机制 在计算机上模拟生物进化的 器(MLP) 只要隐层神经元数充分多 用三层前向 自适应概率的全局寻优有哪些信誉好的足球投注网站算法 是一种新型优化 网络( 即含一个隐层)可以逼近任何闭区间内的一 算法 GA 在寻优过程中 可以在高维可行解空间 个连续函数 三层MLP 的结构如图1 所示 其中 随机产生多个起始点并同时开始有哪些信誉好的足球投注网站 以适应度函 输入层 中间隐层和输出层分别包括I J 和K 个 数来指导有哪些信誉好的足球投注网站方向 因而有哪些信誉好的足球投注网站区域广 上述特点使 神经元 输入/输出层的每个神经元分别对应一个 GA 成为一种全局性 并行性的优化方法 具有很 输入/输出参数 输入层与隐层之间 隐层与输出 强的鲁棒性 但GA 也存着这有哪些信誉好的足球投注网站效率低等 收敛 层之间通过连接