遗传算法的神经网络在预测应用方面的研究现状
文献[2]采用遗传算法(GA)优化的BP神经网络对变压器油中气体进行预测和分析, 结果表明, 所采用的方法可有效提高BP神经网络的预测精度。文献[3]表明在合适的参数条件下径向基函数神经网络能够以任意的精度来逼近任意的函数，遗传算法是一种高效的全局寻优的搜索方法。将遗传算法和径向基函数神经网络相结合，建立遗传神经网络，运用到合金设计的性能预测方面。使用简单易行的二进制编码方法，在寻求径向基函数神经网络隐舍层神经元最优中心矢量的同时确定其最馋个数，通过设定合理的目标函数解决网络函数逼近能力与泛化能力之间的矛盾。试验证明，该方法在合金性能预测方面有较好的效果，能够成为合金设计有力的辅助手段。文献[4]将遗传算法与BP神经网络结合，利用遗传算法的全局搜索优化BP 网络的初始权重，有效地克服了BP算法的局部收敛和收敛速度慢等问题。使用主成分分析法选取输入变量，并将建立的混合模型应用于铁矿石需求预测中。实验表明，该方法改善了预测精度，达到了较好的预测效果。
文献[5]提出利用遗传神经网络技术对地震预测建模, 其基本思想是利用遗传算法具有全局搜索能力、不易陷入局部极小点的特点优化神经网络的权重和阈值, 利用优化的神经网络挖掘地震前兆异常属性和震级之间的潜在的关系, 从而实现地震预测。并选取了《中国震例》中的97个样本数据进行实验, 震例验证的结果表明, 遗传神经网络算法用于大地震综合预测效果较理想。文献[6]文将神经网络和遗传算法相结合, 建立了一种遗传神经网络模型。这种模型克服了遗传算法获得最优解进程缓慢和神经网络易陷入局部最优解的缺陷, 具有较好的全局性和较快的收敛速度。将该模型应用于汇率价格的短期预测, 收到了较好的成效。文献[7]利用遗传算法的全局寻优能力, 构造了一个预测财务困境的遗传神经网络模型(GANN)。该模型对预测财务困境的神经网络模型的输入变量进行了优化。通过对沪深A股市场部分上市公司财务困境的预测表明, 该模型比ANN模型具有更好的预测财务困境的能力。