為降低傳統(tǒng)仿真優(yōu)化方法所需的仿真次數(shù),從而縮短仿真優(yōu)化時間,提出了基于廣義回歸神經(jīng)網(wǎng)絡(luò)(generalized regression neural network,GRNN)的仿真優(yōu)化算法設(shè)計。首先,利用仿真生成一定數(shù)量的樣本集,利用GRNN進(jìn)行訓(xùn)練,得到初始回歸曲面,并在該曲面上利用模式搜索算法找出全部可能的局部極小,由于可能會找到一些假局部極小點——噪聲點,設(shè)計了剔除噪聲點的方法,得到全部局部極小;在各局部極小點周圍增補少量仿真樣本,再次利用GRNN進(jìn)行訓(xùn)練,得到新的回歸曲面。重復(fù)增補樣本,直到得到仿真優(yōu)化的最優(yōu)解。實例表明,所提方法能夠有效降低所需樣本的數(shù)量,實現(xiàn)仿真優(yōu)化問題的求解。

【文章頁數(shù)】：12 頁

【部分圖文】：

圖5.10建筑能耗預(yù)測知識路徑圖

西安建筑科技大學(xué)博士學(xué)位論文97種新穎的自動模型校準(zhǔn)方法，來對基于數(shù)學(xué)模型的能耗預(yù)測進(jìn)行自動校準(zhǔn)。圖5.10建筑能耗預(yù)測知識路徑圖（3）建筑節(jié)能優(yōu)化研究圖5.11展示了建筑節(jié)能優(yōu)化主題的知識路徑文獻(xiàn)。建筑節(jié)能優(yōu)化是通過對建筑設(shè)計參數(shù)指標(biāo)及相應(yīng)費用的優(yōu)化來使建筑節(jié)能達(dá)到盡可能完善、....

圖5.11建筑節(jié)能優(yōu)化知識路徑圖

西安建筑科技大學(xué)博士學(xué)位論文97種新穎的自動模型校準(zhǔn)方法，來對基于數(shù)學(xué)模型的能耗預(yù)測進(jìn)行自動校準(zhǔn)。圖5.10建筑能耗預(yù)測知識路徑圖（3）建筑節(jié)能優(yōu)化研究圖5.11展示了建筑節(jié)能優(yōu)化主題的知識路徑文獻(xiàn)。建筑節(jié)能優(yōu)化是通過對建筑設(shè)計參數(shù)指標(biāo)及相應(yīng)費用的優(yōu)化來使建筑節(jié)能達(dá)到盡可能完善、....

圖5.1三目標(biāo)優(yōu)化設(shè)計流程圖

中國石油大學(xué)（北京）博士學(xué)位論文-99-5.1葉輪多目標(biāo)優(yōu)化設(shè)計從第3.3節(jié)分析可知，離心式葉輪的整體結(jié)構(gòu)可加工性受到葉片進(jìn)口安放角、葉片包角以及葉輪軸面輪廓形狀影響。而在葉輪的三維反問題設(shè)計過程中，這些參數(shù)取決于給定的軸面輪廓形狀和葉片載荷分布參數(shù)值。并且，從第4章研究可知，葉....

圖4　基于改進(jìn)遺傳算法的BP神經(jīng)網(wǎng)絡(luò)自

2001-3.7745-9.8506圖3　隱含層與輸出層連接權(quán)值矩陣　　根據(jù)上述網(wǎng)絡(luò)參數(shù)設(shè)置網(wǎng)絡(luò)得到的網(wǎng)絡(luò)仿真如圖4,與傳統(tǒng)設(shè)計的BP網(wǎng)絡(luò)仿真結(jié)果圖5相比較.基于改進(jìn)遺傳算法的BP神經(jīng)網(wǎng)絡(luò)自適應(yīng)優(yōu)化設(shè)計的網(wǎng)絡(luò)性能明顯克服傳統(tǒng)BP設(shè)計網(wǎng)絡(luò)局部最問題.訓(xùn)練樣本的實際輸出和測試樣....

本文編號：4044123