針對模糊神經(jīng)網(wǎng)絡(luò)算法處理高維耦合港口物流功能評價模型時出現(xiàn)不能較好地識別和利用信息、應(yīng)用新知識的能力與學(xué)習(xí)新知識的能力不平衡等多重問題,研發(fā)出改良模糊神經(jīng)網(wǎng)絡(luò)算法。這種方法利用了改進(jìn)的自適應(yīng)交叉和變異算子,且將其應(yīng)用于模擬退火機制對傳統(tǒng)遺傳算法進(jìn)行改進(jìn),利用改進(jìn)過的新算法所發(fā)出的屬值進(jìn)行自動調(diào)整,仿真驗證所使用的軟件是Matlab2016b,使高維耦合港口物流功能評價過程中泛化能力與學(xué)習(xí)能力失衡等問題得到有效解決,并在諸多方面具有顯著優(yōu)勢,例如較強的穩(wěn)定性和干擾抵抗能力,以及高效的搜索能力等。論文將研究對象確定為國內(nèi)東北地區(qū)的某綜合性港口,在研究過程中用于開發(fā)驗證環(huán)境的平臺是Eclipse,選擇的分析方法是實證法,通過最終獲得的結(jié)果可知,文中建立的模型能夠?qū)Ω劭谖锪鞴δ苓M(jìn)行全面評價,在評價適應(yīng)性、模型擬合度、并行搜索效率等方面具有明顯優(yōu)勢。 

【文章來源】：計算機與數(shù)字工程. 2020,48(02)

【文章頁數(shù)】：7 頁

【部分圖文】：

基于模糊神經(jīng)網(wǎng)絡(luò)的港口物流功能評價模型示意圖

根據(jù)式（7）和（8）可知，M取值一般都是按照實際情況來將種群規(guī)模大小選定下來，g代表遺傳代數(shù)，T代表的則是選定的模擬退火溫度，T0則代表選定的模擬退火機制初始溫度，利用引入模擬退火機制的方式，能夠真正確保自適應(yīng)拉伸環(huán)境適應(yīng)度得到明顯升高，此舉能夠確保算法后期種群進(jìn)化能力減弱問題不再出現(xiàn)。3.3 優(yōu)化模型仿真驗證

為了能夠?qū)σ胱赃m應(yīng)交叉算子、變異算子等的實際工作效果進(jìn)行驗證，分析利用改進(jìn)過的遺傳算法控制模糊神經(jīng)網(wǎng)絡(luò)算法的信號流和權(quán)值的自適應(yīng)調(diào)整實際效能，大膽做出一個假設(shè)，一般的模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)epochs是1000，訓(xùn)練目標(biāo)goal則是0.01，二者的取值有所不同；改進(jìn)遺傳算法的群體規(guī)模為N=60；如果對變異概率Pc的動態(tài)變化范圍進(jìn)行設(shè)定，這顯然會與變異概率存在差別,在一般情況下，下限為Pc1=0.60，上限則是Pc2=0.90，如果已經(jīng)專門對于變異概率Pm的動態(tài)變化范圍進(jìn)行劃分，則變異概率的下限Pm1=0.01，上限Pm2=0.1，在選擇參數(shù)的過程當(dāng)中，我們會始終將實際問題作為導(dǎo)向，此舉能夠確保在種群進(jìn)化的后期階段，進(jìn)化活力也會得到顯著增強[16]。為了確保最終的結(jié)果具備可參考性，謝菲爾德大學(xué)的Matlab遺傳算法工具箱采用頻率的方式，將初始目標(biāo)函數(shù)設(shè)定完成后，最優(yōu)解也會隨著遺傳代數(shù)和進(jìn)化過程的變化趨勢、引入模擬退火機制等多維度來對算法完成仿真驗證工作，特別是要在Matlab2016b環(huán)境之下來完成圖形化示意仿真處理，具體結(jié)果參見圖3、4、5、6。為了能夠確保初始個體的收集與預(yù)處理的效率得到大幅度提升，在數(shù)據(jù)處理過程當(dāng)中還可以專門加入降噪和歸一化技術(shù)，這能夠讓整個算法更加精準(zhǔn)。圖3、4、5、6可以從定性和定量這兩方面著手，在逐步將自適應(yīng)交叉算子、變異算子等諸多算法引入后，能夠很好地確保種群多樣性得到更好的可持續(xù)發(fā)展，算法的搜索初始值依賴、易陷入局部最優(yōu)等諸多問題均能夠得到妥善解決，算法的抗干擾性也能夠得到大幅度提升，對于模糊神經(jīng)網(wǎng)絡(luò)算法的信號流和權(quán)值來進(jìn)行自適應(yīng)調(diào)整，較好解決了高維耦合港口物流功能精確評價中泛化能力與學(xué)習(xí)能力失衡、收斂速度隨時間呈遲滯變化等問題，實現(xiàn)全局最優(yōu)，具有模型擬合度高、自適應(yīng)性強、魯棒性較好等優(yōu)勢。

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)PSO算法的模糊神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用[J]. 崔麗潔,程換新,宋生建.  工業(yè)儀表與自動化裝置. 2018(05)
[2]基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的離心泵性能預(yù)測模型構(gòu)建[J]. 孔琳.  小型內(nèi)燃機與車輛技術(shù). 2018(04)
[3]基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的路由器流量預(yù)測方法[J]. 任師濤,史志才,吳飛,鐘亞洲,陳珊珊,陳計偉.  傳感器與微系統(tǒng). 2018(08)
[4]基于改進(jìn)PSO算法的路徑軟件測試用例生成方法[J]. 張倩宜,李妍.  計算機測量與控制. 2018(03)
[5]基于改進(jìn)遺傳算法的動態(tài)路徑規(guī)劃研[J]. 董小帥,毛政元.  計算機工程與應(yīng)用. 2018(19)
[6]基于蟻群算法的軟件接口測試用例生成[J]. 勞天,馬由.  計算機工程與設(shè)計. 2018(01)
[7]基于MOSFET外特性參量的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)狀態(tài)評估模型[J]. 王月月,陳民鈾,賴偉,陳一高,羅丹.  電工技術(shù)學(xué)報. 2018(18)
[8]基于改進(jìn)型模糊神經(jīng)網(wǎng)絡(luò)的設(shè)計方案評價方法[J]. 施亞洲,李文強,李彥.  組合機床與自動化加工技術(shù). 2017(11)
[9]基于多目標(biāo)屬性決策和信息熵值法的港口集裝箱裝卸設(shè)備選型評價[J]. 鄭斯斯,王愛虎.  運籌與管理. 2017(10)
[10]基于云模型的港口企業(yè)綠色物流評價模型及實證研究[J]. 鈕爾軒,孟斌,沈思祎.  大連海事大學(xué)學(xué)報. 2017(02)



本文編號：3293460