遺傳算法優化神經網絡的案例
模擬退火、遺傳算法和神經網絡之比較
模擬退火和遺傳算法屬于優化領域的，神經元網絡屬于近似模型的國外叫做metamodel（模型的模型），是完全不同的東西，只所以兩者經常出現是因為在優化問題里神經元網絡扮演著重要角色．一般的有數學表達式的優化問題是最簡單的了這中問題是不會出現神經元網絡的，在工程實際優化過程中，目標函數和優化設計變量之間是隱函數的關系而且可能高度的非線形，并且這種問題一次的計算機仿真時間可能就很長，如果用遺傳算法或者模擬退火的話直接優化是相當的消耗時間的，所以很多人引入近似模型的概念，神經元網絡是屬于其中一種，而且可以近似逼近高度非線性的問題．還有就是遺傳算法用到神經元網絡訓練方面，不知道大家對神經元網絡了解多少，其實神經元網絡沒有那么玄，是有數學基礎的，有一種網絡叫誤差反饋網絡，這種網絡在訓練過程中是用剃度法不斷調整權值直到達到滿足誤差才算收斂剃度法有個問題就是求解得到的是局部最優．所以就有人在網絡訓練中引入了遺傳算法來訓練網絡權值．綜上可以看到遺傳算法和神經元網絡的關系是如此的緊密．
展開 神經網絡-遺傳算法(BP-GA)在數學建模中的應用 ￥1
神經網絡-遺傳算法(BP-GA)在數學建模中的應用
225 基于matlab的天牛須優化算法及其對BP神經網絡的優化 ￥12.2
基于matlab的天牛須優化算法及其對BP神經網絡的優化，優化后的閥值權值賦予網絡預測。最后輸出BP和BAS-BP訓練和預測結果。程序已調通，可直接運行。
常用參數自動標定算法總結（單純形，遺傳算法，貝葉斯優化算法，粒子群算法等）
在本推文中介紹四類常用參數自動標定方案，分別是單純形方案，粒子群方案，遺傳算法方案，以及貝葉斯優化ego方案。
單純形方案實現最簡單，適用于少參數，更窄的初始區間
粒子群方案，遺傳算法方案適用于多參數更大的空間適合全局搜索
ego方案相比于其余三類方案的優勢體現為
EGO使用代理模型（如高斯過程回歸）來預測目標函數，極大減少了實際函數評估次數。
EGO在每一步都智能選擇下一個最值得評估的位置（如使用EI, Expected Improvement）。
這種探索與利用的動態平衡比GA中盲目變異與交叉更具理論指導。
由于EGO最大化信息利用率，在樣本數量極少的情況下表現優于GA。
當樣本數量少，且有約束優化時適合使用ego方法。例如在評估晶體塑性模型參數時
不過這些優化算法經常容易陷入局部最優，即優化算法在搜索過程中被某個“看起來很好”的解吸引，不斷圍繞它進行微小改進，最終卡在“局部低谷”而不是“全局最低點”。
一個更合理的做法是：使用粒子群和遺傳算法在全局進行初始搜索，使用ego回歸分析進行特定區間的優化，最后使用NM方案進行小區間尋找，如果陷入局部最優解，引入全局擾動方案或者爆炸方法跳出局部區間重新搜索即可。
基于該思路編寫對應的程序，實現參數的自動標定過程：
這里實現對vpsc模型的復雜參數自動標定；
這里使用相對復雜的鎂合金為例，考慮3組滑移+一組孿晶，每個系統考慮tau_0,tau_s,h_0,一共12個待標定參數給定參數區間如下
設置最大迭代次數為2000次，初始優化來自粒子群算法，依次是遺傳算法單純形算法和貝葉斯優化算法。
展開 
一本優化方面的不錯的書（有粒子群算法和遺傳算法）
第12章 二次規劃 178
12.1 拉格朗日法 178
12.2 起作用集算法 180
12.3 路徑跟蹤法 184
12.4 MATLAB優化工具箱函數應用實例 187
12.5 小結 190
第3篇 優化計算高級篇 191
第13章 粒子群優化算法 192
13.1粒子群算法概述 192
13.2 基本粒子群算法 193
13.3 帶壓縮因子的粒子群算法 197
13.4 權重改進的粒子群算法 200
13.4.1線性遞減權重法 200
13.4.2自適應權重法 203
13.4.3隨機權重法 206
13.5學習因子改進的粒子群算法 208
13.5.1同步變化的學習因子 209
13.5.2異步變化的學習因子 211
13.6 二階粒子群算法 213
13.7 二階振蕩粒子群算法 216
13.8 混沌粒子群算法 218
13.9 混合粒子群算法 222
13.9.1基于選擇的粒子群算法 222
13.9.2基于交叉遺傳的粒子群算法 224
13.9.3基于模擬退火的粒子群算法 227
13.10 小結 230
第14章 遺傳優化算法 231
14.1遺傳算法概述 231
14.2基本遺傳算法 232
14.3順序選擇遺傳算法 235
14.4適值函數標定的遺傳算法 238
14.5大變異遺傳算法 242
14.6自適應遺傳算法
展開 MATLAB遺傳算法優化主函數
該程序為標準遺傳算法優化主函數，染色體為整數編碼，供初學者學習。
clear;
clc;
data=xlsread('data.xlsx');
maxgen=400;
sizepop=60;
pcross=0.7;
pmutation=0.2;
lenchrom=5;
bound=[1 2;1 5;1 3;1 3;1 4];
individuals=struct('fitness',zeros(1,sizepop),'chrom',[]);
for i=1:sizepop
individuals.chrom(i,:)=ceil(rand(5,1).
展開 比GPU快15倍，CPU算法訓練深度神經網絡“超車”成功
原創 青蘋果、LZM 數據實戰派 美國萊斯大學計算機系助理教授 Anshumali Shrivastava 深度神經網絡（deep neural networks，DNN）是人工智能的有力工具，在某些任務上的表現甚至已經超越人類專家的水平。對這類網絡的訓練，可以看作是一系列矩陣運算操作，特別適合交給 GPU 運算，它們運算效率遠高于 CPU，但是成本僅僅是 CPU 的 3 倍。 但是現在，情況已有所不同。 近日，來自美國萊斯大學（Rice University）的計算機科學家們證實，一種基于 CPU 的深度神經網絡訓練算法的訓練速度遠超過 GPU 算法，最高速度比后者快 15 倍。 論文名為 Accelerating SLIDE Deep Learning on Modern CPUs: Vectorization, Quantizations, Memory Optimizations, and More 。該工作的突出貢獻在于，提供了在現代 CPU 上實現深度學習的隨機算法的幾個新視角。 正如作者之一、萊斯大學助理教授 Anshumali Shrivastava 所說：“當前，訓練成本問題是人工智能的現實瓶頸。一些公司每周花費上百萬美元用于訓練和微調神經網絡…… 整個工業界都把目光集中于一類改進 —— 加速矩陣操作。大家都在尋找專用硬件和架構加速矩陣運算，甚至開始探討堆疊專用硬件來適應某一個深度學習模型。 但是，如果我們把目光稍稍移開，將注意力放回到算法上，可以一切都會不同。” SLIDE 算法 早在 2019 年，Shrivastava 的實驗室團隊就開始了算法層面加速深度學習訓練的努力，他們將深度神經網絡的訓練問題轉化為搜索問題，使用哈希表解決。
展開 200基于matlab的利用神經網絡算法訓練圖片 ￥15.9
基于matlab的利用神經網絡算法訓練圖片，并利用GUI界面讀取圖片，最后將識別出的圖片數值返回到GUI界面上。0-10數字數據庫已有，可自行添加其他數據庫進行訓練和識別。程序已調通，可直接運行。
預應力鋼結構遺傳算法優化研究
如題
21GA-ELM，遺傳算法優化ELM預測，并和優化前后以及真實數值進行對比，確定結果 ￥18.8
GA-ELM，遺傳算法優化ELM預測，并和優化前后以及真實數值進行對比，確定結果，基于MATLAB平臺，程序已經調通，可以直接運行，需要直接拍下。
21GA-ELM，遺傳算法優化ELM預測，并和優化前后以及真實數值進行對比，確定結果。 ￥15.9
GA-ELM，遺傳算法優化ELM預測，并和優化前后以及真實數值進行對比，確定結果。基于MATLAB平臺，程序已經調通，可以直接運行。
限時 | 《循環神經網絡(RNN)算法與MATLAB程序詳解視頻》
課程介紹
《循環神經網絡(RNN)算法與MATLAB程序詳解視頻》
《循環神經網絡(RNN)與MATLAB程序詳解視頻》共7章81節視頻，總學時726分鐘，合12.1小時。
主要內容包括：視頻課程內容介紹及慎拍不拍說明與參考文獻，循環神經網絡(RNN)算法基本概念、理論及實例步驟，原始流行程序RNN.m詳解及可加可改問題，改進自適應學習率RAdam與新優RNN程序詳解，新優RNN程序可改建議及不同學習率對比與通用模板，股票預測問題用RNN求解與RNN函數關系式寫法，RNN算法對意大利葡萄酒特征數據進行識別分類及圖像識別分類。全部提供MATLAB代碼程序和PPT課件。提供輔導答疑。
展開 神經網絡中 BP 算法的原理與 Python 實現源碼解析
神經網絡由三部分組成，分別是最左邊的輸入層，隱藏層（實際應用中遠遠不止一層）和最右邊的輸出層。
基于AMESim的純電動汽車熱管理系統的優化設計 附AMESim優化過程基礎操作及DOE&遺傳算法G
4．3爬坡工況下熱管理系統的優化
在上文研究的基礎上，選擇具有一定坡度的路況進行仿真．在NEDC循環工況下，環境溫度為40℃，道路坡度在3%～4%，部分路段達到5%左右，考察電動汽車的動力性能和冷卻效果．在外界環境溫度為40℃條件下，冷卻水全部經過散熱器散熱．在此工況下，散熱器進出口的冷卻水溫度如圖13所示。
從上圖可以看出，在高溫環境下，車輛在爬坡道路時，散熱器的最大溫差約為5℃左右．散熱器進口溫度低于65℃，能滿足熱管理的要求．電池包內部的平均溫度變化如圖14所示．由圖14可知，在外界環境為40℃時，車輛運行NEDC工況并有爬坡道路時，電池包內部的平均溫度約升高10℃，最高溫度接近50℃．此時對電池的性能有較大的影響，長時間運行在高溫狀態下，會對鋰離子電池的壽命產生嚴重影響，并存在安全隱患．這說明高溫爬坡工況下，風冷系統已不太適合電池包的熱管理，不能很好地冷卻電池包，應該采用水冷方式或者其他冷卻方式來設計電池包的熱管理系統。
5總結
本文基于AMESim軟件，建立了完整的純電動汽車的熱管理系統模型，并通過整車實驗采集溫度數據對仿真結果進行驗證，結果證實實驗結果與仿真結果基本一致，表明該仿真模型對于整車的仿真和冷卻系統的熱量管理具有較高的精度．其次，在此模型的基礎上，分別對水冷系統、高溫環境下熱管理系統及爬坡工況下熱管理系統進行了優化設計．與此同時，本文對熱管理系統的控制策略也進行了優化，使得熱管理系統能適應不同的運行工況和環境溫度．本文基于AMSim軟件對純電動汽車的熱管理系統進行優化設計的方法為研究和開發純電動汽車的熱管理系統提供了思路和參考。
下載地址：AMESim優化過程基礎操作及DOE&遺傳算法GA應用
展開 多目標優化之非支配排序遺傳算法（NSGA-II） ￥39.99
遺傳算法GA ( Genetic Algorithms)是受生物學進化學說和遺傳學理論的啟發而發展起來的，是一類模擬自然生物進化過程與機制求解問題的自組織與自適應的人工智能技術，是一種借鑒生物界自然選擇和自然遺傳機制的隨機的搜索算法，由Holland教授于1975年提出。
經過十幾年的努力，遺傳算法不論是在應用研究上，算法設計上，還是在基礎理論上，均取得了長足的發展，己經成為信息科學、計算機科學、運籌學和應用科學等諸多學科所共同關注的熱點研究領域。
遺傳算法雖然在過去的20年中得到了廣泛的應用，但研究人員己經意識到，遺傳算法采用簡單的、固定不變的進化策略對復雜應用場合的效果并不理想，傳統的遺傳算法逐漸暴露出一些缺點。所以，為了提高遺傳算法的性能，使其更好地應用于實際問題的解決中，研究者們開始對基本遺傳算法進行改進，通過不同的遺傳基因表達方式，不同的交叉和變異算子的選擇，特殊算子的引用，以及不同的再生和選擇方法，產生了以基本遺傳算法為核心的各種算法。遺傳算法的這些擴展和改進給一般問題特別是工業工程中的難以求解的優化問題帶來了新的希望和方向。
由于多目標優化問題在科學和工程實踐中普遍存在，但又缺少確實有效的解決方法，研究人員把目光投向了具有多方向和全局搜索特點的遺傳算法。遺傳算法的這一基本特點可以確保帶有潛在解的種群能夠一代一代地維持下來，這種從種群到種群的方法對于搜索Pareto解非常有益，因此，利用遺傳算法解決多目標優化問題極具研究意義。于是，遺傳算法應用于單目標問題之后的20多年以后，多目標遺傳算法逐漸成為研究熱點。
展開 