遺傳算法與BP神經(jīng)網(wǎng)絡(luò)在汽車工程領(lǐng)域的應(yīng)用

遺傳算法與BP神經(jīng)網(wǎng)絡(luò)在汽車工程領(lǐng)域的應(yīng)用摘要:在汽車工程領(lǐng)域，許多問(wèn)題都是多維，、有條件約束，、高度非線性的，將BP神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合能夠很好的集中兩種智能算法的優(yōu)點(diǎn)，從而解決汽車工程領(lǐng)域的某些問(wèn)題。本文介紹了這種方法在汽車工程領(lǐng)域的應(yīng)用，并對(duì)問(wèn)題進(jìn)行了分類總結(jié)，對(duì)解決此類問(wèn)題有一定的意義。關(guān)鍵詞:遺傳算法 BP神經(jīng)網(wǎng)絡(luò) 汽車工程應(yīng)做第一關(guān)鍵詞 The applications of genetic algorithm and BP neural network in automotive engineeringAbstract: In the field of automotive engineering, some problems in automotive engineering can be solved by means of the combination of the BP neural network and genetic algorithm which includes the advantages of two kinds of intelligent algorithms. The application of this method in automotive engineering is described in this paper. These problems have been classified and summarized. It has certain significance in solving this kind of problemsKey words: genetic algorithm; BP neural network; automotive engineering引言神經(jīng)網(wǎng)絡(luò)理論自20世紀(jì)誕生以來(lái)，已經(jīng)在眾多領(lǐng)域上得到應(yīng)用，通過(guò)已獲取的樣本建立自變量和目標(biāo)的映射關(guān)系能夠很好的解決工程實(shí)際中高度非線性的建模問(wèn)題，實(shí)際工程應(yīng)用中多采用BP神經(jīng)網(wǎng)絡(luò)。遺傳算法（Genetic Algorithms）是根據(jù)適者生存，優(yōu)勝劣汰等自然進(jìn)化規(guī)則來(lái)進(jìn)行搜索計(jì)算和問(wèn)題的求解，對(duì)于一些傳統(tǒng)的復(fù)雜問(wèn)題，特別是優(yōu)化問(wèn)題，遺傳算法提供了一個(gè)有效的新途徑。在汽車工程領(lǐng)域，許多問(wèn)題都是多維，同摘要有條件約束，高度非線性的優(yōu)化問(wèn)題，因此將人工神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合能夠很好的解決汽車工程領(lǐng)域的某些問(wèn)題。1 BP神經(jīng)網(wǎng)絡(luò)與遺傳算法的簡(jiǎn)介1.1BP神經(jīng)網(wǎng)絡(luò)概述BP神經(jīng)網(wǎng)絡(luò)是一種多層的前饋神經(jīng)網(wǎng)絡(luò)，由于其結(jié)構(gòu)簡(jiǎn)單、可調(diào)整的參數(shù)多、訓(xùn)練算法多、可操作性好，獲得了非常廣泛的應(yīng)用。據(jù)統(tǒng)計(jì)，80%至90%的神經(jīng)網(wǎng)絡(luò)模型都是采用BP神經(jīng)網(wǎng)絡(luò)或者是他的變形。BP神經(jīng)網(wǎng)絡(luò)主要由信息的正向傳播和誤差的反向傳播兩個(gè)過(guò)程組成。輸入層各神經(jīng)元負(fù)責(zé)接收來(lái)自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信圖1 單隱層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)息變化能力的需求，中間層可以設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu)；最后一個(gè)隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過(guò)程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。誤差通過(guò)輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過(guò)程，是各層權(quán)值不斷調(diào)整的過(guò)程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過(guò)程，此過(guò)程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。圖1是一個(gè)單隱層的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。1.2遺傳算法的概述染色體編碼創(chuàng)建群體計(jì)算適應(yīng)度復(fù)制、交叉、變異子代群體數(shù)達(dá)要求適應(yīng)度是否滿足要求要求解碼得到問(wèn)題的解 YESNO圖2 遺傳算法流程遺傳算法是模擬達(dá)爾文的遺傳選擇和自然淘汰的生物進(jìn)化過(guò)程的計(jì)算模型。它的思想源于生物遺傳學(xué)和適者生存的自然規(guī)律，是具有“生存+檢測(cè)”的迭代過(guò)程的搜索算法。與傳統(tǒng)搜索算法不同，遺傳算法從隨機(jī)產(chǎn)生的初始解開(kāi)始搜索，通過(guò)一定的選擇、交叉、變異操作逐步迭代以產(chǎn)生新的解。群體中的每個(gè)個(gè)體代表問(wèn)題的一個(gè)解，稱為染色體的好壞用適應(yīng)度值來(lái)衡量，根據(jù)適應(yīng)度的好壞從上一代中選擇一定數(shù)量的優(yōu)秀個(gè)體，通過(guò)交叉、變異形成下一代群體。經(jīng)過(guò)若干次的進(jìn)化之后，算法收斂于最好的染色體，它就是問(wèn)題的最優(yōu)解或者次優(yōu)解。其中，選擇、交叉和變異構(gòu)成了遺傳算法的遺傳操作；參數(shù)編碼、初始群體的設(shè)定、適應(yīng)度函數(shù)的設(shè)計(jì)、遺傳操作設(shè)計(jì)、控制參數(shù)設(shè)定等5五個(gè)要素組成了遺傳算法的核心內(nèi)容。圖2是遺傳算法的流程。2 BP神經(jīng)網(wǎng)絡(luò)與遺傳算法結(jié)合的類型2.1利用遺傳算法和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行多目標(biāo)優(yōu)化在某些優(yōu)化設(shè)計(jì)過(guò)程中，必須考慮使多個(gè)目標(biāo)在給定條件下均盡可能最佳的優(yōu)化問(wèn)題，但是目標(biāo)之間往往是相互沖突的，遺傳算法則具有隨機(jī)性的大規(guī)模并行搜索特性，因而在求解多目標(biāo)優(yōu)化問(wèn)題時(shí)有明顯的優(yōu)勢(shì)。工程應(yīng)用中，利用BP神經(jīng)網(wǎng)絡(luò)強(qiáng)大的函數(shù)逼近能力，對(duì)已經(jīng)獲得的樣本進(jìn)行訓(xùn)練，獲得所需變量對(duì)與其之間建立了映射關(guān)系，在此基礎(chǔ)之上，利用遺傳算法優(yōu)秀的全局最優(yōu)解搜索能力，尋找合適的參數(shù)組合，使得評(píng)價(jià)函數(shù)的值最優(yōu)。2.2利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)由于BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閥值一般是通過(guò)隨機(jī)初始化-0.5,0.5區(qū)間的隨機(jī)數(shù)，這個(gè)初始化參數(shù)對(duì)網(wǎng)絡(luò)訓(xùn)練的影響很大，但是沒(méi)法準(zhǔn)確獲得，對(duì)于不同的初始權(quán)值和閥值，神經(jīng)網(wǎng)絡(luò)訓(xùn)練的結(jié)果是一樣的。引入遺傳算法的目的就是通過(guò)遺傳算法優(yōu)化得出神經(jīng)網(wǎng)絡(luò)的最佳初始權(quán)值和閥值，以此獲得符合條件的神經(jīng)網(wǎng)絡(luò)。3 BP神經(jīng)網(wǎng)絡(luò)和遺傳算法在汽車工程領(lǐng)域的應(yīng)用BP神經(jīng)、網(wǎng)絡(luò)和遺傳算法在汽車工程領(lǐng)域的應(yīng)用主要是兩大方面：識(shí)別類和參數(shù)優(yōu)化類，下面著重介紹這兩類。3.1識(shí)別類在汽車工程領(lǐng)域，例如故障診斷、汽車牌照的識(shí)別、汽車輪胎的識(shí)別都是屬于識(shí)別類的工程問(wèn)題，這類問(wèn)題可以運(yùn)用遺傳算法和神經(jīng)網(wǎng)絡(luò)結(jié)合來(lái)解決。其主要的思路是先獲取足夠數(shù)量的要本，對(duì)于故障診斷來(lái)說(shuō)，是典型的故障信號(hào)，對(duì)于汽車牌照識(shí)別和汽車輪胎識(shí)別來(lái)說(shuō)就是識(shí)別的物體，然后通過(guò)人工神經(jīng)網(wǎng)絡(luò)來(lái)建立映射關(guān)系，然后刪利用遺傳算法對(duì)建立好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，優(yōu)化其權(quán)值和閥值，對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行檢驗(yàn)后即可用于工程實(shí)際中。采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)主要分為神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定，、注意區(qū)分頓號(hào)和逗號(hào)遺傳算法優(yōu)化權(quán)值和閥值，、神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和預(yù)測(cè)三個(gè)部分。神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)是根據(jù)樣本的輸入/輸出的個(gè)數(shù)來(lái)決定的，拓?fù)浣Y(jié)構(gòu)確定后就可以確定遺傳算法優(yōu)化參數(shù)的個(gè)數(shù)，從而確定種群個(gè)體的編碼長(zhǎng)度；一旦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)確定了，權(quán)值和閥值的個(gè)數(shù)就確定了，此時(shí)利用遺傳算法對(duì)其進(jìn)行優(yōu)化，最后將優(yōu)化后的最優(yōu)權(quán)值和閥值帶入神經(jīng)網(wǎng)絡(luò)中，對(duì)其進(jìn)行訓(xùn)練和測(cè)試，看測(cè)試誤差是否滿足要求，若不滿足再重復(fù)上述步驟。蘇子林，車忠志，邱景煒2采用了改進(jìn)的遺傳算法對(duì)汽車故障診斷神經(jīng)網(wǎng)絡(luò)的權(quán)值和網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了優(yōu)化。在保證種群多樣性的條件下，將種群規(guī)模降低到最??；引入bp算子，與交叉和變異算子共同競(jìng)爭(zhēng)，其中BP算子優(yōu)化權(quán)值，交叉和變異算子重點(diǎn)優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu),自適應(yīng)調(diào)整運(yùn)算概率；引入個(gè)體間的廣義海明距離用于保持種群的多樣性，引入連接權(quán)的敏感度用于優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)。最終在算法對(duì)比測(cè)試表明，改進(jìn)后的遺傳算法能夠在優(yōu)化權(quán)值的同時(shí)優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，減少了內(nèi)存占用量，保證了種群的多樣性，提高了算法的運(yùn)行速度和收斂效果看后還是不知道如何故障診斷。孫俊，李正明，楊繼昌3為了提高汽車輪胎號(hào)自動(dòng)識(shí)別的正確率,將遺傳算法運(yùn)用于神經(jīng)網(wǎng)絡(luò)初始權(quán)值的選取,進(jìn)一步利用BP神經(jīng)網(wǎng)絡(luò)算法尋找最優(yōu)權(quán)值。選用熵函數(shù)作為誤差函數(shù)加速神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度,引入選擇因子自適應(yīng)調(diào)整神經(jīng)網(wǎng)絡(luò)訓(xùn)練權(quán)值,防止訓(xùn)練發(fā)生振蕩。將遺傳神經(jīng)網(wǎng)絡(luò)應(yīng)用于胎號(hào)字符圖像的識(shí)別,對(duì)已分割的待識(shí)別胎號(hào)字符圖像進(jìn)行特征提取,給出遺傳神經(jīng)網(wǎng)絡(luò)的識(shí)別結(jié)果。實(shí)驗(yàn)證明,此方法使網(wǎng)絡(luò)訓(xùn)練的收斂速度和胎號(hào)字符識(shí)別準(zhǔn)確率都有較大提高。3.2參數(shù)優(yōu)化在工程實(shí)際應(yīng)用中，對(duì)于多參數(shù)的選擇，設(shè)計(jì)者往往需要考慮這些參數(shù)對(duì)設(shè)計(jì)目標(biāo)的影響，如何合理的設(shè)計(jì)這些參數(shù)對(duì)設(shè)計(jì)至關(guān)重要。由于這些參數(shù)之間有時(shí)是相互沖突的？，所以如何利用優(yōu)化方法獲得最優(yōu)解影響著設(shè)計(jì)的成功與否。工程應(yīng)用中可以利用遺傳算法來(lái)解決這個(gè)問(wèn)題。3.2.1能夠建立顯示函數(shù)關(guān)系的問(wèn)題對(duì)于能夠建立顯示函數(shù)關(guān)系的參數(shù)優(yōu)化問(wèn)題，建立好合理正確的目標(biāo)函數(shù)后可以利用遺傳算法對(duì)目標(biāo)函數(shù)進(jìn)行優(yōu)化，從而獲得最優(yōu)解。這種思路主要應(yīng)用于像裝置或機(jī)構(gòu)設(shè)計(jì)參數(shù)的優(yōu)化，、混合動(dòng)力汽車與前面概念有交叉，裝置？參數(shù)的優(yōu)化設(shè)計(jì)等能夠列出具體函數(shù)表達(dá)式并且需要對(duì)多個(gè)目標(biāo)參數(shù)進(jìn)行優(yōu)化的問(wèn)題上。吳光強(qiáng),陳慧勇4針對(duì)混合動(dòng)力汽車設(shè)計(jì)參數(shù)眾多的狀況,提出了一種對(duì)混合動(dòng)力汽車傳動(dòng)系統(tǒng)參數(shù)和控制參數(shù)同時(shí)進(jìn)行優(yōu)化的多目標(biāo)優(yōu)化新方法自適應(yīng)遺傳算法。在ADVISOR平臺(tái)上,以一輛使用邏輯門(mén)限控制策略的并聯(lián)混合動(dòng)力汽車為例,分析并建立了以動(dòng)力性能指標(biāo)為約束的混合動(dòng)力汽車參數(shù)優(yōu)化的非線性規(guī)劃？模型,其目標(biāo)函數(shù)包含最小油耗和最佳排放性能 。針對(duì)遺傳算法容易早熟等不足,采用帶自適應(yīng)交叉和變異算子的遺傳算法和模擬退火技術(shù)相結(jié)合進(jìn)行求解，通過(guò)仿真驗(yàn)證了新的遺傳算法的有效性既然是寫(xiě)應(yīng)用，更多的是突出在工程中怎么應(yīng)用的。蘇俊，習(xí)平原5在設(shè)計(jì)汽車主減速器時(shí)采用混合遺傳算法來(lái)優(yōu)化設(shè)計(jì)。在滿足主減速器接觸強(qiáng)度、彎曲強(qiáng)度和邊界約束的條件下，建立了優(yōu)化設(shè)計(jì)數(shù)學(xué)模型。由于傳統(tǒng)的優(yōu)化方法存在著求解過(guò)程復(fù)雜和尋優(yōu)過(guò)程容易陷入局部最優(yōu)解的問(wèn)題，故通過(guò)神經(jīng)網(wǎng)絡(luò)方法擬合待求系數(shù)，應(yīng)用遺傳算法工具箱調(diào)用混合遺傳算法尋求最優(yōu)解，使求解過(guò)程得到簡(jiǎn)化，確保可靠地獲得全局最優(yōu)解。3.2.2不能建立顯示函數(shù)關(guān)系的問(wèn)題工程中有些參數(shù)優(yōu)化問(wèn)題的難點(diǎn)是不存在設(shè)計(jì)變量和優(yōu)化目標(biāo)的顯式函數(shù)關(guān)系式，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)對(duì)建立此類映射關(guān)系有著無(wú)可比擬的優(yōu)勢(shì)。遺傳算法作為一種不需要具體函數(shù)形式就能夠進(jìn)行優(yōu)化計(jì)算的優(yōu)化方法，可以尋得全局最優(yōu)解。將兩者相結(jié)合，可以很好的解決這類問(wèn)題的困難。這種思路主要應(yīng)用于像有限元分析以及結(jié)構(gòu)設(shè)計(jì)等不能夠列出具體函數(shù)表達(dá)式并且需要對(duì)多個(gè)目標(biāo)參數(shù)進(jìn)行優(yōu)化的問(wèn)題上。武和全，辛勇將6人工神經(jīng)網(wǎng)絡(luò)引入抗撞性優(yōu)化設(shè)計(jì)中，選取變截面梁的主要設(shè)計(jì)參數(shù)作為研究對(duì)象，將有限元分析與試驗(yàn)設(shè)計(jì)，神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)合起來(lái)，對(duì)變截面梁各結(jié)構(gòu)尺寸進(jìn)行了抗撞性優(yōu)化設(shè)計(jì)，建立了變截面梁結(jié)構(gòu)的總吸能神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并采用了遺傳算法進(jìn)行了優(yōu)化求解，使得整車的被動(dòng)安全性得到了提高。鄧江華，劉獻(xiàn)棟，馮國(guó)勝7在對(duì)客車車身骨架結(jié)構(gòu)進(jìn)行有限元靜、動(dòng)力分析的基礎(chǔ)上,利用神經(jīng)網(wǎng)絡(luò)對(duì)有限元分析得出的樣本數(shù)據(jù)建立骨架結(jié)構(gòu)設(shè)計(jì)參數(shù)(輸入)與位移、應(yīng)力及頻率(輸出)的全局性映射關(guān)系,獲得遺傳算法求解結(jié)構(gòu)優(yōu)化問(wèn)題所需的目標(biāo)函數(shù)值。最后,用遺傳算法對(duì)車身骨架結(jié)構(gòu)進(jìn)行了減重優(yōu)化，取得了滿意的效果，說(shuō)明,基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的優(yōu)化技術(shù)應(yīng)用在汽車結(jié)構(gòu)的優(yōu)化設(shè)計(jì)中是有效、合理的。結(jié)語(yǔ)本文段前空兩格總結(jié)了神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法在汽車工程領(lǐng)域的應(yīng)用：（1）對(duì)于識(shí)別類的問(wèn)題，可以利用人工神經(jīng)網(wǎng)絡(luò)先建立映射關(guān)系，再利用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，包括神經(jīng)網(wǎng)絡(luò)的權(quán)值、閥值以及網(wǎng)絡(luò)結(jié)構(gòu)，從而獲得能夠滿足工程實(shí)際的人工神經(jīng)網(wǎng)絡(luò)。這種方法主要應(yīng)用于像汽車故障診斷，牌照識(shí)別等無(wú)法建立顯示函數(shù)但又要根據(jù)輸入給出輸出的問(wèn)題上。（2）對(duì)于參數(shù)優(yōu)化問(wèn)題，對(duì)于能夠建立顯示函數(shù)的工程問(wèn)題，再建立還？合理的目標(biāo)函數(shù)后，就可以利用遺傳算法對(duì)目標(biāo)函數(shù)進(jìn)行優(yōu)化，從而獲得最優(yōu)解；對(duì)于無(wú)法建立顯示函數(shù)的工程問(wèn)題上，可以先利用人工神經(jīng)網(wǎng)絡(luò)建立映射關(guān)系，然后利用遺傳算法或者改進(jìn)的遺傳算法尋得最優(yōu)解，從而解決此類優(yōu)化問(wèn)題。參考文獻(xiàn)文獻(xiàn)中沒(méi)有外文資料，將會(huì)使綜述打折扣，再多看些外文資料？1 史峰，王輝，郁磊等.MATLAB智能算法30個(gè)案例分析M.北京航空航天大學(xué)出版社,2011:89-1432 蘇子林，車忠志，邱景煒.優(yōu)化汽車故障診斷神經(jīng)網(wǎng)絡(luò)的改進(jìn)遺傳算法J.魯東大學(xué)學(xué)報(bào)（自然科學(xué)版）,2011,27（1）:81-853 孫俊，李正明，楊繼昌.遺傳神經(jīng)網(wǎng)絡(luò)在