bp神经网络优化遗传算法

1、列车运行齿轮箱振动幅列车运行齿轮箱振动幅值值寻优寻优一、问题背景一、问题背景1 1、研究内容：、研究内容：齿轮箱作为轨道运营车辆的重要组成部件齿轮箱作为轨道运营车辆的重要组成部件，但其自身容，但其自身容易产生不平稳振动并可通过转向架传递振动，属于故障易产生不平稳振动并可通过转向架传递振动，属于故障多发件。多发件。同时车辆的振动同时车辆的振动 也会给乘客带来不舒适的感觉。也会给乘客带来不舒适的感觉。2 2. .目标目标l 根据根据BPBP神经网络遗传神经网络遗传算法算法计算计算后找到最优的振动点，即幅值后找到最优的振动点，即幅值最低点最低点l 根据根据其对应的属性（啮合频率和轴向力）确定最优振动

2、点的其对应的属性（啮合频率和轴向力）确定最优振动点的属性属性值值l 进而进而可以控制其属性值使得其运行更可以控制其属性值使得其运行更优优l 对于实质相同背景不同的问题是同样适用的对于实质相同背景不同的问题是同样适用的算法实质：寻优问题算法实质：寻优问题一、问题背景一、问题背景3 3. .数据来源：数据来源：实时实时采集的轨道列车运行数据采集的轨道列车运行数据一、问题背景一、问题背景第一列是轴向力第一列是轴向力第二列为啮合刚度第二列为啮合刚度前两列前两列作为输入作为输入第三列作为输出数据第三列作为输出数据为纵为纵向振动幅向振动幅值值1 1、 算法原理算法原理BP神经网络优化的遗传算法神经网络优化

3、的遗传算法2 2、 算法算法步骤步骤BP神经网络优化的遗传算法神经网络优化的遗传算法a. 运行bp文件，产生结构体net inputps outputpsb. 运行Genetic主程序，产 生最优输入值，输出值， 适应度曲线变化其中使用fun函数找到最优适应度，然后进行选择交叉和变异，并将最优适应度进行存储，调用bp1函数对最优输入进行测试，找到最优输出值。3 3、 算法程序算法程序BP神经网络优化的遗传算法神经网络优化的遗传算法3 3、 算法程序算法程序BP神经网络优化的遗传算法神经网络优化的遗传算法轮盘法随机选择交叉随机选择变异3 3、 算法程序算法程序BP神经网络优化的遗传算法神经网络优

4、化的遗传算法输出最优值4 4、 算法算法工作工作BP神经网络优化的遗传算法神经网络优化的遗传算法原程序改变思路：程序的读取数据只要格式相同就可，可将自己的数据代替原有的程序随机产生的数据4 4、 算法算法工作工作BP神经网络优化的遗传算法神经网络优化的遗传算法思路：报错说程序位数不同，检查各个数据的维数，实验修改后成功，红色为加入转置4 4、 算法算法工作工作BP神经网络优化的遗传算法神经网络优化的遗传算法思路：通过已经训练好的数据网络来测试生成的最好的输入数据4 4、 算法算法工作工作BP神经网络优化的遗传算法神经网络优化的遗传算法思路：原先maxgen值为100，sizepop为20；Bo

5、und为-5,5；-5,5根据实际情况更改尽可能多的选择到4000个个体及尽可能使数值在数据范围内5 5、 算法结果算法结果BPBPBP神经网络优化的遗传算法神经网络优化的遗传算法020406080100-0.4-0.3-0.2-0.100.10.20.3神经网络预测误差errorsum = 2.8403Elapsed time is 12.658025 seconds.02040608010000.20.40.60.811.21.4样本输出BP网络预测输出 预测输出期望输出5 5、 算法结果算法结果BPBPBP神经网络优化的遗传算法神经网络优化的遗传算法5 5、 算法结果算法结果遗传遗传BP

6、神经网络优化的遗传算法神经网络优化的遗传算法0501001500.0150.020.0250.030.0350.04X: 66Y: 0.0168适应度变化曲线进化次数适应度适应度变量： 0.0167 最优输入值：-74.3680 （轴向力） 45.9337（啮合刚度）最优输出值： -0.0993934696767140501001502002503003500.0150.020.0250.030.0350.04X: 177Y: 0.01651适应度变化曲线进化次数适应度适应度变量： 0.0165最优输入值： -88.7460 （轴向力） 45.9915（啮合刚度）最优输出值： -0.12939

7、34696767145 5、 算法结果算法结果遗传遗传BP神经网络优化的遗传算法神经网络优化的遗传算法5 5、 算法结果算法结果遗传遗传BP神经网络优化的遗传算法神经网络优化的遗传算法0204060801001201401606.2596.2596.2596.2596.2596.2596.2596.259适应度变化曲线进化次数适应度5 5、 算法结果算法结果遗传遗传BP神经网络优化的遗传算法神经网络优化的遗传算法将数据变大108后结果6 6、 算法结论与疑问算法结论与疑问BP神经网络优化的遗传算法神经网络优化的遗传算法1.1.并非迭代次数与种群规模越大越好；并非迭代次数与种群规模越大越好；2.2.不限定界线后寻优结果有时会更差；不限定界线后寻优结果有时会更差；3.3.当迭代次数小，种群未全部选中时寻优结果较差；当迭代次数小，种群未全部选中时寻优结果较差；4.4.当输入数据较大时，最优适应度值为横线