论文部分内容阅读
随着公路运输行业竞争的日趋激烈和能源日益紧缺,行业的管理者们开始关注车辆的油耗问题,对车辆精准油耗监控系统的需求日益强烈。国内外关于车辆油耗监控的研究也有很多,但是实际应用中仍以体积法为主。在基于体积法设计的油耗监控系统中,加油量的计算是难点之一。通过观察车辆实际运营中的监控数据,明确了以挖掘实际加油量与监控数据之间的非线性关系为计算模型的设计目标。BP神经网络在非线性函数逼近方面能力突出,也是近年来的研究热点。但是标准BP神经网络存在易陷入局部最优、搜索速度慢等缺点,很多研究学者也提出了多种优化方案,如遗传算法优化方案、粒子群优化方案等。作者选用的是遗传算法优化方案,利用遗传算法优化BP神经网络初始权值和阈值。在设计遗传算法优化的BP神经网络模型时,作者了解到遗传算法本身也存在一定缺陷。Srinivas提出的自适应遗传算法后虽然解决了固定交叉率和变异率的问题,但是仍存在种群前期进化较慢、种群个体多样性差等问题。通过对Srinivas的自适应遗传算法的学习与分析,为了改进其缺点,进一步完善算法,本文提出了一种改进的自适应遗传算法。算法主要做了三个方面的改进:第一、在调整控制遗传操作的自适应参数时不仅考虑个体和种群的适应度值情况,也将种群进化所处阶段作为重要参数之一以调整自适应变量。在种群进化初期,以较大的自适应参数迅速提高种群适应度水平,继而逐步减小自适应参数以保护优秀个体不受损坏。第二、改善了自适应交叉率和变异率的计算方法,一定程度上提高了种群的个体多样性。第三、在变异操作中增加了自适应变异点个数,根据个体的适应度值、种群整体适应度以及种群进化所处阶段,调整将进行变异的点个数。最后,本文通过实验数据分析,验证了改进的自适应遗传算法在性能方面明显优于Srinivas的自适应遗传算法以及标准遗传算法。实验中对比了标准BP模型、GA-BP模型、AGA-BP模型以及IAGA-BP模型的计算精度,进一步说明本文提出的改进方案大幅降低了BP神经网络学习过程中陷入局部最优值的概率,充分发挥了BP神经网络的局部搜索能力、提高了计算精度,模型的泛化能力也有所提升。