基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的汽車油耗計(jì)算模型.pdf

1、隨著公路運(yùn)輸行業(yè)競爭的日趨激烈和能源日益緊缺，行業(yè)的管理者們開始關(guān)注車輛的油耗問題，對車輛精準(zhǔn)油耗監(jiān)控系統(tǒng)的需求日益強(qiáng)烈。國內(nèi)外關(guān)于車輛油耗監(jiān)控的研究也有很多，但是實(shí)際應(yīng)用中仍以體積法為主。在基于體積法設(shè)計(jì)的油耗監(jiān)控系統(tǒng)中，加油量的計(jì)算是難點(diǎn)之一。通過觀察車輛實(shí)際運(yùn)營中的監(jiān)控?cái)?shù)據(jù)，明確了以挖掘?qū)嶋H加油量與監(jiān)控?cái)?shù)據(jù)之間的非線性關(guān)系為計(jì)算模型的設(shè)計(jì)目標(biāo)。
　　BP神經(jīng)網(wǎng)絡(luò)在非線性函數(shù)逼近方面能力突出，也是近年來的研究熱點(diǎn)。但是標(biāo)準(zhǔn)BP

2、神經(jīng)網(wǎng)絡(luò)存在易陷入局部最優(yōu)、搜索速度慢等缺點(diǎn)，很多研究學(xué)者也提出了多種優(yōu)化方案，如遺傳算法優(yōu)化方案、粒子群優(yōu)化方案等。作者選用的是遺傳算法優(yōu)化方案，利用遺傳算法優(yōu)化 BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值。在設(shè)計(jì)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型時(shí)，作者了解到遺傳算法本身也存在一定缺陷。Srinivas提出的自適應(yīng)遺傳算法后雖然解決了固定交叉率和變異率的問題，但是仍存在種群前期進(jìn)化較慢、種群個(gè)體多樣性差等問題。
　　通過對 Srinivas的自適

3、應(yīng)遺傳算法的學(xué)習(xí)與分析，為了改進(jìn)其缺點(diǎn)，進(jìn)一步完善算法，本文提出了一種改進(jìn)的自適應(yīng)遺傳算法。算法主要做了三個(gè)方面的改進(jìn)：第一、在調(diào)整控制遺傳操作的自適應(yīng)參數(shù)時(shí)不僅考慮個(gè)體和種群的適應(yīng)度值情況，也將種群進(jìn)化所處階段作為重要參數(shù)之一以調(diào)整自適應(yīng)變量。在種群進(jìn)化初期，以較大的自適應(yīng)參數(shù)迅速提高種群適應(yīng)度水平，繼而逐步減小自適應(yīng)參數(shù)以保護(hù)優(yōu)秀個(gè)體不受損壞。第二、改善了自適應(yīng)交叉率和變異率的計(jì)算方法，一定程度上提高了種群的個(gè)體多樣性。第三、在變異

4、操作中增加了自適應(yīng)變異點(diǎn)個(gè)數(shù)，根據(jù)個(gè)體的適應(yīng)度值、種群整體適應(yīng)度以及種群進(jìn)化所處階段，調(diào)整將進(jìn)行變異的點(diǎn)個(gè)數(shù)。
　　最后，本文通過實(shí)驗(yàn)數(shù)據(jù)分析，驗(yàn)證了改進(jìn)的自適應(yīng)遺傳算法在性能方面明顯優(yōu)于 Srinivas的自適應(yīng)遺傳算法以及標(biāo)準(zhǔn)遺傳算法。實(shí)驗(yàn)中對比了標(biāo)準(zhǔn) BP模型、GA-BP模型、AGA-BP模型以及IAGA-BP模型的計(jì)算精度，進(jìn)一步說明本文提出的改進(jìn)方案大幅降低了 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程中陷入局部最優(yōu)值的概率，充分發(fā)揮了BP神