基于ＢＰ神经网络和遗传算法的并行迭代优化研究

来源：机械与电子杂志2019年第01期北京时间：

作者：?胡海涛

单位：?烟台汽车工程职业学院，山东 烟台 ２６５５００

摘要：?提出了一种将反向传播神经网络（ＢＰＮＮ）与遗传算法（ＧＡ）相结合的迭代优化方法。该方法首先使用较少的学习样本开发和训练ＢＰＮＮ 模型，然后利用 ＧＡ 在可行域内求解训练好的ＢＰＮＮ 模型以寻找 模型的最优解。将基于该最优解进行验证的结果作为新样本添加到训练模式集中对 ＢＰＮＮ 模型重新训练。针对训练模式较少可能导致预测精度不足的问题，在 ＢＰＮＮ 模型的训练中分别采用贝叶斯正则化算法 （ＢＲＡ）和改进的 Ｌｅｖｅｎｂｅｒｇ Ｍａｒｑｕａｒｄｔ算法提高 ＢＰＮＮ 模型的泛化能力和收敛性，并结合精英策略将模拟退火算法（ＳＡＡ）嵌入到 ＧＡ 中，以提高 ＢＰＮＮ 模型的局部搜索能力。将所提出的方法应用于汽车吹塑成型的聚丙烯波纹管的厚度优化。结果表明，在３次迭代后可以得到最优模具间隙，采用最佳模具间隙的波纹 管在９个齿峰处的厚度落入期望的范围内（０．７±０．０５ｍｍ），并且材料的使用量减少了２２％。这种最佳间隙仅通过２３次实验即可获得，远远少于实际模塑过程所需的实验次数。

关键词：反向传播神经网络;遗传算法;并行优化;Ｌｅｖｅｎｂｅｒｇ Ｍａｒｑｕａｒｄｔ算法;模拟退火算法;吹塑成型