GRNN和遗传算法在赤潮预报中的应用操作

“肚皮儿敦敦”通过精心收集，向本站投稿了6篇GRNN和遗传算法在赤潮预报中的应用操作，以下是小编精心整理后的GRNN和遗传算法在赤潮预报中的应用操作，供大家参考借鉴，希望可以帮助到有需要的朋友。

篇1：GRNN和遗传算法在赤潮预报中的应用操作

GRNN和遗传算法在赤潮预报中的应用操作

本文探讨了基于神经网络和遗传算法的赤潮预报模型,根据已有的海洋水质监测数据,运用统计学和人工智能的方法对赤潮预报进行了实际尝试.并将预测效果与传统的回归分析以及基于Fisher 判别准则的`判别分析进行了比较.结果证明,这种方法在赤潮预测预报方面有一定的应用价值.

作者：孙蓉桦张微 SUN Rong-Hua ZhANG Wei 作者单位：浙江大学,空间信息技术研究所,杭州,310027 刊名：科技通报 ISTIC PKU英文刊名：BULLETIN OF SCIENCE AND TECHNOLOGY 年，卷(期)： 21(4) 分类号：X4 关键词：赤潮预报回归分析 GRNN Fisher准则遗传算法

篇2：遗传算法在数控技术的应用

摘要：遗传算法(Genetic Algorithm)是一种新型的计算模型，该算法从代表问题可能潜在的解集的一个种群入手，经过遗传算子交叉与变异，产生新的解集的方法。

本文通过针对遗传算法的运用，针对数字控制中存在规划路径单一以及程序时间不能优化的问题，运用遗传算法对复杂零件的最优化问题起到了良好的解决最用。

关键词：遗传算法数控技术优化路径

1前言

数控技术中有一个重要环节就是使运动路径的时间最短，运用遗传算法可以计算最佳的刀具切入角度以及路径方向来达到最短的运动时间。

本文提出了一种基于数控技术的遗传算法，通过实验数据表明，利用这种方法可以实现规划的路径时间的预算。

本算法主要由两个主要部分组成：(1)在保证零件技术精度的基础上优化路径的方向。

(2)在已经确定好机床技术参数以及余量等数值的基础上优化轨迹路线。

2算法分析

在一般的数控编程软件中，因为零件可以作为初始角度的范围可以有360°的选择，所以不同的软件可以生成360种方案。

运用遗传算法后可以改善可见性程序的选择方向，在保证顺利完成零件工艺图纸的前提下，利用初始变量角度的变化，来实现一个新的技术路径的规划。

通过曲线图可以看出，在软件预算中会遇到三角体积间隙的问题，为了使间隙最小化必须要找到一个合适的技术角度，通过这个角度值来达到最小的程序运算时间。

现在利用遗传算法，可以计算每个粗加工路径规划中的刀具的直径以及360°角范围内的路线的时间[2]。

其次，在遗传算法中还需要对变量进行赋值。

以前的数控技术程序在完成路径规划后，会生成一组技术程序，这个程序只是针对当前的技术的一个优化的路径，对于复杂的程序中遇到的多角度的选择上，不会出现多组角度的变化来给操作者进行选择，这种单一的路线对于程序时间的把握并不能达到最佳的规划。

现在利用遗传算法技术，我们在设定变量中可以把初始角度作为规划变量输进去，这样后期利用算法的公式可以产生许多组不用的路径，每一个路径的运算结果可能都不尽相同。

根据算法公式的结果可以看到，作为变量的初始角度X1可以有360个可以选择的方向，那么在遗传算法中，变量X1的取值以0到 360做为一个区间。

第二个输入到算法中的量X2是粗切削刀具的直径。

本遗传算法没有把精加工这个尺寸规划到变量中，虽然精切削的数值一样会影响算法最后的数组。

如果把精切削尺寸的数组算进去，最后得到的结果会是一组复杂的结果，为了简化算法，我们将刀具精切削的尺寸以及相关的技术参数作为一个恒定的数字来进行赋值。

表1是对遗传算法结果进行检测时所设定的不一样的规划变量X2粗切削时刀具直径的'尺寸。

在这表中我们看到了精切削的刀具尺寸同样会以一个固定值得形式出现。

目标函数方程(2.13)中X1，X2相对应的在上述方程中描述的技术角度X1和粗切削刀具直径X2。

确立函数之前，要结合表2.1中各个参数的数值来进行设定，对于运算速度与刀具切削量，下标F和X2分别代表粗切削和精切削刀具。

方程(2.13)中的通过对刀具切削量的应用来达到对刀具使用次数的预算，而刀具使用次数又可以通过切削余量以及刀具直径进行规划。

通过对函数数值进行进一步的优化后可以发现，最优解是指在单位时间上切削量最多的一组数值。

3结语

遗传算法在数控技术中的应用，可以通过以下条件实现：

第一步，建立函数需要的规划变量的取值。

这个取值的集合是根据随机算法产生的，每个取值都可以产生一组路径。

第二步，函数针对第一步的数值进行计算，并且比较不同路径所产生的数值，然后进行筛选，从他们中间产生两组独立的互不影响的数值，这两组数值必须是其中最佳的，用他们当做初始值来进行计算。

这两个数值经过一定的交叉和变形，会产生一个新的数值。

这个数值作为一种新的结果进行储存，以创建第二数据集合使用。

然后重复该过程直到找到最适合的解决方法。

参考文献

[1]张朝辉.结构分析工程应用实例解析[M].北京：机械工业出版社，.22-28.

[2]刘霞.复杂曲面零件的 RE/RP 集成技术研究[D].天津：天津理工大学硕士，.

篇3：遗传算法在试题组卷中的应用

遗传算法在试题组卷中的应用燕山大学研究生部刘彬金涛李阳明卢纪生

摘要：本文运用遗传算法的全局寻优对考试中的自动化组卷进行了研究，并得到了一个解决适合考方要求的试题模型的好的算法。

关键词：遗传算法全局寻优自动化组卷

1 引言

计算机辅助考试系统的自动组卷的效率与质量完全取决于抽题算法的设计。如何设计一个算法从题库中既快又好的抽出一组最佳解或是抽出一组非常接近最佳解的实体，涉及到一个全局寻优和收敛速度快慢的的问题，很多学者对其进行了研究。遗传算法以其自适应寻优及良好的智能搜索技术，受到了广泛的运用。Potts J C等人基于变异和人工选择的遗传算法对最优群体规模进行了论述；Hamilton M A等结合遗传算法把其运用到神经网络中，并取得了良好的效果[4]；也有众多的学者对保留最佳状态的遗传算法的收敛速度做了讨论。通过理论推导和事实运用，发现遗传算法在寻优和收敛性方面都是非常有效的。

本文结合遗传算法的原理和思想，对考试自动出题组卷的问题进行了研究，找到了一种获得与考试试题控制指标符合的试题模型的解决方法。

2 问题描述

自动组卷是考试系统自动化或半自动化操作的核心目标之一,而如何保证生成的试卷能最大程度的满足用户的不同需要,并具有随机性、科学性、合理性,这是实现中的一个难点。尤其在交互式环境下用户对于组卷速度要求较高，而一个理论上较完美的算法可能会以牺牲时间作为代价，往往不能达到预期的效果。因此，选择一个高效、科学、合理的算法是自动组卷的关键。

以往的具有自动组卷功能的考试系统大多采用随机选取法和回溯试探法。随机选取法根据状态空间的控制指标，由计算机随机的抽取一道试题放入试题库，此过程不断重复，直到组卷完毕，或已无法从题库中抽取满足控制指标的试题为止。该方法结构简单，对于单道题的抽取运行速度较快，但是对于整个组卷过程来说组卷成功率低，即使组卷成功，花费时间也令人难以忍受。尤其是当题库中各状态类型平均出题量较低时，组卷往往以失败而告终。

回溯试探法这是将随机选取法产生的每一状态类型纪录下来，当搜索失败时释放上次纪录的状态类型，然后再依据一定的规律（正是这种规律破坏了选取试题的随机性）变换一种新的状态类型进行试探，通过不断的回溯试探直到试卷生成完毕或退回出发点为止，这种有条件的深度优先算法，对于状态类型和出题量都较少的题库系统而言，组卷成功率较好，但是在实际到一个应用时发现这种算法对内存的占用量很大，程序结构相对比较复杂，而且选取试题缺乏随机性，组卷时间长，后两点是用户无法接受的，因此它也不是一种很好的用来自动组卷的算法。

分析上述两种算法的优缺点，不难发现，在限制条件状态空间的控制下，随机选取法有时能够抽取出一组令用户满意的试题。只不过由于它随机选取试题的范围太大，无法确定目前条件下哪些区域能够抽取合适的试题，反而可能在那些已经证明是无法抽取合适试题的区域内反复选题，进行大量的无效操作进入死循环，最终导致组卷失败。回溯试探法组卷成功率高，但它是以牺牲大量的时间为代价的，对于现今越来越流行的考生网上随机即时调题的考试过程来说，它已不符合要求。因此,必须结合以上两种方法寻找一种新的改进算法，这种算法要具有全局寻优和收敛速度快的特点。遗传算法（Genetic Algorithms）以其具有自适应全局寻优和智能搜索技术，并且收敛性好的特性能很好的满足自动考试组卷的要求。

3 遗传算法描述

遗传算法是一种并行的、能够有效优化的算法，以Morgan的基因理论及Eldridge 与Gould间断平衡理论为依据，同时融合了Mayr的边缘物种形成理论和Bertalanffv一般系统理论的一些思想，模拟达尔文的自然界遗传学：继承（基因遗传）、进化（基因突变）优胜劣汰（优的基因大量被遗传复制，劣的基因较少被遗传复制）。其实质就是一种把自然界有机体的优胜劣汰的自然选择、适者生存的进化机制与同一群体中个体与个体间的随机信息交换机制相结合的搜索算法。运用遗传算法求解问题首先需将所要求解的问题表示成二进制编码，然后根据环境进行基本的操作：selection，crossover，mutation……这样进行不断的所谓“生存选择”，最后收敛到一个最适应环境条件的个体上，得到问题的最优解。[6,7]

篇4：遗传算法在试题组卷中的应用

一般来说，用户在自动组卷时会对试卷的质量提出多方面的要求，如总题量、平均难度、题型比例、章节比例、重点章节比例、知识点的交叉与综合等，自动组卷就应最大程度的满足用户的要求。因此，在组卷之前，我们首先为自动组卷过程建立控制指标相应状态空间D，

D=[]

D的每一行由某一试题的`控制指标组成，如题号、题型、章节、难度等，并且这些属性指标都进行编码表示成二进制形式，而每一列是题库中的某一指标的全部取值。在具体出题时，考方可能不会用到所有的指标，所以D包含的个体d_target可以表示为d_request和d_void，d_request表示考方要求的控制指标，d_void表示考方不要求的控制指标。即

d_target：：=：

：：={0，1}m

：：={0，1}n

试题库[STK]中的每一道试题在建库时都输入了相应的属性指标。试题模型的产生形式是：

if then

：：={0，1，#}m

#表示0和1之间的任意一位。

考试自动出题的遗传算法如下：

(1) 根据考方的出题要求，规划状态空间库D中的数据，保留d_request部分，而不要d_void部分，对其剩余部分进行编码D [1]，D[2]，……D[i]。

(2) 初始化试题库[STK]。随机从题库中抽出一组试题，并进行编号STK[1],STK[2]……STK[j],确定合适的交换概率Pc和变异概率Pm；并定义其适应值flexibility[k](k=1,2……j)

flexibility[k]<-0 (k=1,2……j)

(3) 从试题库[STK]中取出STK[m](0≤m≤j)与状态空间库[D]中的指标D[n] (0≤n≤i)进行匹配。如果STK[m]与D[n]完全匹配，则

flexibility[k]<-flexibility[k]+1

如果不匹配，则有

flexibility[k]<-flexibility[k]+0

(4) 进行淘汰选择，保留具有高适应度的试题。即把flexibility[k]为0的STK[m]去掉，这样就生成了一

个新的试题模型STK[h]。

(5) 重复过程2生成新的试题模型STK[p]。按一定的交换概率Pc从[STK]中随机选取模型STK[h]和STK[p]，交换彼此位串中对应的值，产生新的试题模型STK[h]、STK[p]，如

交换前STK[h]=1 1 0 1 0 1 1

STK[p]=0 0 1 1 1 1 0

交换前STK[h]=1 1 1 1 0 1 1

STK[p]=1 1 1 1 1 1 0

(6) 按一定的变异概率从题库[STK]中随机选出一试题模型STK[h]进行基因突变，产生一个新的试题模型。

(7) 在完成以上选择、交叉、变异步骤后，产生一个考试试题模型，按照事先确定的误差精度对其进行收敛性的判别，当其适应度高时，试题组卷成功，转向步骤8，如果其适应度低，则转向步骤3继续执行。

(8) 输出相应的考试试题，组卷结束。

以上用遗传算法抽题时，交换概率Pc和变异概率Pm的确定很重要。Pc

太小使选题工作进展缓慢，太大则会破坏适应值高的试题模型。通常规定其为0.4。同样，Pm太小就不能产生新的试题模型，太大又会产生过多的试题模型。它宜规定为0.1。

在自动选题时，选题的方式可采用父辈挑选和生存选择两种。父辈挑选就是采用不返回随机抽样，它使每个题目都有被选中的可能；生存选择采用允许父辈和子代进行竞争，并让其中的优良者进入下一轮竞争环境的二分之一择优选择。两种选择方式共同作用于选题保证了选题的顺利完成。在选题的过程中，哪一道题目被选中是一个非均匀随机事件，其概率依赖于上一次选题的过程。

5结束语

本文利用遗传算法的全局寻优和收敛速度快的特点，结合随机选取法和回溯试探法的优点，设计了一种用于自动组卷的好的算法，使自动组卷的成功率和速度都得到了明显的提高。要使自动出题的误差精度和收敛速度进一步得到改进，还需要做出更深的研究。

参考文献

[1] J．H．Holland ，Adaptation in natural and artificial systems[M]，Ann arbor: University of Michigen press,1975.

[2] Hamilton M A. Java and the Shift to Net-centric Computing. IEEE Computer, 29(8),.

[3] 袁富宇等，多目标相关分类的算法，浙江大学学报，33(3),

[4] 张师超蒋运承，模糊数据库中近似相等的研究，计算机科学，25(6),.

[5] 余建桥，预测模型获取的遗传算法研究，计算机科学，25(2),1998.

篇5：小生境遗传算法及其在飞行控制系统中的应用

小生境遗传算法及其在飞行控制系统中的应用

针对飞行控制系统控制器参数优化问题,提出了一种基于小生境遗传算法的模型参考优化整定策略,并将此策略应用于某型飞机的横侧向飞行控制系统的参数优化中.仿真结果表明,该优化策略能够有效地整定飞行控制系统的.参数,具有收敛速度快、编程简单的优点.

作者：李广文章卫国李建刘小雄 LI Guang-wen ZHANG Wei-guo LI Jian LIU Xiao-xiong 作者单位：西北工业大学,自动化学院,陕西,西安,710072 刊名：飞行力学 ISTIC PKU英文刊名：FLIGHT DYNAMICS 年，卷(期)： 25(3) 分类号：V249.1 关键词：小生境遗传算法飞行控制系统优化