基于遺傳算法優(yōu)化的BP神經網絡的汽車油耗計算模型.pdf

1、隨著公路運輸行業(yè)競爭的日趨激烈和能源日益緊缺，行業(yè)的管理者們開始關注車輛的油耗問題，對車輛精準油耗監(jiān)控系統(tǒng)的需求日益強烈。國內外關于車輛油耗監(jiān)控的研究也有很多，但是實際應用中仍以體積法為主。在基于體積法設計的油耗監(jiān)控系統(tǒng)中，加油量的計算是難點之一。通過觀察車輛實際運營中的監(jiān)控數據，明確了以挖掘實際加油量與監(jiān)控數據之間的非線性關系為計算模型的設計目標。
　　BP神經網絡在非線性函數逼近方面能力突出，也是近年來的研究熱點。但是標準BP

2、神經網絡存在易陷入局部最優(yōu)、搜索速度慢等缺點，很多研究學者也提出了多種優(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神經網絡初始權值和閾值。在設計遺傳算法優(yōu)化的BP神經網絡模型時，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化較慢、種群個體多樣性差等問題。
　　通過對 Srinivas的自適

3、應遺傳算法的學習與分析，為了改進其缺點，進一步完善算法，本文提出了一種改進的自適應遺傳算法。算法主要做了三個方面的改進：第一、在調整控制遺傳操作的自適應參數時不僅考慮個體和種群的適應度值情況，也將種群進化所處階段作為重要參數之一以調整自適應變量。在種群進化初期，以較大的自適應參數迅速提高種群適應度水平，繼而逐步減小自適應參數以保護優(yōu)秀個體不受損壞。第二、改善了自適應交叉率和變異率的計算方法，一定程度上提高了種群的個體多樣性。第三、在變異

4、操作中增加了自適應變異點個數，根據個體的適應度值、種群整體適應度以及種群進化所處階段，調整將進行變異的點個數。
　　最后，本文通過實驗數據分析，驗證了改進的自適應遺傳算法在性能方面明顯優(yōu)于 Srinivas的自適應遺傳算法以及標準遺傳算法。實驗中對比了標準 BP模型、GA-BP模型、AGA-BP模型以及IAGA-BP模型的計算精度，進一步說明本文提出的改進方案大幅降低了 BP神經網絡學習過程中陷入局部最優(yōu)值的概率，充分發(fā)揮了BP神