神经网络和遗传算法的结合
遗传算法与神经网络的结合
李敏强 徐博艺 寇纪淞
摘要 阐明了遗传算法和神经网络结合的必要性和可行性，提出用多层前馈神
经网络作为遗传搜索的问题表示方式的思想。用遗传算法和神经网络结合的方
法求解了短期地震预报问题，设计了用遗传算法训练神经网络权重的新方法，
实验结果显示了遗传算法快速学习网络权重的能力，并且能够摆脱局部极点的
困扰。
关键词 遗传算法 进化计算 神经网络
On the Combination of Genetic Algorithms and Neural Networks
Li Minqiang Xu Boyi Kou Jisong
(Institute of Systems Engineering, Tianjin University, Tianjin 300072)
Abstract In this paper, we demonstrate the necessity and possibility of
combining neural network (NN) with GAs. The notion of using multilayered feed
forward NN as the representation method of genetic and the searching technique is
introduced. We combine GA and NN for solving short term earthquake forecasting
problem, design a novel method of using GAs to train connection weights of NN.The
empirical test indicates the capability of the new method in fast learning of NN and
escaping local optima.
Keywords genetic algorithms; evolutionary computation; neural networks
1 引言
智能可以分为三个层次：高层次的是生物智能(BI)，其次是人工智能(AI)， 处
于低层次的是计算智能(CI)。 计算智能是国际上新近提出的学科概念，在计算
智能中，计算的概念是传统计算概念的拓展，计算对象不仅局限于数和字符，
运算符号也不再局限于加减乘除等运算，在这个范畴内的加减乘除也需赋于新
的含义。但一般来说，AI偏重于逻辑推理，而CI则偏重于数值计算。
目前，计算智能正处于迅猛发展的阶段，其主要技术包括模糊技术、神经
网络、进化计算等［5］。这几项技术各自均有了数十年的历史，但当时这些方法
并未受到足够的重视，一是当时这些方法还不很成熟，二是受当时计算机软硬
件的限制，而这些方法一般需要较大的计算量，难以取得实际应用。随着计算
机技术的发展和普及，它们在最近十年得到了突飞猛进的发展，引起了诸多领
域专家学者的关注，成为一个跨学科的研究热点。近年来，这些方法呈互相融
合的趋势［3］，它们之间的相互补充可增强彼此的能力，从而获得更有力的表示
和解决实际问题的能力。如对模糊神经网络、模糊遗传算法、模糊分类器系统、
用遗传算法优化模糊系统的隶属度函数及神经网络的进化设计方法等的研究都体现了这种融合的优点［1，2］。
2 遗传算法与神经网络的融合
2.1 神经网络为什么需要遗传算法
对于一个实际问题建立神经网络通常包括下面四个阶段：首先研究者根据
自己的理论、经验和研究兴趣选择一个问题域，如模式识别、神经控制、经济
预测等。第二，根据学习任务设计网络结构，包括处理单元个数、各层的组织
结构及处理单元之间的联结。第三，根据已知的网络结构和学习任务用梯度下
降学习算法，如BP算法来训练联结权值。最后，研究者以测量到的目标性能，
如解决特殊问题的能力、学习速度和泛化能力对训练过的网络进行评价。这个
过程可以不断重复以获得期望的结果。
描述一个ANN模型结构的主要参数有：网络层数、每层单元数、单元间的
互连方式等。设计ANN的结构，实际上就是根据某个性能评价准则确定适合于
解决某个问题或某类问题的参数的组合。当待解决的问题比较复杂时，用人工
的方法设计ANN是比较困难的。即使小的网络的行为也难以理解，大规模、多
层、非线性网络更是十分神秘，几乎没有什么严格的设计规则。Kosmogorov定
理说明在有合理的结构和恰当的权值的条件下，三层前馈网络可以逼近任意的
连续函数，但定理中没给出如何确定该合理结构的方法，研究者只能凭以前的
设计经验或遵循这样一句话“问题越困难，你就需要越多的隐单元”来设计
ANN的结构。而标准工程设计方法对于神经网络的设计也是无能为力，网络处
理单元间的复杂的分布交互作用使模块化设计中的分解处理技术变得不可行，
也没有直接的分析设计技术来处理这种复杂性，更困难的是，即使发现了一种
足以完成某一特定任务的网络，又怎能确定我们没有丢失一个性能更好的网络
呢?
到目前为止，人们花费了大量的时间和精力来解决这一难题，而神经网络
的应用也正向大规模、复杂的形式发展，人工设计网络的方法应该抛弃，ANN
需要高效的自动的设计方法，GAs则为其提供了一条很好的途径。
遗传算法用于ANN的另一个方面是用遗传算法学习神经网络的权重，也就
是用遗传算法来取代一些传统的学习算法。评价一个学习算法的标准是：简单
性、可塑性和有效性。一般的，简单的算法并不有效，可塑的算法又不简单，
而有效的算法则要求算法的专一性、完美性，从而又与算法的可塑性、简单性
相冲突。目前广泛研究的前馈网络中采用的是Rumelhart等人推广的误差反向传
播(BP)算法，BP算法具有简单和可塑的优点，但是BP算法是基于梯度的方法，
这种方法的收敛速度慢，且常受局部极小点的困扰，采用GAs则可摆脱这种困
境。当然，使用GAs可以把神经网络的结构优化和权值学习合并起来一起求解，
但这对计算机的处理能力要求很高。
2.2 遗传搜索技术为什么需要神经网络
现在我们所面对的系统越来越复杂，所处理的系统问题也是越来越复杂，
用传统GAs中的串表示方式来表达复杂系统的规律性是很困难的。遗传规划中
采用了树型结构的表示方式，可以方便地表示问题中的层次性，但对于系统中
的反馈信息，这种表示方式也是无能为力的。对许多领域来说，网络或图为复
杂问题提供了一种更自然、直观、有效的表示方式。 从广义上讲，系统都是以网络的形式存在的，但在很多问题的描述和建模
过程中，往往采用某种解析方法，运筹学中的网络分析仅仅应用于一类明显具
有网络形式的工程类问题求解，而将网络作为系统的一般描述方法，并建立相
应的模型和求解策略，则是人们正在努力研究的课题［4］。诚然，寻找一种通用
的系统的网络表示形式是不明智的，借助目前研究比较成熟的多层前馈神经网
络作为遗传搜索的问题表示方法是可行的。图1表示了遗传算法与神经网络的
结合。
图1 遗传算法与神经网络的结合
3 遗传算法在神经网络学习中的应用
3.1 神经网络学习的复杂性
这里所指的神经网络的学习包括拓扑结构的学习和权值的学习两个
方面。ANN的学习是按照某种组合性能指标，在可能的网络空间上，搜
索具有最优性能的网络形式。评价函数的选择一般应考虑以下几个方面
的因素：网络的收敛性、泛化能力以及网络的稳定性等。ANN的性能曲
面一般是很复杂的，可能的处理单元数目及连接是无界的，因而曲面无
限大，处理单元数目离散取值，导致网络的性能是非连续的，故性能曲
面是不可微的。
枚举搜索方法会遇到网络空间的组合爆炸问题，随机搜索方法在长
的搜索过程中也不比枚举搜索方法好，难于发现有用的网络形式。而基
于梯度的搜索方法需要很好定义的可微曲面，难以解决具有局部极小点
的复杂的欺骗性的问题。
对于神经网络来说，GAs所处理的每个个体是单独一个网络，所涉
及的参数即网络结点之间的连接权值均为实数，而标准遗传算法所处理
的参数是采用二进制编码的整数。虽然可以采用二进制编码再转化为实
数，但这样引入了量化误差，使参数变化为步进，如目标函数值在最优
点附近变化较快的情况下，则可能错过最优点。因此，网络的权值应采
用实数表示。然而，神经网络的结构参数一般是整数型的，也就是说，
ANN的参数有连续型的，也有离散型的，ANN的学习问题是一非线性
混合优化问题，从这一点讲，用一般的优化方法也是不行的，GAs可以
方便地表示逻辑值和实数值，且GAs并未规定一定要用数来表示，GAs
也可以应用于不好量化的对象，这使GAs在ANN的学习及人工智能的
其他领域得到了广泛的应用。
3.2 面向神经网络权值学习的遗传算法
1) 编码方式：神经网络的权值学习是一个复杂的连续参数优化问题，如果采用二进制编码，会造成编码串过长，且需要再解码为实数，
使权值变化为步进，影响网络学习精度。这里我们采用了实数编码，如
图2所示，神经网络的各个权值按一定的顺序级联为一个长串，串上的每一个位置对应着网络的一个权值。
编码为:(0.4,-0.3,2.1,1.3,0.9,-0.6,4.5,-0.1,0.7)
图2 神经网络权值学习问题的编码方式
2) 评价函数f：将染色体上表示的各权值分配到给定的网络结构中，
网络以训练集样本为输入输出，运行后返回误差平方和的倒数作为染色
体的评价函数，如式1所示。
(1)
3) 初始化过程：初始染色体集中，网络的各权值是以概率分布e-|γ|
来随机确定的，这点有别于BP算法。在BP算法中，初始权值一般取-1.0～
1.0之间均匀分布的随机数。遗传算法的这种随机分布的取法是通过以往
的大量实验得出的，可以发现，当网络收敛后，权值的绝对值一般都较
小，但也有一些权值是较大的。采用以上初始化方法的原因是使遗传算
法能够搜索所有可行解的范围。
4) 遗传算子：对于不同的应用问题，遗传算子的形式多种多样，这
里采用了权值交叉和权值变异算子，如图3所示。
图3 交叉和变异算子的运算
相似度-遗传神经网络在储层物性预测中的应用
第３６卷第３期
２０１２年６月 测井技术 ＷＥＬＬ Ｌ０ＧＧＩＮＧ ＴＥＣＨＮＯＬ０ＧＹ Ｖｏ１．３６ Ｎｏ．３ Ｊｕｎ ２０１２
文章编号：１００４—１３３８（２０１２）０３—０２６７—０５
０ 相似度一遗传神经网络在储层物性预测中的应用
董兴朋
（中国地震局地震研究所，湖北武汉４３００７１）
摘要：传统的测井解释需要建立精确的数学模型，并常伴有严格的条件限制，因此很难得到真实反映储层特性的 结果。采用遗传算法与ＢＰ神经网络相结合，利用遗传算法的全局寻优特点，优化神经网络的连接权值和阀值，提 高网络的训练精度和预测精度，避免了ＢＰ算法易陷入局部极小的缺点，提高运算速度。将相似度的概念引入到测 井中，定义相似度在测井中的计算公式，提出相似度与遗传神经网络相结合的方法。实例研究表明，预测准确性较 高，可以有效控制预测精度，避免因储层差别大而造成的预测精度降低的现象。
关键词：地球物理测井；遗传算法；相似度；神经网络；储层物性；预测 中图分类号：Ｐ６３１ 文献标识码：Ａ
Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｓｉｍｉｌａｒｉｔｙ－Ｇｅｎｅｔｉｃ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｔｏ Ｒｅｓｅｒｖｏｉｒ Ｐａｒａｍｅｔｅｒｓ Ｐｒｅｄｉｃｔｉｏｎ
ＤＯＮＧ Ｘｉｎｇｐｅｎｇ （Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｓｅｉｓｍｏｌｏｇｙ，Ｃｈｉｎａ Ｅａｒｔｈｑｕａｋｅ Ａｄｍｉｎｉｓｔｒａｔｉｏｎ，Ｗｕｈａｎ，Ｈｕｂｅｉ ４３００７１，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｄｕｅ ｔｏ ｔｈｅ ａｎｉｓｏｔｒｏｐｙ ｏｆ ｒｅｓｅｒｖｏｉｒ，ｕｓｉｎｇ ｔｈｅ ｌｉｎｅａｒ ｍｅｔｈｏｄ ｉｔ ｉｓ ｄｉｆｆｉｃｕｌｔ ｔｏ ｇｅｔ ａｃｔｕａｌ
ｒｅｓｅｒｖｏｉｒ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ．Ｏｎ ｔｈｅ ｂａｓｉｓ ｏｆ ａ ｃｏｍｂｉｎｅ ｏｆ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ａｎｄ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，
遗传算法与神经网络相结合的热带气旋强度预报方法试验
第２９卷第４期 ２００７年７月 海 洋 学 报 ＡＣＴＡ ０ＣＥＡＮ０ＬｏＧＩＣＡ ＳＩＮＩＣＡ ＶｏＩ．２９。Ｎｏ．４ Ｊｕｌｙ ２００７
遗传算法与神经网络相结合的热带气旋 强度预报方法试验
姚 才 ，金 龙 ，黄明策 ，黄小燕。 （１．广西气象减灾研究所，广西南宁５３００２２；２．广西气象台，广西南宁５３００２２；３．广西南宁市气象局，广西南宁 ５３００２２） 摘要：以１９６０￣２００１年共４１ ａ的７月和８月西行进入南海海域的热带气旋样本为基础，采用遗传 算法与神经网络相结合的方法，进行了热带气旋强度预报模型的预报建模研究．并根据相同的热带 气旋个例，将这种遗传一神经网络热带气旋强度预报模型与气候持续法热带气旋强度预报方法进行 对比分析，试验预报结果表明，遗传一神经网络方法具有更好的预报能力． 关键词：遗传算法；神经网络；热带气旋；强度预报 中图分类号：Ｐ７３２．３ 文献标识码：Ａ 文章编号：０２５３—４１９３（２００７）０４—００１１－０９
１ 引言 热带气旋的强度和路径变化既与其自身的特征 有关，也与环境场天气系统、下垫面状况、上下层气 流以及不同尺度运动相互作用相联系，具有复杂而 显著的非线性变化特征，一直是热带气旋研究和业 务预报的重点和难点问题．近年来，随着数值天气预 报模式的发展和卫星资料的应用，热带气旋强度和 路径的研究取得了很多的成果Ｄ－ｓ］，一些动力模式 和统计一动力相结合的预报方法在移动路径业务预 报中也获得一定的成功和改进 ］．相对而言，强度变 化的预报比简单的ＰＣ法改进不大”．目前，国内外 多种热带气旋强度客观业务预报方法仍然是以统计 预报为基础的．Ｅｌｓｂｅｒｒｙ等 ｊ，Ｍａｒｋ和Ｊｏｈｎ 用统 计方法建立了热带气旋中心最大风速的回归方程． 薛秋芳等［９３利用欧洲中心２．５×２．５网格点资料计 算台风中心及其周围的物理量，并用这些物理量的 均值作为因子建立了一组客观定量的台风强度变化 的回归方程，并在中央台投入业务应用，２４ ｈ的平 均预报误差为５．３ ｍ／ｓ．冯利华ＥｌＯ］利用模型叠加法 进行了登陆台风强度的预报试验．上海台风所也于 ２００４年将所建立的统计释用和气候持续法方程投 入业务使用，平均预报误差分别是６．８ ｍ／ｓ和５．４ ｍ／ｓ．可见气候持续法具有较高的预报精度，但它的 预报误差仍大于同年中央气象台业务预报４．２ ｍ／ｓ 的平均误差，不过前者为客观预报结果． 然而，由于目前的热带气旋强度客观预报方法， 大多是以线性回归方法为主，因此，针对热带气旋显 著的非线性变化特征，进行热带气旋强度的非线性 客观预报方法研究，对热带气旋研究和客观业务预 报具有重要的意义．本文尝试采用遗传算法，同时优 化神经网络模型的连接权和网络结构的方法，通过 构造低维的神经网络模型学习矩阵，进行一种新的 热带气旋强度预报方法试验． ２遗传算法和神经网络方法主要原理 ２．１神经网络方法简介 人工神经网络是２０世纪８０年代以来迅速兴起 的非线性科学，它涉及生物、计算机、数学和物理等 学科，有着十分广阔的应用前景＿ｌ ．该方法有很强 收稿日期：２００６－０５—０７；修订日期：２００７—０５—１２． 基金项目：广西科学研究与技术开发计划项目（桂攻关０３２２０２２—４）；国家科技部社会公益性研究专项（２００４ＤＩＢ３Ｊ１２２）． 作者简介：姚才（１９６３一），男，广东省雷州市人，高级工程师，从事海洋和气象灾害研究．Ｅ—ｍａｉｌ；ｇｘｙａｏｃａｉ＠１２６．ｃｏｒｎ
人工神经网络与遗传算法在高炉焦比预报中的应用
第２８卷第２期
２００６年５月 河北理工学院学报
Ｊｏｕｒｎａｌ ｏｆ Ｈｅｂｅｉ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ Ｖｏ１．２８ Ｎｏ．２
Ｍａｙ．２００６
文章编号：１００７—２８２９（２００６）０２－００２３－０５
人工神经网络与遗传算法
在高炉焦比预报中的应用
韩宏亮，阎小林
（河北理工大学冶金与能源学院，河北唐山０６３００９）
关键词：神经网络；遗传算法；焦比；预报
摘 要：建立了遗传算法与ＢＰ神经网络相结合的高炉焦比预报模型。该模型用于预报在不 同操作条件下适宜的焦比，寻求高炉诸多操作参数与焦比之间的映射关系，为高炉操作者提供
调整炉况的依据。实际应用表明，该模型具有较好的命中率。 ● 中图分类号：ＴＦ ３２５．’６１ 文献标识码：Ａ
０ 引言
焦比是高炉生产过程中最重要的技术经济指标之一，又是高炉生产效率和能量消耗的集中体现，还是影
响高炉顺行和稳定的重要因素，也是实际生产中需要预测并进行控制的目标之一。在实际生产过程中，焦比
的预测主要是依靠现场操作人员的经验和一些数学或经验的模型来实现。但是影响焦比的因素很多，如：风 温、风量、炉顶煤气温度、矿石品位等，加之高炉反应的复杂性，以及炉况对焦比的影响，采用传统的经验方法
对焦比进行预测存在较大的误差，而且影响焦比的因素不但涉及高炉的各个方面，它们之间的关系也不是单 纯的线性关系，这就造成了基于经验或者数学模型预测的不确定性。其内在规律难以掌握，所以通常达不到
预期的效果。近年来，有人采用ＢＰ神经网络模型对高炉焦比预报进行了研究，并取得了一定的成果。但是 ＢＰ神经网络自身也存在着网络训练落人局部极小点和收敛速度慢等缺点，因此该方法会造成网络的拟合精 度和预报精度不理想。本文利用遗传算法的强寻优能力，结合ＢＰ神经网络的自学习以及非线性逼近能力
建立了遗传算法与ＢＰ神经网络相结合的高炉焦比预报模型，并对高炉焦比进行了固定式和修正式预报，有
人工神经网络结合遗传算法对FWRP张力制度的优化
玻璃钢
/复合材料
FRP/CM
20071
No1
4收稿日期
:20062
102
26
基金项目
:国家自然科学基金(
50475034)
作者简介
:谢怀勤(
19392)
,男
,教授
,博士生导师
,主要从事聚合物基复合材料的研究。人工神经网络结合遗传算法对张力制度的优化
谢怀勤1
,王海龙2
,李叶斌1
(
11哈尔滨工业大学材料科学与工程学院
,哈尔滨
150001;21哈尔滨玻璃钢研究院
,哈尔滨
150036)
摘要
:由于纤维缠绕聚合物基复合材料(
FWRP)与结构同时形成
,因此缠绕成型工艺过程控制(如纤维缠绕张力)对
FWRP制品结构抗力具有重大影响。人工神经网络具有超强非线性映射能力
,可在特定条件下将缠绕张力与缠绕结构抗力两
者由相关关系转化为确定性关系(函数关系)。本文分别以碳纤维和玻璃纤维缠绕聚合物基复合材料制成
NOL环试件。在实
验基础上采用人工神经网络结合遗传算法对纤维缠绕张力进行优化
,取代传统的“试凑法”
,优化结果与实验吻合。
关键词
:纤维缠绕
;聚合物基复合材料
;缠绕工艺
;纤维缠绕张力
;优化
中图分类号
:TQ340;TB332 文献标识码
:A 文章编号
:1003-0999(
2007)
04-0003-04
1 前 言
纤维缠绕成型是聚合物基复合材料的重要成型
工艺
,可制造各种导弹发动机壳体及压力容器
,具有
比强度比模量高(碳纤维复合材料比强度为钢的
8
倍
,比模量为
31
6倍)
,可实现等强度设计
,抗腐蚀等
优异性能。
FWRP材料与结构(压力容器)同时形
成
,因此成型工艺过程控制(如纤维缠绕张力制度
,
固化制度等)对制品性能影响重大
,为
FWRP独具
特点。纤维缠绕张力对
FWRP制品结构抗力具有
重要影响
,两者为非确定性关系
,是相关关系。工艺
参数缠绕张力传统采用“试凑法”探索实验
,耗时长
也未必达到优化目的。人工神经网络法具有超强非
线性映射能力
,无需任何先验公式就可通过学习
(或者训练)
,自动总结出数据间的函数关系
,亦即
可在特定条件下将函数(变量)之间的相关关系转
基于神经网络和遗传算法的火炮结构动力学优化
基于神经网络和遗传算法的火炮结构动力学优化
梁传建;杨国来;王晓锋
【摘 要】为研究炮口扰动优化问题,提出采用非线性有限元、试验设计、神经网络和遗传算法相结合的方法进行火炮结构动力学优化.建立了某大口径火炮上装部分非线性有限元动力学模型,结合试验设计进行了火炮结构动力学分析.以试验数据为训练样本,建立了基于贝叶斯正则化算法的反向传播(BP)神经网络来模拟火炮总体结构参数与炮口扰动之间的非线性映射关系.构造了炮口扰动优化目标函数,利用遗传算法对目标函数进行求解,实现了火炮总体结构参数的动力学优化.研究表明所建立的火炮总体结构参数与炮口扰动之间的非线性映射关系具有很高的可信度,运用该方法进行火炮结构动力学优化行之有效.
【期刊名称】《兵工学报》
【年(卷),期】2015(036)005
【总页数】6页(P789-794)
【关键词】兵器科学与技术;非线性有限元;试验设计;神经网络;结构动力学优化
【作 者】梁传建;杨国来;王晓锋
【作者单位】南京理工大学机械工程学院,江苏南京210094;南京理工大学机械工程学院,江苏南京210094;南京理工大学机械工程学院,江苏南京210094
【正文语种】中 文
【中图分类】TJ302 射击精度是考核火炮性能的主要技术指标，而炮口扰动对射击精度具有重要的影响。研究表明，炮口扰动与后坐质量偏心、炮口制退器质量、制退机布置、部件间的间隙等火炮总体结构参数是紧密相关的［1-4］。为了减小炮口扰动，科研人员做了大量的工作。贾长治等［5］建立了火炮多体系统动力学模型，对影响炮口扰动的参数进行了灵敏度分析，并结合序列二次规划算法与虚拟样机对火炮进行了动力学优化，优化后火炮的动态特性得到了显著的改善；文献［4，6］则结合多体动力学及遗传算法对火炮总体参数进行了动力学优化，优化后炮口扰动明显减小。崔凯波等［7］利用多体系统动力学计算炮口扰动，通过均匀试验设计和神经网络建立炮口扰动和结构参数之间的非线性映射关系，建立了优化目标函数，但未开展优化研究。上述文献均是以多体动力学理论为基础，这主要是考虑到多体动力学模型所需计算时间短，具有较高的计算效率。但火炮多体动力学模型由于难以充分考虑各部件的柔性效应，制约了计算精度和优化水平的提高，需要开展进一步的改进研究。
应用混合神经网络和遗传算法的期权价格预测模型
Ｖｏ１．２３．Ｎｏ．１ 管 理 工 程 学 报 Ｊｏｕｒｎａｌ ｏｆ Ｉｎｄｕｓｔｒｉａｌ Ｅｎｓｉｎｅｅｆｉｎｇ／Ｅｎ￣ｎｅｅｆｉｎｇ Ｍａｎａｇｅｍｅｎｔ ２００９年第１期
应用混合神经网络和遗传 算法的期权价格预测模型
张鸿彦 ，林 辉
（１．东南大学系统工程研究所，江苏南京２１００９６；２．南京大学商学院，江苏南京２１００９３）
摘要：隐含波动率是指在市场中观察的期权价格所蕴涵的波动率。提出了一种加权的隐舍波动率作为混合神
经网络的输入变量，建立了混合神经网络和遗传算法相结合的期权价格预测模型，通过遗传算法来优化神经网络
的结构和获得隐舍波动率的权重。在对香港金融衍生品市场的实证中表明，本文模型在预测结果上要优于传统的
Ｂｌａｃｋ．Ｓｃｈｏｌｅｓ模型。 关键词：期权定价；混合神经网络；遗传算法；Ｂｌａｃｋ．Ｓｃｈｏｌｅｓ模型
中图分类号：１７８３０．９ 文献标识码：Ａ 文章编号：１００４．６０６２（２００９）０１．００５９．０５
０ 引言
期权的定价模型分为参数化模型和非参数化模型。其
中Ｂｌａｃｋ．Ｓｃｈｏｌｅｓ模型（以下简称Ｂ．Ｓ模型）是欧式期权定价模
型中最广为人知的参数化模型。但是研究表明实际市场往
往并不符合Ｂ．Ｓ模型所需要的假设条件，例如市场真实标的 股价价格的运动是分形而不是几何布朗运动…。Ａｋｇｉｒａｙ
认为Ｂ．ｓ模型所要求的波动率为恒定的假设在实际的金融
市场上并不成立。因此学者们对于Ｂ．Ｓ模型进行了种种改 进 。 。这些参数化模型减轻或消除了Ｂ．ｓ模型中的原有不
符合真实市场的假设条件，但是正如文献［８～ｌ２］所做实证
表示，由于有着一些不真实，与真实市场不协调矛盾的隐含
参数，所以它们的定价结果往往并不是很理想。
为了避免这些参数化模型的不足，神经网络模型在期权 定价模型中得到了广泛的关注和研究 。Ｈｕｃｈｉｓｏｎ口 最
早将神经网络模型引入到欧式期权的定价模型中，作者使用
基于遗传算法的BP神经网络在企业资信评估中的应用
第２４卷第８期 ２００７年８月 计算机应用研究 Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｆ Ｃｏｍｐｕｔｅｒｓ Ｖｏ１．２４ Ｎｏ．８ Ａｕｇ．２００７
基于遗传算法的ＢＰ神经网络
在企业资信评估中的应用
孟凡超，张洪伟，徐剑
（四川大学计算机学院，成都６１００６５）
摘要：提出了一种新的企业资信评估方法。通过把神经网络和遗传算法有机地结合起来，既克服了传统ＢＰ
网络训练时间长、易陷入局部极值的缺点，又利用遗传算法提高了网络全局收敛的效率。该模型采用ｃ＃．ＮＥＴ＋ ＳＱＬ ｓｅｒｖｅｒ ２０００实现。实验结果表明，基于遗传算法的ＢＰ神经网络系统对企业资信评估有着良好的性能。
关键词：遗传算法；反向传播神经网络；资信等级评估
中图分类号：ＴＰ３１１．５ 文献标志码：Ａ 文章编号：１００１—３６９５（２００７）０８—０３０１—０３
Ａｐｐｌｉｃａｔｉｏｎ ｉｎ ｃｒｅｄｉｔｒａｔｉｎｇ ｅｖａｌｕａｔｉｏｎ ｂａｓｅｄ ｏｎ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ
ＭＥＮＧ Ｆａｎ—ｃｈａｏ，ＺＨＡＮＧ Ｈｏｎｇ—ｗｅｉ，ＸＵ Ｊｉａｎ
（Ｃｏｌｌｅｇｅ ｏｆＣｏｍｐｅｅｒ Ｓｃｉｅｎｃｅ，Ｓｉｃｈｕａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｔｔ ６１００６５，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ｐａｐｅｒ ｐｒｅｓｅｎｔｅｄ ａ ｎｅｗ ｃｒｅｄｉｔ ｒａｔｉｎｇ ｅｖａｌｕａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂｙ ｃｏｍｂｉｎｉｎｇ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ａｎｄ ｂａｃｋ ｐｒｏｐａｇａｔｉｏｎ （ＢＰ）ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，Ｉｔ ｎｏｔ ｏｎｌｙ ｃｏｎｑｕｅｒｅｄ ｔｈｅ ｄｅｍｅｒｉｔｓ ｓｕｃｈ ａｓ ｌｏｎｇ ｔｉｍｅ ｎｅｔ—ｔｒａｉｎｉｎｇ ａｎｄ ｅａｓｉｌｙ ｒｕｎｎｉｎｇ ｉｎｔｏ ｌｏｃａｌ ｏｐｔｉｍｕｍ ｉｎ ｔｒａｄｉｔｉｏｎａｌ ＢＰ ｎｅｔｗｏｒｋ，ｂｕｔ ａｌｓｏ ｉｍｐｒｏｖｅｄ ｔｈｅ ｃｏｎｖｅｒｇｅｎｔ ｅｆｆｉｃｉｅｎｃｙ ｏｆ ｎｅｔｗｏｒｋ ｂｙ ｕｓｉｎｇ ＧＡ．Ｔｈｅ ｍｏｄｅｌ ｗａｓ ｉｍｐｌｅｍｅｎｔｅｄ ｗｉｔｈ Ｃ＃，ＮＥＴ ａｎｄ ＳＱＬ ｓｅｒｖｅｒ ２０００．Ｔｈｅ ｒａｔｉｏｎａｌｉｔｙ ｏｆ ｅｘｐｅｒｉｍｅｎｔ ｒｅｓｕｌｔｓ ｉｎｄｉｃａｔｅ ｔｈａｔ ＢＰ—ｂａｓｅｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｃａｎ ｅｖａｌｕａｔｅ ｃｏｒｐｏｒａｔｉｏｎｓ ａｃｃｕｒａｔｅｌｙ ａｎｄ ｅｆｆｉｃｉｅｎｄｙ ｂｙ ｃｒｅｄｉｔ ｒａｔｉｎｇ． Ｋｅｙ ｗｏｒｄｓ：ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ（ＧＡ）；ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｃｒｅｄｉｔ ｒａｔｉｎｇ ｅｖａｌｕａｔｉｏｎ
神经网络与遗传算法结合的球团竖炉燃烧优化
第４２卷第１期 ２０１２年１月 东南大学学报（自然科学版）
ＪＯＵＲＮＡＬ ＯＦ ＳＯＵＴＨＥＡＳＴ ＵＮＩＶＥＲＳＩＴＹ（Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｅｄｉｔｉｏｎ） Ｖ０ｌ＿４２ ＮＯ．１ Ｊａｎ．２０１２
ｄｏｉ：１０．３９６９￣．ｉｓｓｎ．１００１—０５０５．２０１２．０１．０１７
神经网络与遗传算法结合的球团竖炉燃烧优化
黄 山 蒋 鹭 王天才 刘 飞 钟文琪 金保异 张 智 冯上进
（ 东南大学能源与环境学院，南京２１００９６） （ 南京南钢产业发展有限公司，南京２１００３５）
摘要：对神经网络与遗传算法结合的球团竖炉燃烧优化方法进行了研究．首先构建了以矿料成 分及含水率、相关操作参数以及燃烧室和炉膛温度等１６个参数作为输入量，球团竖炉煤气吨耗
和ＮＯ 污染物排放浓度作为输出量的人工神经网络模型．采用７００组现场运行数据作为样本对
神经网络进行训练，训练后的模型具有良好的泛化能力和预测精度，煤气吨耗预测误差低于３％ 且ＮＯ 排放浓度的相对误差在５％以内．此外，结合所建模型，采用实数编码的遗传算法，对球团
竖炉燃烧进行优化计算，在寻优过程中对煤气吨耗及ＮＯ 排放这２个优化分量采用线性加权和 的方法转化为单一数值的目标函数．通过选择不同的权重比例得出不同侧重条件下的优化目标 函数，并给出该优化函数下寻优所得的操作参量优化控制方案．由所选优化方案数值解可以看出
在煤气吨耗上升１．７％的情况下，ＮＯ 的排放浓度下降了２０．３７％．
关键词：竖炉；神经网络；能耗；ＮＯ 污染物排放；遗传算法 中图分类号：ＴＫ１６ 文献标志码：Ａ 文章编号：１００１—０５０５（２０１２）０１－００８８４）６
Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｃｏｍｂｕｓｔｉｏｎ ｆｏｒ ｐｅｌｌｅｔ ｓｈａｆｔ ｆｕｒｎａｃｅ
ｂａｓｅｄ ｏｎ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ
基于改进遗传算法的双向BP神经网络控制
过程控制 化工自动化及仪表，２０１０，３７（１０）：１８～２１ Ｃｏｎｔｒｏｌ ａｎｄ Ｉｎｓｔｒｕｍｅｎｔｓ ｉｎ Ｃｈｅｍｉｃａｌ Ｉｎｄｕｓｔｒｙ
基于改进遗传算法的双向ＢＰ神经网络控制
邵克勇，李飞，蒋北艳，李文成，张鸿雁，高 阳
（东北石油大学电气信息工程学院，黑龙江大庆１６３３１８）
摘要：针对因果系统提出一种双向神经网络，在相邻两层神经元之间建立反向连接，以直接把被控系统先 前时刻的状态变量引入到网络中；设计了一种自适应调整遗传算法交叉率和变异率的规则；结合遗传算法和神经 网络的优点，给出了一种基于遗传算法的双向神经网络控制方案，该方案兼有遗传算法的强全局搜索能力和神经 网络的鲁棒性和自学习能力。仿真结果表明，该算法能使种群基因保持多样性，有效抑制了算法的早熟收敛；基 于该算法的控制系统调整时间短、准确度高，具有良好的抗干扰能力，能满足实时性和稳定性要求。 关键词： 双向神经网络；遗传算法；自适应控制；智能控制 中图分类号：ＴＰ２７３ 文献标识码：Ａ 文章编号：１０００－３９３２（２０１０）１０－００１８－０４
１ 引 言 人工神经网络是在对人脑组织结构和运行机制
的认识理解基础之上模拟其结构和智能行为的一种 信息处理系统。它具有很强的非线性映射逼近能 力、并行信息处理能力和鲁棒性、容错性。由于这些 优点，使其在数据挖掘、工业控制领域中得到了日益
广泛的应用，尤其在复杂的非线性对象建模和控制 方面，神经网络具有更大的优越性 。 。神经网络的 训练算法有很多，比如广泛应用于多层前向神经网 络的ＢＰ学习算法，它属于梯度下降法，但具有一些 缺陷，如易陷入局部极小值、训练速度慢、误差函数 必须可导、受网络结构的限制等。针对这些缺点，仇 俊杰给出了神经网络与模糊控制相结合的一种算 法，徐海烽采用了小波神经网络进行控制 。 。这
些算法均在一定程度上弥补了性能缺陷。 遗传算法是一种模拟生物进化规律的寻优方 法，它是在高维可行解空间随机产生多个起始点并 同时开始搜索，由适应度函数来指导搜索方向，而且 优化求解过程与梯度信息无关，不要求目标函数连
基于神经网络和遗传算法的薄壳件注塑成型工艺参数优化
昂
２００７ＮＯ １＼２ ｌ０ １ ５０ ）
基于神经网络和遗传算法的薄壳件
注塑成型工艺参数优化术
蒋文胜庞祖高夏薇廖小平
广西大学机械工程学院广西南宁５３０００４
摘要：建立了基于神经网络和遗传算法并结合正交试验的薄壳件注塑成型工艺参数优化系统。正交试 验法用来设计神经网络的训练样本，人工神经网络有效的创建了翘曲预测模型；遗传算法完成了对影响 薄壳塑件翘曲变形的工艺参数（模具温度、注射温度、注射压力、保压时间、保压压力和冷却时间等）的优 化，并计算出了它们的优化值。按该参数进行试验，效果良好，可以有效地减小薄壳塑件翘曲变形，其试验
数值与计算数值基本相符，说明所提出的方法是可行的。 关键词：塑料注射成型正交试验法人工神经网络遗传算法
塑料材料因其具有质量轻、强度高、耐化学腐蚀性
好、电绝缘性能优异和易于成型加工等特点，在国民经 济各工业领域得到广泛的应用，塑料产品己经成为人
们日常生活和生产活动中不可缺少的重要组成部分。
研究表明，由于注塑成型过程的复杂性，注塑制品的生 产要受到多种因素（如塑料材料、制品结构、成型工艺、
模具设计制造、注塑机性能等）的影响，所以对其进行 全面的系统优化设计是十分复杂的工作。本文根据神
经网络的高度非线性映射能力和遗传算法的全局寻优 能力，对影响薄壳件塑料制品质量过程的工艺参数进
行了基于神经网络和遗传算法的优化设计。用量化指
标替代传统的定性分析，在一定程度上减少了对设计
者经验的依赖，对于精密复杂的塑料薄壳件生产具有
很好的指导作用。
１神经嘲络建模
１．１确定设计方案 在本文中，以手机盖板作为研究对象。产品材料为
作者简介：蒋文胜，１９６８年出生，男，广西大学机械工程学院硕士 研究生。研究方向：材料加工模具。 基金项目：广西区自然基金项目（基金号：０５７５０１２） ＡＢＳ，产品外形尺寸为７０ｘ４０ｘ３．０ ｍｍ，其壁厚为
０．８ｍｍ，如图１所示。
一３