遗传算法与BP神经网络在汽车工程领域的应用

遗传算法与BP神经网络在汽车工程领域的应用摘要:在汽车工程领域，许多问题都是多维，有条件约束，高度非线性的，将BP神经网络与遗传算法相结合能够很好的集中两种智能算法的优点，从而解决汽车工程领域的某些问题。本文介绍了这种方法在汽车工程领域的应用，并对问题进行了分类总结，对解决此类问题有一定的意义。关键词:遗传算法BP神经网络汽车工程TheapplicationsofgeneticalgorithmandBPneuralnetworkinautomotiveengineeringAbstract:Inthefieldofautomotiveengineering,someproblemsinautomotiveengineeringcanbesolvedbymeansofthecombinationoftheBPneuralnetworkandgeneticalgorithmwhichincludestheadvantagesoftwokindsofintelligentalgorithms.Theapplicationofthismethodinautomotiveengineeringisdescribedinthispaper.Theseproblemshavebeenclassifiedandsummarized.IthascertainsignificanceinsolvingthiskindofproblemsKeywords:geneticalgorithm;BPneuralnetwork;automotiveengineering引言神经网络理论自20世纪诞生以来，已经在众多领域上得到应用，通过已获取的样本建立自变量和目标的映射关系能够很好的解决工程实际中高度非线性的建模问题，实际工程应用中多采用BP神经网络。遗传算法（GeneticAlgorithms）是根据适者生存，优胜劣汰等自然进化规则来进行搜索计算和问题的求解，对于一些传统的复杂问题，特别是优化问题，遗传算法提供了一个有效的新途径。在汽车工程领域，许多问题都是多维，有条件约束，高度非线性的优化问题，因此将人工神经网络与遗传算法相结合能够很好的解决汽车工程领域的某些问题。1BP神经网络与遗传算法的简介1.1BP神经网络概述BP神经网络是一种多层的前馈神经网络，由于其结构简单、可调整的参数多、训练算法多、可操作性好，获得了非常广泛的应用。据统计，80%至90%的神经网络模型都是采用BP神经网络或者是他的变形。BP神经网络主要由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信图1单隐层结构的BP神经网络息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。图1是一个单隐层的BP神经网络结构。1.2遗传算法的概述遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型。它的思想源于生物遗传学和适者生存的自然规律，是具有“生存+检测”的迭代过程的搜索算法。与传统搜索算法不同，遗传算法从随机产生的初始解开始搜索，通过一定的选择、交叉、变异操作逐步迭代以产生新的解。群体中的每个个体代表问题的一个解，称为染色体的好坏用适应度值来衡量，根据适应度的好坏从上一代中选择一定数量的优秀个体，通过交叉、变异形成下一代群体。经过若干次的进化之后，算法收敛于最好的染色体，它就是问题的最优解或者次优解。其中，选择、交叉和变异构成了遗传算法的遗传操作；参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定等5个要素组成了遗传算法的核心内容。图2是遗传算法的流程。2BP神经网络与遗传算法结合的类型2.1利用遗传算法和BP神经网络进行多目标优化在某些优化设计过程中，必须考虑使多个目标在给定条件下均尽可能最佳的优化问题，但是目标之间往往是相互冲突的，遗传算法则具有随机性的大规模并行搜索特性，因而在求解多目标优化问题时有明显的优势。工程应用中，利用BP神经网络强大的函数逼近能力，对已经获得的样本进行训练，获得所需变量对与其之间建立了映射关系，在此基础之上，利用遗传算法优秀的全局最优解搜索能力，寻找合适的参数组合，使得评价函数的值最优。2.2利用遗传算法优化BP神经网络由于BP神经网络的权值和阀值一般是通过随机初始化[-0.5,0.5]区间的随机数，这个初始化参数对网络训练的影响很大，但是没法准确获得，对于不同的初始权值和阀值，神经网络训练的结果是一样的。引入遗传算法的目的就是通过遗传算法优化得出神经网络的最佳初始权值和阀值，以此获得符合条件的神经网络。3BP神经网络和遗传算法在汽车工程领域的应用BP神经、网络和遗传算法在汽车工程领域的应用主要是两大方面：识别类和参数优化类，下面着重介绍这两类。3.1识别类在汽车工程领域，例如故障诊断、汽车牌照的识别、汽车轮胎的识别都是属于识别类的工程问题，这类问题可以运用遗传算法和神经网络结合来解决。其主要的思路是先获取足够数量的要本，对于故障诊断来说，是典型的故障信号，对于汽车牌照识别和汽车轮胎识别来说就是识别的物体，然后通过人工神经网络来建立映射关系，然后利用遗传算法对建立好的BP神经网络进行优化，优化其权值和阀值，对训练好的网络进行检验后即可用于工程实际中。采用遗传算法优化BP神经网络主要分为神经网络拓扑结构的确定，遗传算法优化权值和阀值，神经网络的训练和预测三个部分。神经网络的拓扑结构是根据样本的输入/输出的个数来决定的，拓扑结构确定后就可以确定遗传算法优化参数的个数，从而确定种群个体的编码长度；一旦神经网络的结构确定了，权值和阀值的个数就确定了，此时利用遗传算法对其进行优化，最后将优化后的最优权值和阀值染色体编码创建群体计算适应度复制、交叉、变异子代群体数达要求适应度是否满足要求要求解码得到问题的解YESNO图2遗传算法流程带入神经网络中，对其进行训练和测试，看测试误差是否满足要求，若不满足再重复上述步骤。苏子林，车忠志，邱景炜[2]采用了改进的遗传算法对汽车故障诊断神经网络的权值和网络结构进行了优化。在保证种群多样性的条件下，将种群规模降低到最小；引入bp算子，与交叉和变异算子共同竞争，其中BP算子优化权值，交叉和变异算子重点优化网络结构,自适应调整运算概率；引入个体间的广义海明距离用于保持种群的多样性，引入连接权的敏感度用于优化网络结构。最终在算法对比测试表明，改进后的遗传算法能够在优化权值的同时优化网络结构，减少了内存占用量，保证了种群的多样性，提高了算法的运行速度和收敛效果。孙俊，李正明，杨继昌[3]为了提高汽车轮胎号自动识别的正确率,将遗传算法运用于神经网络初始权值的选取,进一步利用BP神经网络算法寻找最优权值。选用熵函数作为误差函数加速神经网络学习速度,引入选择因子自适应调整神经网络训练权值,防止训练发生振荡。将遗传神经网络应用于胎号字符图像的识别,对已分割的待识别胎号字符图像进行特征提取,给出遗传神经网络的识别结果。实验证明,此方法使网络训练的收敛速度和胎号字符识别准确率都有较大提高。3.2参数优化在工程实际应用中，对于多参数的选择，设计者往往需要考虑这些参数对设计目标的影响，如何合理的设计这些参数对设计至关重要。由于这些参数之间有时是相互冲突的，所以如何利用优化方法获得最优解影响着设计的成功与否。工程应用中可以利用遗传算法来解决这个问题。3.2.1能够建立显示函数关系的问题对于能够建立显示函数关系的参数优化问题，建立好合理正确的目标函数后可以利用遗传算法对目标函数进行优化，从而获得最优解。这种思路主要应用于像装置或机构设计参数的优化，混合动力汽车参数的优化设计等能够列出具体函数表达式并且需要对多个目标参数进行优化的问题上。吴光强,陈慧勇[4]针对混合动力汽车设计参数众多的状况,提出了一种对混合动力汽车传动系统参数和控制参数同时进行优化的多目标优化新方法——自适应遗传算法。在ADVISOR平台上,以一辆使用逻辑门限控制策略的并联混合动力汽车为例,分析并建立了以动力性能指标为约束的混合动力汽车参数优化的非线性规划模型,其目标函数包含最小油耗和最佳排放性能。针对遗传算法容易早熟等不足,采用带自适应交叉和变异算子的遗传算法和模拟退火技术相结合进行求解，通过仿真验证了新的遗传算法的有效性。苏俊，习平原[5]在设计汽车主减速器时采用混合遗传算法来优化设计。在满足主减速器接触强度、弯曲强度和边界约束的条件下，建立了优化设计数学模型。由于传统的优化方法存在着求解过程复杂和寻优过程容易陷入局部最优解的问题，故通过神经网络方法拟合待求系数，应用遗传算法工具箱调用混合遗传算法寻求最优解，使求解过程得到简化，确保可靠地获得全局最优解。3.2.2不能建立显示函数关系的问题工程中有些参数优化问题的难点是不存在设计变量和优化目标的显式函数关系式，而BP神经网络对建立此类映射关系有着无可比拟的优势。遗传算法作为一种不需要具体函数形式就能够进行优化计算的优化方法，可以寻得全局最优解。将两者相结合，可以很好的解决这类问题的困难。这种思路主要应用于像有限元分析以及结构设计等不能够列出具体函数表达式并且需要对多个目标参数进行优化的问题上。武和全，辛勇将[6]人工神经网络引入抗撞性优化设计中，选取变截面梁的主要设计参数作为研究对象，将有限元分析与试验设计，神经网络和遗传算法结合起来，对变截面梁各结构尺寸进行了抗撞性优化设计，建立了变截面梁结构的总吸能神经网络预测模型，并采用了遗传算法进行了优化求解，使得整车的被动安全性得到了提高。邓江华，刘献栋，冯国胜[7]在对客车车身骨架结构进行有限元静、动力分析的基础上,利用神经网络对有限元分析得出的样本数据建立骨架结构设计参数(输入)与位移、应力及频率(输出)的全局性映射关系,获得遗传算法求解结构优化问题所需的目标函数值。最后,用遗传算法对车身骨架结构进行了减重优化，取得了满意的效果，说明,基于神经网络和遗传算法的优化技术应用在汽车结构的优化设计中是有效、合理的。结语本文总结了神经网络结合遗传算法在汽车工程领域的应用：（1）对于识别类的问题，可以利用人工神经网络先建立映射关系，再利用遗传算法对神经网络进行优化，包括神经网络的权值、阀值以及网络结构，从而获得能够满足工程实际的人工神经网络。这种方法主要应用于像汽车故障诊断，牌照识别等无法建立显示函数但又要根据输入给出输出的问题上。（2）对于参数优化问题，对于能够建立显示函数的工程问题，再建立还合理的目标函数后，就可以利用遗传算法对目标函数进行优化，从而获得最优解；对于无法建立显示函数的工程问题上，可以先利用人工神经网络建立映射关系，然后利用遗传算法或者改进的遗传算法寻得最优解，从而解决此类优化问题。参考文献[1]史峰，王辉，郁磊等.MATLAB智能算法30个案例分析[M].北京航空航天大学出版社,2011:89-143[2]苏子林，车忠志，邱景炜.优化汽车故障诊断神经网络的改进遗传算法[J].鲁东大学学报（自然科学版）,2011,27（1）:81-85[3]孙俊，李正明，杨继昌.遗传神经网络在汽车轮胎号识别中的应用[J]．农业机械学报，2005，36（9）：157-159[4]吴光强，陈慧勇.基于遗传算法的混合动力汽车参数多目标优化[J]．汽车工程，2009，31（1）：60-64[5]苏俊，习平原.基于神经网络的车辆主减速器混合遗传算法优化设计[J].机械设计与制造，2011，2（2）：42-44[6]武和全，辛勇.基于神经网络的