2024年8月26日发(作者：焉曼珍)
维普资讯
第１ １卷第１期
哈尔滨理工大学学报
Ｊ０ＵＲＮＡＬ ＨＡＲＢＩＮ ＵＮＩＶ．ＳＣＩ．＆ＴＥＣＨ．
ＶｏＬ １ｌ Ｎｏ．１
Ｆｅｂ．，２００６
２００６年２月
基于ＮＮ—ＧＡ的优化设计方法
杨欣欣， 满春涛
（哈尔滨理工大学自动化学院，黑龙江哈尔滨１５００８０）
摘要：针对优化设计中，传统的建模方法无法建立复杂系统的精确模型和传统优化算法无
法获得满意优化效果的问题，将神经网络（ＮＮ）和遗传算法（ＧＡ）应用到设计中，构成一种基于ＮＮ
ＧＡ的优化方法．利用神经网络建立系统的数学模型，用遗传算法对参数进行优化，得出系统的
最优值，并经过计算实例验证取得了较好效果．
—
关键词：优化；神经网络；ＢＰ算法；遗传算法
中图分类号：ＴＰ１８３ 文献标识码：Ａ 文章编号：１００７—２６８３（２００６）０１—０１０５—０３
Ｄｅｓｉｇｎ Ｍｅｔｈｏｄ ｏｆ Ｏｐｔｉｍｉｚａｔｉｏｎ Ｂａｓｅｄ ｏｎ ＮＮ－ＧＡ
ＹＡＮＧ Ｘｉｎ－ｘｉｎ，
ＭＡＮ ＣｈＵ／／，。ｔａｏ
（Ａｕｔｏｍａｔｉｏｎ ｏｆ Ｃｏｌｌｅｇｅ，Ｈａｒｂｉｎ Ｕｎｉｖ
Ｓｅｉ．Ｔｅｃｈ，，Ｈａｒｂｉｎ １５００８０，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎ ｔｈｅ ｄｅｓｉｇｎ ｏｆ ｏｐｔｉｍｉｚａｔｉｏｎ，ｔｈｅｒｅ ａｒｅ ｓｏｍｅ ｐｒｏｂｌｅｍｓ ｔｈａｔ ａｎ ｅｘａｃｔ ｍｏｄｅｌ ｏｆ ａ ｃｏｍｐｌｉｃａｔｅｄ ｓｙｓｔｅｍ
ｉｓ ｂｕｉｌｔ ｄｉｆｉｆｃｕｌｌｔｙ ｂｙ ａ ｔｒａｄｉｔｉｏｎａｌ ｍｅｔｈｏｄ ａｎｄ ａ ｓａｔｉｓｆｉｅｄ ｏｐｔｉｍａｌ ｒｅｓｕｌｔ ｃａｎｎｏｔ ｂｅ ａｃｑｕｉｒｅｄ ｂｙ ａ ｔｒａｄｉｔｉｏｎａｌ ｏｐｔｉｍａｌ
ａｌｇｏｒｉｔｈｍ．Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ＮＮ ａｎｄ ＧＡ ａｒｅ ｕｓｅｄ ｉｎ ｔｈｅ ｄｅｓｉｇｎ ａｎｄ ａｎ ｏｐｔｉｍｉｚａｔｉｏｎ ｄｅｓｉｇｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ＮＮ—ＧＡ
ｉｓ ｓｕｇｇｅｓｔｅｄ．ＮＮ ｃａｎ ｂｅ ｕｓｅｄ ｔｏ ｂｕｉｌｄ ａ ｍａｔｈｅｍａｔｉｃａｌ ｍｏｄｅｌ ｏｆ ａ ｓｙｓｔｅｍ ａｎｄ ＧＡ ｉｓ ｕｓｅｄ ｔｏ ｏｐｔｉｍｉｚｅ ｔｈｅ ｐａｒａｍｅ—
ｔｅｒｓ，ｔｈｅｎ ｔｈｅ ｂｅｓｔ ｐａｒａｍｅｔｅｒｓ ａｒｅ ｅｌｉｃｉｔｅｄ．Ｔｈｅ ｍｅｔｈｏｄ ｉｓ ｖａｌｉｄａｔｅｄ ｏｎ ａ ｃａｌｃｕｌａｔｅ ｅｘａｍｐｌｅ ａｎｄ ａ ｇｏｏｄ ｒｅｓｕｌｔ ｉｓ ｏｂ—
ｔａｉｎｅｄ．
Ｋｅｙ ｗｏｒｄｓ：ｏｐｔｉｍｉｚａｔｉｏｎ；ＮＮ；ＢＰ ａｌｇｏｒｉｔｈｍ；ＧＡ
优化技术是一种以数学为基础，用来求解各种
问题优化解的技术．优化方法一般分为函数优化和
组合优化两大类：函数优化的对象是在一定区间内
的连续变量，而组合优化的对象是解空问中的离散
变量．
随着优化技术的发展，目前已经出现了很多智
能优化方法．本文研究的优化设计方法是将神经网
络（ＮＮ）和遗传算法（ＧＡ）结合起来应用于函数优
上，用遗传算法进行优化，得到系统的全局最优
解 ．
１ 建立神经网络模型
１．１模型的建立
要对系统进行优化设计，首先要建立它的数学
模型．实际的系统常具有复杂性、非线性和不确定性
等特性，其模型难以用精确的数学方程描述．由于神
经网络具有可任意逼近非线性、大规模并行处理、知
识分布存储、自学习能力强、容错性好等特点，可更
化，克服了传统的建模方法无法建立复杂系统的精
确模型与传统优化算法无法获得满意优化效果的问
题，在神经网络模型确定的输入输出映射关系基础
收稿日期：２００５—０６一ｌ１
基金项目：黑龙江省研究生创新科研项目（ＹＪＳＣＸ２００５—２４６ＨＬＪ）；黑龙江省自然科学基金资助项目（１７０２０２）；黑龙江省教育厅科学技术项
目（１０５４３００９）．
作者简介：杨欣欣（１９７９一），女，哈尔滨理工大学硕士研究生．
维普资讯
１０６ 哈尔滨理工大学学报 第１１卷
准确地描述复杂系统，提高模型的鲁棒性和精确
性 】．所以神经网络建模可在有限的试验数据基础
上，通过反复迭代，不断修正与目标值的差异，就能
共轭梯度法，可得到收敛速度较快的量化共轭梯度
法（ＳＣＧ）．
得到反映内在规律的模型，实现复杂映射关系的最
佳逼进．
２遗传算法优化
遗传算法是基于自然选择和遗传机制，在计算
机上模拟生物进化机制的搜索寻优算法．它的寻优
过程是一个迭代的过程，模拟了生物进化现象，把搜
神经网络的建模过程为：①建立模拟实际系统
的人工神经网络模型；②根据实际情况选择合适的
神经网络结构；③用试验获得的样本数据对神经网
络进行训练，取得联结权值及阈值，即网络的知识参
数；④验证所确定的神经网络模型 ．
在众多的ＮＮ模型中，多层前馈神经网络模型
是目前应用最为广泛的模型．三层ＢＰ网络的结构
示意图如图１所示．
反向传播
…一一一一一７一一１
， Ｉ
， ＿
图１三层ＢＰ网络结构示意图
１．２训练算法的改进
反向传播学习算法（简称ＢＰ算法）可以实现多
层前馈神经网络的训练，它具有算法简单和易于实
现的优点．但ＢＰ算法也存在缺点：收敛速度慢、局
部极值、难以确定隐层和隐节点的个数．本文基于数
值优化理论的共轭梯度法，对ＢＰ算法进行改进．
共轭梯度法的基本思想是寻找与负梯度方向和
上一次搜索方向共轭的方向作为新的搜索方向，从
而加快训练速度、提高训练精确度 Ｊ．
所有的共轭梯度法都采用负梯度方向作为初始
搜索方向：
，
Ｐｏ 一ｇ０
然后沿着该方向作一维搜索：
Ｘｋ＋ｌ Ｘｋ＋
再利用共轭方向作为新一轮的搜索方向，通常在当
前负梯度方向上附加上一次搜索方向：
Ｐｋ＝一ｇｋ＋８ ｋ一１
选取不同的修正系数 ，可得出各种共轭梯度
法．为避免进行耗时的一维搜索，融合可信区间法和
索空间映射为遗传空间，将参变量映射为染色体，向
量的每个元素称为基因，所有染色体组成种群，并按
预定的目标函数对每个染色体进行评价，据其结果
给出一个适应值．在这种机制下，每一代中各个体的
基本特征可以通过染色体遗传到下一代中，在下一
代可以进行复制和交叉，并以一定的概率发生变异．
交叉倾向于由群体中最为优秀的个体承担，这些相
互匹配个体的最好特性的结合使产生的后代比父代
具有更优良的特性，产生较好的解 Ｊ．因此，遗传算
法的搜索范围遍及整个解空间，从而克服传统优化
方法容易陷入局部极值的缺点，并且能够提高搜索
效率，使系统以较大的概率在较短时间内获得全局
最优解．遗传算法优化具备极强的鲁棒性、并行计算
特性及自适应搜索能力，是一种全局优化算法．其优
化简图如图２所示 ．
图２遗传算法优化简图
算法的具体步骤如下：
１）采用二进制编码形式，码长取决于求解的精
度．在满足约束情况下，随机生成一组二进制串构成
初始种群．
２）以种群中每个点作输入值用神经网络模型
计算出输出值作为评价解的优劣适应值．
３）根据赌轮盘法复制个体，删除适应值低的个
体，使优良个体得以保存，形成新的群体；
４）执行交叉和变异操作，对复制出来的新一代
个体，随机产生父代并依据交换概率Ｐ 随机交换染
色体中的基因；按照变异概率Ｐ 在新一代染色体
中执行变异．
检验经过遗传操作的新一代个体是否满足约
束，如果不满足将重新进行遗传操作，直到满足上
述约束为止．
维普资讯
第１期 杨欣欣等：基于ＮＮ—ＧＡ的优化设计方法 ｌ０７
５）反复执行步骤２）～４），直到迭代收敛（适应
值趋于稳定），即找到最优解或准最优解为止．其流
Ｐｅｒｉｏｒｍａｎｃｅ ｉｓ ６．０７８０６ｅ一００６．Ｇｏａｌ ｉｓ ｌｅ一００６
程图如图３所示 ．
ｕ—譬＿【∞●ＩＥｗ帚∞ ＿＿冒● ｌｕ｝ＩＨ 日 －Ｌ
１ １ ｌ
图３标准遗传算法的流程图
３计算实例
此计算实例是对典型的函数优化的计算，验证
上述优化方法的可行性和有效性．
３．１建立系统的神经网络模型
对于典型的约束优化问题
、
５．８８５ｘ４（ １＋ ３）
１＋４ｘ；一 ；
设计变量有４个，即 ＝［ ， ， ，， ］Ｔ，其中约束
函数如下：
（ｏ．４ 百Ｘ３）－８．９４（ ）≥０
４—０．０１５６ｘ１—０．１５≥０
４—０．０１５６ｘ３—０．１５≥０
扎≥１．０５
Ｊｒ３≥ ２
利用Ｍａｔｌａｂ工具箱函数设计逼近函数的神经
网络模 ，ＢＰ网络为４—６—１结构，输入节点数
为４（分别对应于４个输入变量 ， ：， ，， ），隐节
点数为６，输出节点数为１（对应于优化目标函数
值）．输入样本数据，用改进的ＢＰ算法训练网络，经
过５８１次迭代，训练误差达到０．０００ ０１．训练过程如
图４所示，训练后得到的权值和阈值如表１所示，训
练结果如表２所示．
、
——
、 。
、
Ｏ １０ｏ ２００ ３００ ４００ ５００
５８１ Ｅｐｏｃｈｓ
图４改进ＢＰ算法训练过程
表１神经网络的输入权值和阈值
表２神经网络模型逼近函数的结果
样本号 ，（ ） ｆ （ ） 样本号 ，（ ） ， （ ）
１ ９．５６７ ０ ９．５６４０ ６ ７．３７９４ ７．３７８ ５
２ ９．０５８ ７ ９．Ｏ６５ ３ ７ ７．０４５２ ７．０４５ ５
３ ８．５２７ ３ ８．５２１ ４ ８ ６．７８２２ ６．７８２２
４ ７．９７３ ５ ７．９７５ ２ ９ ６．７７８ ８ ６．７７９６
５ ７．４２３ ６ ７．４２４ ３ １０ ６．７３３ ９ ６．７３１ ７
注： ＊）为实际函数值。ｆ （ ）为神经网络的预测值
３．２用遗传算法求函数的最优解
采用ｃ语言编程，遗传参数分别取值为繁殖代
数７０代，染色体总长度２０，种群规模３０，交叉概率
Ｐ ＝０．８，变异概率Ｐ ＝０．０１．按照上述遗传算法的
步骤，在运行到第２７代时获得最优解，表３所示优
化结果与样本数据吻合良好，表明遗传算法的优化
是完全可行的．
表３优化结果
（下转第１１１页）
维普资讯
第１期 吉桂琴等：ＨＬＡ时间管理中ｌｏｏｋａｈｅａｄ的设置与调整
以上给出了因ｌｏｏｋａｈｅａｄ为零而使联邦运行处 证明：假设联邦成员ｋ的ｌｏｏｋａｈｅａｄ为零，因
ＴＡＲ请求而被挂起；联邦成员 的ｌｏｏｋａｈｅａｄ为零，
因ＮＭＲ请求而被挂起，且Ｔ（ｊ）＜ＬＥＴＳ（Ｊ），Ｔ（ｊ）＝
ＧＡＬＴ（ｊ）．它们的输出时问最小，彼此相等．由式（１）
可知，它们的输出时间等于它们的ＧＡＬＴ；由式（２）
于死锁状态的定理．在实际联邦运行过程中应尽量
避免这种情况出现．如果实际上出现了这种情况，解
锁也很简单，那就是用Ｍｏｄｉｆｙ Ｌｏｏｋａｈｅａｄ服务来改
变它，将ｌｏｏｋａｈｅａｄ设置为非零，死锁状态就解除了．
可知，它们的输出时间等于它们请求推进的逻
辑时问 ．对于联邦成员＿／，因为Ｔ（ｊ）＜ＬＥＴＳ（＿／），
５ 结 语
（Ｊ）＝ＧＡＬＴ（ｊ），所以有ＯＵＴＰＵＴ（ｊ）＝Ｔ（ｊ）．这样一
来，ＧＡＬＴ＝Ｔ，联邦成员ｋ和＿『都处于挂起状态，互
本文研究了ｌｏｏｋａｈｅａｄ的设置和调整问题，这在
相等待对方向前推进．其他联邦成员的ＧＡＬＴ也将
仿真应用中具有很强的实际意义．引入ｌｏｏｋａｈｅａｄ的
保持不变，其逻辑时间将无法推进超过ＧＡＬＴ，最终 目的是为了解决死锁问题，但在实际仿真过程中，常
将全部处于挂起状态而陷入死锁．
常会出现ｌｏｏｋａｈｅａｄ为零的情况，这时就又有可能造
定理２采用身高测量法的联邦，所有联邦成员
成死锁．以往针对死锁问题的研究并未专门考虑这
间既相互控制叉相互受限．在联邦运行过程中，如果
种情况．本文对ｌｏｏｋａｈｅａｄ为零时死锁规律进行了研
存在ｌｏｏｋａｈｅａｄ为零、因ＴＡＲ或ＮＭＲ请求而被挂起
究，给出了ｌｏｏｋａｈｅａｄ为零时仿真死锁的定理．了解
的至少两个联邦成员的输出时间最小且相等，其中因 了这些规律后，就能有效地避免死锁，从而使仿真过
ＮＭＲ请求而被挂起的联邦成员有Ｔ＜ＬＥＴＳ，则该联
程更加顺利地进行．这是本文的一个创新点．
邦运行将处于死锁状态．定理２的证明同定理１．
参考文献：
［１］ＦＲＥＤＥＲＩＣＫ Ｋｕｈｌ，ＲＩＣＨＡＲＤ Ｗｅａｔｈｅｒｌｙ，ＪＵＤＩＴＨ Ｄａｈｍａｎｎ．计算机仿真中的ＨＬＡ技术［Ｍ］．北京：国防工业出版社。２００３
［２］ 吴义明，齐欢．基于的导弹与飞机对抗计算机仿真ＨＬＡ［Ｊ］．计算机工程。２００４，３０（４）：１５６—１５７．
［３］王召福，金士尧．ＨＬＡ仿真系统中Ｌｏｏｋａｈｅａｄ的分析与动态调搭策略［Ｊ］．计算机仿真，２００３，２０（４）：７８—８１．
（编辑：付长缨）
・・＋・・＋－・＋ｎ＋一＋”＋ — －・＋・・—－
（上接第１０７页）
４ 结 语
以用数学方法建立精确模型的系统建模问题，能够
更加真实地反映系统中各种影响因素对优化目标的
采用神经网络和遗传算法进行优化设计是一种
交互作用，而且遗传算法对优化模型的求解速度比
非常有效的优化策略，尤其是对复杂系统的优化计
较快，并可以近似找到全局最优．充分利用两种智能
算具有很大潜力．用神经网络建立模型可以解决难
方法的优点共同解决日趋复杂的优化问题．
参考文献：
［１］ 汪朝军，刘艳明．遗传算法和神经网络融合型最优控制器及其在铣削加工参数控制中的应用［Ｊ］．控制理论与应用，１９９９，１６（４）：６０７—６１０
［２］ＭＡＲＴＩＮ Ｔ，Ｈａｇａｎ，Ｈｏｗａｒｄ Ｂ．Ｄｅｍｕｔｈ。Ｍａｒｋ Ｈ．Ｂｅａｌｅ．神经网络设计［Ｍ］．北京：机械工业出版社，２００３．
［３］李敏远，都延丽．一类过程控制对象的神经网络建模及仿真［Ｊ］．系统仿真学报，２００３，１５（１１）：１ ５３３—１ ５３６．
［４］刘丁，万百五．空气预热器供风系统的模型辨识与稳态优化控制［Ｊ］．自动化学报，１９９９。２５（６）：７２８—７３４－
［５］ 王小平，曹立明．遗传算法——理论、应用与软件实现［Ｍ］．西安：西安交通大学出版社，２００２．
［６］齐乐华，侯俊杰。杨茂奎，等．液态挤压工艺ＡＮＮ／ＧＡ建模与优化研究［Ｊ］．西北工业大学学报，２００１。１９（１）：１１４—１１７．
［７］周志坚，毛宗源．一种基于遗传算法的模糊神经网络最优控制［Ｊ］．控制理论与应用，２０００，１７（５）：７８４—７８８－
［８］董长虹．Ｍａｔｌａｂ神经网络与应用［Ｍ］．北京：国防工业出版社，２００５．
（编辑：董 晶）
2024年8月26日发(作者：焉曼珍)
维普资讯
第１ １卷第１期
哈尔滨理工大学学报
Ｊ０ＵＲＮＡＬ ＨＡＲＢＩＮ ＵＮＩＶ．ＳＣＩ．＆ＴＥＣＨ．
ＶｏＬ １ｌ Ｎｏ．１
Ｆｅｂ．，２００６
２００６年２月
基于ＮＮ—ＧＡ的优化设计方法
杨欣欣， 满春涛
（哈尔滨理工大学自动化学院，黑龙江哈尔滨１５００８０）
摘要：针对优化设计中，传统的建模方法无法建立复杂系统的精确模型和传统优化算法无
法获得满意优化效果的问题，将神经网络（ＮＮ）和遗传算法（ＧＡ）应用到设计中，构成一种基于ＮＮ
ＧＡ的优化方法．利用神经网络建立系统的数学模型，用遗传算法对参数进行优化，得出系统的
最优值，并经过计算实例验证取得了较好效果．
—
关键词：优化；神经网络；ＢＰ算法；遗传算法
中图分类号：ＴＰ１８３ 文献标识码：Ａ 文章编号：１００７—２６８３（２００６）０１—０１０５—０３
Ｄｅｓｉｇｎ Ｍｅｔｈｏｄ ｏｆ Ｏｐｔｉｍｉｚａｔｉｏｎ Ｂａｓｅｄ ｏｎ ＮＮ－ＧＡ
ＹＡＮＧ Ｘｉｎ－ｘｉｎ，
ＭＡＮ ＣｈＵ／／，。ｔａｏ
（Ａｕｔｏｍａｔｉｏｎ ｏｆ Ｃｏｌｌｅｇｅ，Ｈａｒｂｉｎ Ｕｎｉｖ
Ｓｅｉ．Ｔｅｃｈ，，Ｈａｒｂｉｎ １５００８０，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎ ｔｈｅ ｄｅｓｉｇｎ ｏｆ ｏｐｔｉｍｉｚａｔｉｏｎ，ｔｈｅｒｅ ａｒｅ ｓｏｍｅ ｐｒｏｂｌｅｍｓ ｔｈａｔ ａｎ ｅｘａｃｔ ｍｏｄｅｌ ｏｆ ａ ｃｏｍｐｌｉｃａｔｅｄ ｓｙｓｔｅｍ
ｉｓ ｂｕｉｌｔ ｄｉｆｉｆｃｕｌｌｔｙ ｂｙ ａ ｔｒａｄｉｔｉｏｎａｌ ｍｅｔｈｏｄ ａｎｄ ａ ｓａｔｉｓｆｉｅｄ ｏｐｔｉｍａｌ ｒｅｓｕｌｔ ｃａｎｎｏｔ ｂｅ ａｃｑｕｉｒｅｄ ｂｙ ａ ｔｒａｄｉｔｉｏｎａｌ ｏｐｔｉｍａｌ
ａｌｇｏｒｉｔｈｍ．Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ＮＮ ａｎｄ ＧＡ ａｒｅ ｕｓｅｄ ｉｎ ｔｈｅ ｄｅｓｉｇｎ ａｎｄ ａｎ ｏｐｔｉｍｉｚａｔｉｏｎ ｄｅｓｉｇｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ＮＮ—ＧＡ
ｉｓ ｓｕｇｇｅｓｔｅｄ．ＮＮ ｃａｎ ｂｅ ｕｓｅｄ ｔｏ ｂｕｉｌｄ ａ ｍａｔｈｅｍａｔｉｃａｌ ｍｏｄｅｌ ｏｆ ａ ｓｙｓｔｅｍ ａｎｄ ＧＡ ｉｓ ｕｓｅｄ ｔｏ ｏｐｔｉｍｉｚｅ ｔｈｅ ｐａｒａｍｅ—
ｔｅｒｓ，ｔｈｅｎ ｔｈｅ ｂｅｓｔ ｐａｒａｍｅｔｅｒｓ ａｒｅ ｅｌｉｃｉｔｅｄ．Ｔｈｅ ｍｅｔｈｏｄ ｉｓ ｖａｌｉｄａｔｅｄ ｏｎ ａ ｃａｌｃｕｌａｔｅ ｅｘａｍｐｌｅ ａｎｄ ａ ｇｏｏｄ ｒｅｓｕｌｔ ｉｓ ｏｂ—
ｔａｉｎｅｄ．
Ｋｅｙ ｗｏｒｄｓ：ｏｐｔｉｍｉｚａｔｉｏｎ；ＮＮ；ＢＰ ａｌｇｏｒｉｔｈｍ；ＧＡ
优化技术是一种以数学为基础，用来求解各种
问题优化解的技术．优化方法一般分为函数优化和
组合优化两大类：函数优化的对象是在一定区间内
的连续变量，而组合优化的对象是解空问中的离散
变量．
随着优化技术的发展，目前已经出现了很多智
能优化方法．本文研究的优化设计方法是将神经网
络（ＮＮ）和遗传算法（ＧＡ）结合起来应用于函数优
上，用遗传算法进行优化，得到系统的全局最优
解 ．
１ 建立神经网络模型
１．１模型的建立
要对系统进行优化设计，首先要建立它的数学
模型．实际的系统常具有复杂性、非线性和不确定性
等特性，其模型难以用精确的数学方程描述．由于神
经网络具有可任意逼近非线性、大规模并行处理、知
识分布存储、自学习能力强、容错性好等特点，可更
化，克服了传统的建模方法无法建立复杂系统的精
确模型与传统优化算法无法获得满意优化效果的问
题，在神经网络模型确定的输入输出映射关系基础
收稿日期：２００５—０６一ｌ１
基金项目：黑龙江省研究生创新科研项目（ＹＪＳＣＸ２００５—２４６ＨＬＪ）；黑龙江省自然科学基金资助项目（１７０２０２）；黑龙江省教育厅科学技术项
目（１０５４３００９）．
作者简介：杨欣欣（１９７９一），女，哈尔滨理工大学硕士研究生．
维普资讯
１０６ 哈尔滨理工大学学报 第１１卷
准确地描述复杂系统，提高模型的鲁棒性和精确
性 】．所以神经网络建模可在有限的试验数据基础
上，通过反复迭代，不断修正与目标值的差异，就能
共轭梯度法，可得到收敛速度较快的量化共轭梯度
法（ＳＣＧ）．
得到反映内在规律的模型，实现复杂映射关系的最
佳逼进．
２遗传算法优化
遗传算法是基于自然选择和遗传机制，在计算
机上模拟生物进化机制的搜索寻优算法．它的寻优
过程是一个迭代的过程，模拟了生物进化现象，把搜
神经网络的建模过程为：①建立模拟实际系统
的人工神经网络模型；②根据实际情况选择合适的
神经网络结构；③用试验获得的样本数据对神经网
络进行训练，取得联结权值及阈值，即网络的知识参
数；④验证所确定的神经网络模型 ．
在众多的ＮＮ模型中，多层前馈神经网络模型
是目前应用最为广泛的模型．三层ＢＰ网络的结构
示意图如图１所示．
反向传播
…一一一一一７一一１
， Ｉ
， ＿
图１三层ＢＰ网络结构示意图
１．２训练算法的改进
反向传播学习算法（简称ＢＰ算法）可以实现多
层前馈神经网络的训练，它具有算法简单和易于实
现的优点．但ＢＰ算法也存在缺点：收敛速度慢、局
部极值、难以确定隐层和隐节点的个数．本文基于数
值优化理论的共轭梯度法，对ＢＰ算法进行改进．
共轭梯度法的基本思想是寻找与负梯度方向和
上一次搜索方向共轭的方向作为新的搜索方向，从
而加快训练速度、提高训练精确度 Ｊ．
所有的共轭梯度法都采用负梯度方向作为初始
搜索方向：
，
Ｐｏ 一ｇ０
然后沿着该方向作一维搜索：
Ｘｋ＋ｌ Ｘｋ＋
再利用共轭方向作为新一轮的搜索方向，通常在当
前负梯度方向上附加上一次搜索方向：
Ｐｋ＝一ｇｋ＋８ ｋ一１
选取不同的修正系数 ，可得出各种共轭梯度
法．为避免进行耗时的一维搜索，融合可信区间法和
索空间映射为遗传空间，将参变量映射为染色体，向
量的每个元素称为基因，所有染色体组成种群，并按
预定的目标函数对每个染色体进行评价，据其结果
给出一个适应值．在这种机制下，每一代中各个体的
基本特征可以通过染色体遗传到下一代中，在下一
代可以进行复制和交叉，并以一定的概率发生变异．
交叉倾向于由群体中最为优秀的个体承担，这些相
互匹配个体的最好特性的结合使产生的后代比父代
具有更优良的特性，产生较好的解 Ｊ．因此，遗传算
法的搜索范围遍及整个解空间，从而克服传统优化
方法容易陷入局部极值的缺点，并且能够提高搜索
效率，使系统以较大的概率在较短时间内获得全局
最优解．遗传算法优化具备极强的鲁棒性、并行计算
特性及自适应搜索能力，是一种全局优化算法．其优
化简图如图２所示 ．
图２遗传算法优化简图
算法的具体步骤如下：
１）采用二进制编码形式，码长取决于求解的精
度．在满足约束情况下，随机生成一组二进制串构成
初始种群．
２）以种群中每个点作输入值用神经网络模型
计算出输出值作为评价解的优劣适应值．
３）根据赌轮盘法复制个体，删除适应值低的个
体，使优良个体得以保存，形成新的群体；
４）执行交叉和变异操作，对复制出来的新一代
个体，随机产生父代并依据交换概率Ｐ 随机交换染
色体中的基因；按照变异概率Ｐ 在新一代染色体
中执行变异．
检验经过遗传操作的新一代个体是否满足约
束，如果不满足将重新进行遗传操作，直到满足上
述约束为止．
维普资讯
第１期 杨欣欣等：基于ＮＮ—ＧＡ的优化设计方法 ｌ０７
５）反复执行步骤２）～４），直到迭代收敛（适应
值趋于稳定），即找到最优解或准最优解为止．其流
Ｐｅｒｉｏｒｍａｎｃｅ ｉｓ ６．０７８０６ｅ一００６．Ｇｏａｌ ｉｓ ｌｅ一００６
程图如图３所示 ．
ｕ—譬＿【∞●ＩＥｗ帚∞ ＿＿冒● ｌｕ｝ＩＨ 日 －Ｌ
１ １ ｌ
图３标准遗传算法的流程图
３计算实例
此计算实例是对典型的函数优化的计算，验证
上述优化方法的可行性和有效性．
３．１建立系统的神经网络模型
对于典型的约束优化问题
、
５．８８５ｘ４（ １＋ ３）
１＋４ｘ；一 ；
设计变量有４个，即 ＝［ ， ， ，， ］Ｔ，其中约束
函数如下：
（ｏ．４ 百Ｘ３）－８．９４（ ）≥０
４—０．０１５６ｘ１—０．１５≥０
４—０．０１５６ｘ３—０．１５≥０
扎≥１．０５
Ｊｒ３≥ ２
利用Ｍａｔｌａｂ工具箱函数设计逼近函数的神经
网络模 ，ＢＰ网络为４—６—１结构，输入节点数
为４（分别对应于４个输入变量 ， ：， ，， ），隐节
点数为６，输出节点数为１（对应于优化目标函数
值）．输入样本数据，用改进的ＢＰ算法训练网络，经
过５８１次迭代，训练误差达到０．０００ ０１．训练过程如
图４所示，训练后得到的权值和阈值如表１所示，训
练结果如表２所示．
、
——
、 。
、
Ｏ １０ｏ ２００ ３００ ４００ ５００
５８１ Ｅｐｏｃｈｓ
图４改进ＢＰ算法训练过程
表１神经网络的输入权值和阈值
表２神经网络模型逼近函数的结果
样本号 ，（ ） ｆ （ ） 样本号 ，（ ） ， （ ）
１ ９．５６７ ０ ９．５６４０ ６ ７．３７９４ ７．３７８ ５
２ ９．０５８ ７ ９．Ｏ６５ ３ ７ ７．０４５２ ７．０４５ ５
３ ８．５２７ ３ ８．５２１ ４ ８ ６．７８２２ ６．７８２２
４ ７．９７３ ５ ７．９７５ ２ ９ ６．７７８ ８ ６．７７９６
５ ７．４２３ ６ ７．４２４ ３ １０ ６．７３３ ９ ６．７３１ ７
注： ＊）为实际函数值。ｆ （ ）为神经网络的预测值
３．２用遗传算法求函数的最优解
采用ｃ语言编程，遗传参数分别取值为繁殖代
数７０代，染色体总长度２０，种群规模３０，交叉概率
Ｐ ＝０．８，变异概率Ｐ ＝０．０１．按照上述遗传算法的
步骤，在运行到第２７代时获得最优解，表３所示优
化结果与样本数据吻合良好，表明遗传算法的优化
是完全可行的．
表３优化结果
（下转第１１１页）
维普资讯
第１期 吉桂琴等：ＨＬＡ时间管理中ｌｏｏｋａｈｅａｄ的设置与调整
以上给出了因ｌｏｏｋａｈｅａｄ为零而使联邦运行处 证明：假设联邦成员ｋ的ｌｏｏｋａｈｅａｄ为零，因
ＴＡＲ请求而被挂起；联邦成员 的ｌｏｏｋａｈｅａｄ为零，
因ＮＭＲ请求而被挂起，且Ｔ（ｊ）＜ＬＥＴＳ（Ｊ），Ｔ（ｊ）＝
ＧＡＬＴ（ｊ）．它们的输出时问最小，彼此相等．由式（１）
可知，它们的输出时间等于它们的ＧＡＬＴ；由式（２）
于死锁状态的定理．在实际联邦运行过程中应尽量
避免这种情况出现．如果实际上出现了这种情况，解
锁也很简单，那就是用Ｍｏｄｉｆｙ Ｌｏｏｋａｈｅａｄ服务来改
变它，将ｌｏｏｋａｈｅａｄ设置为非零，死锁状态就解除了．
可知，它们的输出时间等于它们请求推进的逻
辑时问 ．对于联邦成员＿／，因为Ｔ（ｊ）＜ＬＥＴＳ（＿／），
５ 结 语
（Ｊ）＝ＧＡＬＴ（ｊ），所以有ＯＵＴＰＵＴ（ｊ）＝Ｔ（ｊ）．这样一
来，ＧＡＬＴ＝Ｔ，联邦成员ｋ和＿『都处于挂起状态，互
本文研究了ｌｏｏｋａｈｅａｄ的设置和调整问题，这在
相等待对方向前推进．其他联邦成员的ＧＡＬＴ也将
仿真应用中具有很强的实际意义．引入ｌｏｏｋａｈｅａｄ的
保持不变，其逻辑时间将无法推进超过ＧＡＬＴ，最终 目的是为了解决死锁问题，但在实际仿真过程中，常
将全部处于挂起状态而陷入死锁．
常会出现ｌｏｏｋａｈｅａｄ为零的情况，这时就又有可能造
定理２采用身高测量法的联邦，所有联邦成员
成死锁．以往针对死锁问题的研究并未专门考虑这
间既相互控制叉相互受限．在联邦运行过程中，如果
种情况．本文对ｌｏｏｋａｈｅａｄ为零时死锁规律进行了研
存在ｌｏｏｋａｈｅａｄ为零、因ＴＡＲ或ＮＭＲ请求而被挂起
究，给出了ｌｏｏｋａｈｅａｄ为零时仿真死锁的定理．了解
的至少两个联邦成员的输出时间最小且相等，其中因 了这些规律后，就能有效地避免死锁，从而使仿真过
ＮＭＲ请求而被挂起的联邦成员有Ｔ＜ＬＥＴＳ，则该联
程更加顺利地进行．这是本文的一个创新点．
邦运行将处于死锁状态．定理２的证明同定理１．
参考文献：
［１］ＦＲＥＤＥＲＩＣＫ Ｋｕｈｌ，ＲＩＣＨＡＲＤ Ｗｅａｔｈｅｒｌｙ，ＪＵＤＩＴＨ Ｄａｈｍａｎｎ．计算机仿真中的ＨＬＡ技术［Ｍ］．北京：国防工业出版社。２００３
［２］ 吴义明，齐欢．基于的导弹与飞机对抗计算机仿真ＨＬＡ［Ｊ］．计算机工程。２００４，３０（４）：１５６—１５７．
［３］王召福，金士尧．ＨＬＡ仿真系统中Ｌｏｏｋａｈｅａｄ的分析与动态调搭策略［Ｊ］．计算机仿真，２００３，２０（４）：７８—８１．
（编辑：付长缨）
・・＋・・＋－・＋ｎ＋一＋”＋ — －・＋・・—－
（上接第１０７页）
４ 结 语
以用数学方法建立精确模型的系统建模问题，能够
更加真实地反映系统中各种影响因素对优化目标的
采用神经网络和遗传算法进行优化设计是一种
交互作用，而且遗传算法对优化模型的求解速度比
非常有效的优化策略，尤其是对复杂系统的优化计
较快，并可以近似找到全局最优．充分利用两种智能
算具有很大潜力．用神经网络建立模型可以解决难
方法的优点共同解决日趋复杂的优化问题．
参考文献：
［１］ 汪朝军，刘艳明．遗传算法和神经网络融合型最优控制器及其在铣削加工参数控制中的应用［Ｊ］．控制理论与应用，１９９９，１６（４）：６０７—６１０
［２］ＭＡＲＴＩＮ Ｔ，Ｈａｇａｎ，Ｈｏｗａｒｄ Ｂ．Ｄｅｍｕｔｈ。Ｍａｒｋ Ｈ．Ｂｅａｌｅ．神经网络设计［Ｍ］．北京：机械工业出版社，２００３．
［３］李敏远，都延丽．一类过程控制对象的神经网络建模及仿真［Ｊ］．系统仿真学报，２００３，１５（１１）：１ ５３３—１ ５３６．
［４］刘丁，万百五．空气预热器供风系统的模型辨识与稳态优化控制［Ｊ］．自动化学报，１９９９。２５（６）：７２８—７３４－
［５］ 王小平，曹立明．遗传算法——理论、应用与软件实现［Ｍ］．西安：西安交通大学出版社，２００２．
［６］齐乐华，侯俊杰。杨茂奎，等．液态挤压工艺ＡＮＮ／ＧＡ建模与优化研究［Ｊ］．西北工业大学学报，２００１。１９（１）：１１４—１１７．
［７］周志坚，毛宗源．一种基于遗传算法的模糊神经网络最优控制［Ｊ］．控制理论与应用，２０００，１７（５）：７８４—７８８－
［８］董长虹．Ｍａｔｌａｂ神经网络与应用［Ｍ］．北京：国防工业出版社，２００５．
（编辑：董 晶）