论文部分内容阅读
优化自古以来就是倍受人们关注的问题,尤其是在科技高速发展的今天。在工程技术应用过程中,人们经常要研究多于一个的数值目标函数在给定约束条件下的最优化问题,即为多目标优化问题。由于多个目标之间是相互约束,相互排斥的,使得各目标不能同时达到各自的最优值。遗传算法是根据生物进化理论而得出的优化方法,由于多目标寻优问题的复杂性,越来越多的研究学者将具有全局性概率优化搜索能力的遗传算法运用到这一领域中,已取得了一定的成果。带精英策略的非支配排序遗传算法(NSGA-II)可以得到分布均匀的非劣最优解,在多目标优化领域表现出很强的优势。本文对算法的基本原理进行了研究,将NSGA-II算法应用于以下两个方面:(1)针对BP网络训练时,会遇到陷入局部极小点、收敛速度慢等问题,提出将BP训练看成多目标寻优过程,以网络输出节点的误差最小作为并行搜索的多个目标,运用NSGA-II算法对BP网络的初始权值和阈值进行优化,再进行BP神经网络的训练。通过一个单输入双输出非线性系统的逼近问题,验证了NSGA-II算法与BP网络结合的可行性,仿真结果显示NSGA-II&BP算法的训练过程,能克服单独BP网络训练时的缺陷,且所需训练次数大大减少。(2)将多目标寻优算法NSGA-II运用到支持向量机(SVM)的参数选取中,利用SVM的三个参数(宽度系数σ,不敏感系数ε,惩罚系数C )作为决策变量,以SVM在实际应用中的寻优对象为目标,使用NSGA-II算法进行寻优迭代,通过有目标约束的参数优化过程,得到SVM的最优参数集,克服了SVM参数选取的随机性和经验性。将NSGA-II&SVM算法应用于SVM对青霉素发酵过程建模中,仿真结果表明,该方法能够获得SVM的有效参数,使得建立的青霉素发酵过程模型具有较好的预测效果。