《MASTER改进型遗传算法在木材干燥过程建模中的应用研究.doc》由会员分享，可在线阅读，更多相关《MASTER改进型遗传算法在木材干燥过程建模中的应用研究.doc（66页珍藏版）》请在金锄头文库上搜索。
1、MASTER改进型遗传算法在木材干燥过程建模中的应用研究 东北林业大学硕七学位论文下，很难判定最优解的数量及其在可行解空间中的分布状况。因此我们往往希望在问题解空间均匀采样，随机生成一定数目的个体，然后从中挑选较好的个体构成初始种群。对于带约束域的问题，还需要判定随机初始化位串所对应的参数点是否在可行区域范围之内，所以一般必须借助于问题领域知识。终止循环的条件关于迭代过程如何终止，般采用设定最大代数的方法。该方法简单易行但不准确。其次，可根据群体的收敛程度来判断，通过计算种群中的基因多样性测度，即所有基因位的相似程度来控制。第三，根据算法的离散性能和在线性能的变化进行判定。最后，在采用精英保留
2、选择策略的情况下，按每代最佳个体的适应值的变化情况确定。控制参数及选择在遗传算法的运行过程中，存在着对其性能产生重大影响的一组参数。这组参数在初始阶段或群体进化过程中需要合理的选择和控制】，使以最佳的搜索轨迹达到最优解。主要参数包括染色体位串长度，群体规模，交叉概率见以及变异概率。（）位串长度己：位串长度三的选择取决于特定问题解的精度。要求的精度越高，位串越长，但需要更多的计算时间。（）群体规模：大群体含有较好模式，为遗传算法提供了足够的模式采样容量，可以改进搜索的质量，防止早熟收敛。但大群体会增加个体适应性评价的计算量，从而使收敛速度降低。一般情况下取（）交叉概率：交叉概率控制着交叉算子的应
3、用频率，在每一代新的群体中，需要对见个个体的染色体结构进行交叉操作。交叉概率越高，群体中新结构的引入越快，但已获得的优良基因结构的丢失速度也相应升高。（）变异概率：变异操作是保持群体多样性的有效手段。变异概率太小，可能使某些基因位过早丢失的信息无法恢复；而变异概率过高，则遗传搜索将变成随机搜索。遗传算法的流程在遗传算法（）的应用过程中，人们往往结合问题的特征对进行各种改变，形成了各种各样的具体的，使具有求解不同类型优化问题的能力，但的基本流程是一致的。标准的算法流程为【】：迭代开始初始化：（）缸。（口：（），。（）适应度评价：（）扩。（：（），。（）（循环）选择：），见）交叉：”），见）变异：
4、”）柳”）新一代群体：）”），净遗传算法适应性评价：）扩，她厂：），（口。）结束（）该算法的流程框图如下所示：开始确定实际问题参数集对参数集进行编码初始化种群（）计算每个个体的适应值群体（）群体（）影午厂主、选择操作交叉操作变异操作图一遗传算法流程图遗传算法以其独特的性能，被广泛用在多个领域。在应用的过程中，我们可以看出，遗传算法具有很强的全局搜索能力，但是其局部搜索能力却明显不足，存在易陷入局部最优解和选择压力过大造成的早熟收敛等问题。为了解决这一问题，人们采取了一些改进措施。遗传算法的改进方法到目前为止，多数的网络采用函数作为节点传递函数，产生局部极小点的主要原因在于函数的特性：当节点的输
5、入值较大时，其输出值的变化幅度很小，此时若用梯度下降算法训练网络，则梯度趋近于，不能再对网络参数进行修正，训练过程就停滞在局部极小值。因此，当训练误差较大而梯度曼，时，可判定遇到局部极小点【矧，如式（）所示：肛引叫东北林业大学硕：学位论文式中，训练误差：训练误差限；梯度。而跳出局部极小值的解必须满足下式：鼢擘一（）黝异式中，吃硎一改进遗传算法的训练误差；吃一采用梯度下降法时的训练误差；蹦一采用改进遗传算法时的梯度；锹一应用梯度下降法时的梯度。即应用改进遗传算法的目标是减，练误差的同时增大梯度。为了充分发挥遗传算法在优化神经网络的过程中克服陷入局部极小值方面的优势，有人考虑对遗传算法中的两个重要
6、环节进行了分析和修改【】：对评价函数的分析和修改遗传算法中，对可行解进行量化评价的依据是该解对优化目标所呈现出的贡献。在神经网络的训练问题中通常根据可行解所对应的训练误差对其进行评价：（）赢（）式中，一可行解；（）一评价函数。然而根据式（），克服局部极小点不仅要减，练误差，同时也要增大梯度，因此只考虑训练误差一个方面是不合适的，可将评价函数修改为：厂（）：面（万）吻合的，就有利于跳出局部极小点。对变异模型的分析及改进（）即可行解对应的训练误差越小，梯度越大，对它的评价就越高，这与式（）是变异操作是遗传算法中比较关键的环节，通常用随机量对可行解中随机选取的变异参数进行修正。随机性是遗传算法的重要
7、特征，在用遗传算法克服局部极小点时，随机处理有利于增大梯度。然而在神经网络的训练过程中，太多随机处理却不利于减，练误差。根据式（），如果能在遗传算法中加入减小训练误差的措施，则更有利于跳出局部极小点。变异操作直接对可行解进行修正，将误差函数对变异参数的灵敏度引入变异模型就可以实现这一目标。新的变异模型为：遗传算法嵋啊一剐（啡川（）口（）其中，为变异参数；屈券为误差函数对变异参数的灵敏度；口为变异因子，通常为常数；一岛（形）懈）（形）口为变异量，其中一岛为符号项，它是为了确保变异量和灵敏度屈的符号相反，这对减小训练误差是必须的；（她（）一层）决定了变异量的相对大小，若误差函数对变异参数的灵敏度较
8、高，则此项较小，变异量就相对较小，反之变异量较大；星（形）限定了变异量的绝对大小，若对应的训练误差较大，说明此解距跳出局部极小点的目标还较远，变异量较大。总上所述的项指标，即实现了训练误差减小的目标。虽然这种算法在一定程度上解决了遗传算法存在的一些问题，但是其需要不断的判定是否遇到局部极小点，并在遗传算法和基于梯度下降算法间不断转换，在使用中相当的不便。基于此，本文提出一种基于云模型的改进遗传算法来优化神经网络模型。云模型在知识的表达中具有不确定中带有确定性、稳定之中又有变化的特点，体现了自然界物种进化的基本原理。基于云模型的优化算法，就是利用云模型的优良特性，结合遗传算法的思想，得到的一种自
9、适应、高精度、快速随机搜索方法。已证明【】，该算法不但精度高，而且能很好的避免遗传算法易陷入局部最优解和选择压力过大造成的早熟收敛等问题。本章小结本章主要就遗传算法的基本知识进行了介绍，充分认识了遗传算法的思想，对遗传算法中的要素进行了分析，并得到该算法实现的基本流程。在应用的过程中认识到了它所存在的不足，针对这个问题提供了一些改进方法。东北林业大学硕一：学位论文基于云模型的改进型遗传算法优化建模客观现实世界是一个多参数、非线性、时变的不稳定系统，系统中的事物、概念、实体、现象等基本都同时具备多种不确定性（钱学森，）。不确定性主要表现在两个方面：随机性和模糊性。随机性是有明确的定义但不一定出现
10、的事件中包含的不确性，一般用时间发生的概率来度量（，）；模糊性是已经出现但难以精确定义的事件中包含的不确定性，一般由模糊数学的模糊隶属度来衡量（，）。作为处理模糊性问题的主要工具，模糊数学理论提出了隶属度的概念来刻画模糊事物的不确定性。然而隶属函数一旦确定、“硬化”成精确数值表达后，在概念定义、不确定性推理等过程中，就不再有模糊性，模糊概念就被纳入到精确数学中，这正是模糊数学的“不彻底性。针对这一问题，李德毅院士（）在传统模糊数学理论和概率统计的基础上提出了定性定量不确定性转换模型云模型。其主要内容包括云模型、云发生器、虚拟云、云变换和云的不确定性推理等。并在年成功的应用其控制单电机控制的一、
11、二、三级倒立摆的平衡。杨朝晖、李德毅（）成功的将云模型由一维扩展维，给出了二维云发生器的模型，分析了其二维云模型数字特征，给出了实现算法，并应用于预测当中【。王树良、李德仁、李德毅（）将云模型应用于空间数据挖掘和知识发现，并成功地应用于长江三峡宝塔滑坡监测数据的分析中，取得了重大成果。云模型是用自然语言值表示的定性概念与其定量数据表示之间的不确定性转换模型，主要反映客观世界中事物或人类知识中概念的模糊性和随机性，并把二者集成在一起，构成定性和定量相互间的映射（李德毅，杜鹚，）。目前，云模型已广泛地应用于知识发现、空间数据挖掘、智能控制等理论中，相信云模型作为知识表示和定性定量转换的有力工具，将
12、会有广阔的应用前景。云模型及其算法实现云的基本定义设是一个论域，是与相联系的语言值。中的元素对于所表达的定性概念的隶属度）是一个具有稳定倾向的随机数，隶属度在论域上的分布称为隶属云，简称为云。）在，】中取值，云是从论域到区间【，的映射，即）：专，上魄，专）由于社会和自然科学中的大量模糊概念，其期望曲线均近似服从正态或半正态分布，因而正态云是表征语言原子最重要、最有利的工具，如青年、工资高等语言原子用云都可以很好的描述，而云的数字特征则反映了定性知识的定量特性。云的集合形状对理解定性与定量间转换的不确定性有很好的帮助。对于一个模糊集合而言，重要的是云的形状所反映出的整体特性以及使用时隶属度百度搜
13、索“就爱阅读”,专业资料、生活学习,尽在就爱阅读网,您的在线图书馆! 东北林业大学硕士学位论文改进型遗传算法在木材干燥过程建模中的应用研究姓名：袁文爽申请学位级别：硕士专业：农业电气化与自动化指导教师：朱莉201006摘要摘要全球森林资源不断减少带来的环保和生态问题与人们对木材日益增长的需求构成了一对难以调和的矛盾。因此，如何有效利用有限的木材资源显得至关重要。降低木材资源消耗及提高木制品质量引起了人们的广泛关注。尤其像我国这样一个少林国家，如何更好地改善木材性能并提高其利用率已成为木材科学工作者研究的重点。木材干燥是改善木材物理性能、减少木材降等损失、提高木材利用率的重要技术措施，也是保证木
14、制品质量的关键之一。干燥基准模型是描述温、湿度与木材含水率之间关系的模型，此模型的建立将会实现干燥基准的数学模型化及干燥过程含水率预测，为优化干燥基准提供了有力的依据。因木材是一种多孔性渗水和吸湿的物质，且水分存在于其中的形式又是多种多样，所以木材干燥过程是复杂非线性的，使得建立理想的、符合实际的干燥模型变得很困难。本文是基于神经网络理论和改进型遗传算法建立木材干燥模型。首先，采用神经网络建立木材干燥基准模型。设计了神经网络的结构并选取了适当的训练算法，通过实验数据进行模型的训练与验证，仿真结果表明所建立的模型有效，但该模型还存在着一些缺陷，如训练速度慢、全局搜索能力弱、网络的收敛性受初始值选
15、择的影响较大等。其次，采用改进型遗传算法优化已建立的神经网络木材干燥基准模型。云模型是李德毅院士提出的一种定性定量转换模型，它在知识表达中具有不确定中带有确定性、稳定之中又有变化的特点，体现出了自然界物种进化的基本原理。基于云模型的改进型遗传算法就是利用云模型的优良特性，结合遗传算法的基本原理，得到的一种自适应、高精度、快速随机搜索的方法。该算法能很好的避免遗传算法易陷入局部最优解和早熟收敛等问题，并为解决网络存在的缺陷提供了一种新方法。本文对用改进型遗传算法优化后的模型也进行仿真研究，结果表明，该模型解决了网络中不同初始值训练出的网络存在较大差异的问题，并且较网络模型具有更好的收敛速度和误差精度，进而证明了基于云模型的改
