跳到主要內容

臺灣博碩士論文加值系統

(18.204.56.185) 您好!臺灣時間:2022/08/17 14:58
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:許凱雄
研究生(外文):hsu kai hsiung
論文名稱:類神經網路於船舶設計資料之初步預估
論文名稱(外文):Neural Network Approaches for the Preliminary Prediction for Ship Design
指導教授:郭信川郭信川引用關係
指導教授(外文):kuo hsin tsuan
學位類別:碩士
校院名稱:國立海洋大學
系所名稱:系統工程暨造船學系
學門:工程學門
學類:機械工程學類
論文種類:學術論文
論文出版年:2002
畢業學年度:90
語文別:中文
論文頁數:115
中文關鍵詞:單先形法遺傳演算法實數型進化演算法類神經網路倒傳遞類神經網路船舶初步設計資料
外文關鍵詞:Nelder-Mead's simplex methodGenetic AlgorithmsReal-codedEvolutionary AlgorithmArtificial Neural networkBack-Propagation networkPreliminary Prediction for ShipDesign
相關次數:
  • 被引用被引用:6
  • 點閱點閱:128
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
摘 要
本文研究實數型進化演算法和倒傳遞類神經網路之結合,建立實數型進化演算法-倒傳遞類神經網路架構,應用於船舶設計資料之初步預估。
首先對單純形法、遺傳演算法和實數型進化演算法做探討比較,並對實數型進化演算法之參數分析,測試結果顯示族群數為20以上、更新數為70%對實數型進化演算法搜尋效率較好。再者,把實數型進化演算法測試於高維數香蕉函數問題(100~200維),並與其他方法比較討論。
接著,針對三種類神經網路探討:1)倒傳遞類神經網路;2)實數型進化演算法-類神經網路;3)實數型進化演算法-倒傳遞類神經網路。首先以測試例對此三種類神經網路架構做比較,結果顯示以3)實數型進化演算法-倒傳遞類神經網路之訓練誤差和測試誤差為最小。
最後,應用實數型進化演算法-倒傳遞類神經網路,來做船舶設計資料之初步預估。將所建立的預估模型經測試顯示相當成功,可提供船舶初步設計一個相當省便又經濟的預估模型。
關鍵字:單純形法、遺傳演算法、實數型進化演算法、類神經網路、倒傳遞類神經網路、船舶初步設計資料。

Abstract
Combining the real-coded evolutionary algorithm with back- propagation networks for the preliminary prediction of ship design is proposed in this thesis. There are three parts in this thesis are examined and discussed.
First part, comparing with performance of global search among Nelder- Mead’s simplex method, binary coded genetic algorithms and real- coded evolutionary algorithms through some multi-modal problems. Their results show that for the searching performance the real-coded evolutionary algorithm is the best method among them.The influences of the parameter in the real-coded evolutionary algorithm on the performance are also studied and discussed. From the studied results, the faster convergent speed and better performance could be easily achieved by using the parameters in the real-coded evolutionary algorithm such as population over 20 and replacing rate about 70% of the population. And then applying the real-code evolutionary algorithm to examine the high-dimensional barnana function, dimensions 100 ~ 200, and compares the test results with those by means of some different methods.
The second part in the thesis, three artificial neural networks such as back-propagation network, real-code evolutionary algorithm-network, and hybridized real-coded evolutionary and back-propagation neural network, are examined through nonlinear functions. Comparison of the training performances of neural network shows that the hybridized real- coded evolutionary and back-propagation neural network is the best method among them.
Finally, the hybridized real-coded evolutionary and back- propagation neural network approaches is applied to the preliminary prediction for ship design. In this thesis, 29 container ship’s basic design data are collected. The hybridized neural network approach mentioned is used neural network learning and to obtain the better efficiency that the training error for these neural network model is acceptable. Using some different testing data for the learned neural network model, the predicted data approaches to ideal data or actual data closely. In other words, the established neural network model in the thesis for the preliminary prediction for ship design could be successful.
Keyword: Nelder-Mead’s simplex method, Genetic Algorithms, Real-coded Evolutionary Algorithm, Artificial Neural network, Back-Propagation Network, Preliminary Prediction for Ship Design

目 錄
摘要………………………………………………………………………..I
Abstract………………………………………………………………….II
目錄……………………………………………………………………….III
圖目錄…………………………………………………………………….VI
表目錄………………………………………………………………………IX
第一章 緒論………………………………………………………………1
1.1 研究動機與目的……………………………………………….1
1.2 搜尋演算法……………………………………………………….1
1.3 類神經網路……………………………………………………….3
1.4 研究方向與論文大綱…………………………………………….4
第二章 全域性搜尋演算法…………………………………………..….6
2.1 遺傳演算法………………….……………………….…………..….6
2.1.1 位元編碼與解碼方式…………….…..…………………..….6
2.1.2 遺傳演算法之基本運算子……………….…………………….7
2.1.3 遺傳演算法之流程……………………………………….……10
2.1.4 遺傳演算法之流程圖……………………………………….…11
2.2 單純形法…………………………………………………………………12
2.2.1 單純形法之搜尋機制………………..……………………...13
2.2.2 單純形法之流程……….………..………………………………...15
2.2.3 單純形法之流程圖……….………..……………………………...17
2.3實數型進化演算法………..…………….…………………………...18
2.3.1 實數型進化演算法之基本運算子………………….………...18
2.3.2 實數型進化演算法之流程…………………………………....19
2.3.3 實數型進化演算法之流程圖………………………….……...20
第三章 實數型進化演算法之搜尋特性………………………………..21
3.1實數型進化演算法之特性………………………………………21
3.1.1初始族群之隨機探討…….……….…………….…...21
3.1.2 族群數………………………………………………....25
3.1.3 更新數………………………………………………....33
3.1.4 利用視覺化找出特性…………………………………...40
3.2 與遺傳演算法之比較……………………………………..…...45
3.3 與單純形法之比較………………………………………..…...49
第四章實數型進化演算法應用於高維問題………………………………..54
4.1 挑戰高維問題之瓶頸………..………………………….…...54
4.2 局部改善策略…………………………………………………….54
4.21 隨機產生……………………………………………..…..57
4.22 方向性產生………………………………………….…...57
4.3 與改善前之比較……….………………………………….….…57
第五章 類神經網路………..…………………………………..…….…..61
5.1 類神經網路………………………………………………......61
5.1.1類神經網路原理……….………….…………………...62
5.1.2 類神經網路模型………………………………………...67
5.2 倒傳遞類神經網路……………………………………………..69
5.3實數型進化演算法(REA)於類神經網路之訓練……..………...73
5.3.1 網路架構………..………………………………………………...73
5.3.2 REA-NN處理流程………..…………………………..…….…….74
5.4 實數型進化演算法(REA)於倒傳遞類神經網路之訓練……...76
5.4.1網路架構………..……………………………….……...76
5.4.2 REA-BP…………………………………………………...77
5.5 三種類神經網路之比較……………………..……………...79
5.5.1 資料的擷取………………….………………….…...79
5.5.2 資料範例之處理…………………………….……...81
5.5.3 結果………………………..…………....….……...83
第六章 應用於船舶初步設計之預估……………………………………...86
6.1 構想…………………….……………………………………...86
6.2 船舶設計之初步預估流程…………………………….……...86
6.3 類神經網路於船舶設計基本資料處理………..……………...87
6.4 預估模型之建立….………………….…….………………..93
6.5 預估測試….………………….……….………………………..94
6.6 訓練範例數目多寡之影響….………………………….……..96
6.7 不同訓練範例之誤差探討….…………………………….……100
第七章 結論及未來展望……….…………………………………………112
7.1 結論….…………………………….……………………………112
7.2 未來展望….…………………………….………………………113
參考文獻………..………………………………….…………………….114
圖目錄
圖2.1遺傳演算法之流程圖………………………………………………….11
圖2.2單純形法示意圖………………………………..……………..…..13
圖2.3單純形法之流程圖…………………………………………………..17
圖2.4實數型進化演算法之流程圖…………………………………..……20
圖3.A f2(x)族群數……………………………………………..…………32
圖3.B f3(x)族群數…………………………………………………..……32
圖3.C f2(x)更新數……………………………………………..…………39
圖3.D f3(x)更新數…………………………………………..…………39
圖3.1 f1(x) 二維多極值函數 (Branin RCOS)…………………….…….22
圖3.2第Ⅰ種情形,初始族群點分佈●、最後族群點分佈▲與最佳解■。…..23
圖3.3第Ⅱ種情形,初始族群點分佈●、最後族群點分佈▲與最佳解■。…..23
圖3.4第Ⅲ種情形,初始族群點分佈●、最後族群點分佈▲與最佳解■。…..23
圖3.5第Ⅳ種情形初始族群點分佈●、最後族群點分佈▲與最佳解■。……...23
圖3.6第一角隅,初始族群點分佈●、最後族群點分佈▲與最佳解■。…..….24
圖3.7第二角隅,初始族群點分佈●、最後族群點分佈▲與最佳解■。……...24
圖3.8第三角隅,初始族群點分佈●、最後族群點分佈▲與最佳解■。……...24
圖3.9第四角隅,初始族群點分佈●、最後族群點分佈▲與最佳解■。……...24
圖3.10f2(x)一維多極值函數…………………………………..…….…26
圖3.11 f3(x)二維多極值函數………………………………………..…26
圖3.12族群數目=5,X=5.832742,f2(x)= -3.366327……….……..…27
圖3.13族群數目=10,X= -0.4369638,f2(x)= -3.372897………….…27
圖3.14族群數目=15,X= -13.00306,f2(x)= -3.372897………….….28
圖3.15族群數目=20,X= -13.003032,f2(x)= -3.372896………….…28
圖3.16族群數目=25,X= -0.4369085,f2(x)= -3.372898…………….28
圖3.17族群數目=30,X= -0.4369082,f2(x)= -3.372898………….…28
圖3.18族群數目=35,X= -0.4369103,f2(x)= -3.372898…………….29
圖3.19族群數目=50,X= 5.421505,f2(x)= -3.372897……………….29
圖3.20族群數目=5,f3(x)= -3.753128…………………………………29
圖3.21族群數目=10,f3(x)= -3.765869……..…………………………30
圖3.22族群數目=15,f3(x)= -3.782829…..…………………..……..30
圖3.23族群數目=20,f3(x)= -3.776457……………………………..…30
圖3.24族群數目=25,f3(x)= -3.775952…………………..……………30
圖3.25族群數目=30,f3(x)= -3.760258…………………..……..…..31
圖3.26族群數目=35, f3(x)= -3.783714………………….……….…..31
圖3.27族群數目=50, f3(x)= -3.783669……………….………..….31
圖3.28 更新數為20%,X=-0.4366631,f2(x)= -3.372897……………33
圖3.29 更新數為30%,X=-0.436885,f2(x)= -3.372898………………33
圖3.30 更新數為40%,X=5.846474,f2(x)= -3.372897……..…………34
圖3.31 更新數為50%,X=-0.4369082,f2(x)= -3.372898.…..……,..34
圖3.32 更新數為60%,X=12.12934,f2(x)= -3.372897………………34
圖3.33 更新數為70%,X=-0.4367532,f2(x)= -3.372898………………35
圖3.34更新數為80%,X=-0.4368472,f2(x)= -3.372898………………35
圖3.35 更新數為90%,X=-0.4369794,f2(x)= -3.372897….. ………35
圖3.36更新數為20%,X1= -3.792454,X2= -3.311016,f3(x)= -3.758288,,,,,,6
圖3.37 更新數為30%,X1= 2.97333,X2= 2.018428,f3(x)= 2.995423…………..36
圖3.38 更新數為40%,X1= 2.983797,X2= 2.013445,f3(x)= 2.992197………....36
圖3.39更新數為50%,X1= -3.77151,X2= -3.267184,f3(x)= -3.760258…………37
圖3.40 更新數為60%,X1= -3.793158,X2= -3.28279,f3(x)= -3.781812………...37
圖3.41 更新數為70%,X1= -3.791316,X2= -3.283575,f3(x)= -3.783036………37
圖3.42 更新數為80%,X1= -3.783069,X2= -3.284333,f3(x)= -3.78231…….….38
圖3.43 更新數為90%,X1=-2.823297,X2=3.131748,f3(x)= -2.8125………..….38
圖3.44族群遷移進化圖(族群數目7個)………………,,,,,………………42
圖3.45族群遷移進化圖(族群數30個)………………………….………….43
圖3.46:族群數目=40,收斂次數(NF)與函數值(FX)…………………..46
圖3.47:族群數目=20,收斂次數(NF)與函數值(FX)……………………46
圖3.48:族群數目=10,收斂次數(NF)與函數值(FX)………………..…47
圖3.49:族群數目=5,收斂次數(NF)與函數值(FX)…………….…..…47
圖3.50:族群數目=40,收斂次數(NF)與函數值(FX)…………………….47
圖3.51:族群數目=20,收斂次數(NF)與函數值(FX)……. ……………47
圖3.52:族群數目=10,收斂次數(NF)與函數值(FX)………………..….48
圖3.53:族群數目=5,收斂次數(NF)與函數值(FX)…………………..…48
圖3.54 X1X2方向……………………..……………..………….….…51
圖4.1 f4(x) Rosenbrock 香蕉函數……………………………………..55
圖4.2 Hybrid Model = REA-GRID………….……………………….…56
圖5.1: 生物神經元結構………………………..……..………….…….63
圖5.2: 人工神經元架構………………………..……..…….…....….63
圖5.3: 感知機網路架構………………………..………...……….…67
圖5.4: 倒傳遞網路架構……………………………………………...….70
圖5.5 f5(x) 二維單極值函數………………..………………….…….80
圖5.6 f6(x) 二維單極值函數………………..………………...…..80
圖5.7 類神經網路輸入、輸出資料…………………..……..………….81
表目錄
表3.1單純形與實數型進化演算法比較表…………..……………………51
表3.1a 單純形法之搜尋結果………………………………………..…….50
表3.1b 實數型進化演算法I之搜尋結果……..…..………………..…..51
表3.1c 實數型進化演算法II之搜尋結果…..……..……………….……51
表4.1a 各種演算法之比較。MEAN:收斂之計算次數;SD:標準差;SUCC:搜尋成功次數;BF:搜尋之最好之函數值。…………………...58
表4.1b 各種演算法之比較。MEAN:收斂之計算次數;SD:標準差;SUCC:搜尋成功次數;BF:搜尋之最好之函數值。……………..….59
表5.1 f5(x)訓練、測試誤差……...……..………………....………85
表5.2 f6(x) 訓練、測試誤差……..……..…..……..…………………85
表6.1貨櫃船輸入資料…………....………..…………..……….89
表6.2 貨櫃船輸出資料…..……..…….………………………...………90
表6.3 尺度化貨櫃船輸入資料…………..…..…..…..……..………..91
表6.4尺度化貨櫃船輸入資料…..…………………..……..……..……92
表6.5 五組輸出之訓練誤差…..……..……..…………………..………94
表6.6 預估船舶資料……..……..………………….,,,,,,,,,,,,,,,,,95
表6.7 預估輸出資料與誤差…..……..……..……..……………………95
表6.8 五組REA-BP學習訓練之均方根誤差(I)…..……..……..……..96
表6.9 貨櫃船輸入資料(粗斜體為插入之隨機20筆).………..…………97
表6.10貨櫃船輸出資料(粗斜體為插入之隨機20筆)…………..…………98
表6.11 預估輸出資料與誤差……………..…..…..……..……..……99
表6.13 Lpp之誤差(29筆資料)…..…….....……..……..………..101
表6.14 Bm之誤差(29筆資料)…..……..…….……..……..………..102
表6.15 d之誤差(29筆資料)…..……..……….…..……..………..103
表6.16 BHP之誤差(29筆資料.……..……….…..……..……….,,,104
表6.17 FOC之誤差(29筆資料)…..……..………..……..………..105
表6.18 Lpp之誤差(49筆資料)…..……..……....……..……..…..106
表6.19 Bm之誤差(49筆資料)…..……..……....……..……..…..107
表6.20 d之誤差(49筆資料)…..……..……..……..…….…..…..108
表6.21 BHP之誤差(49筆資料)…..…...……..……..…..…..…..109
表6.22 FOC之誤差(49筆資料)…..………...……..……..………..110
表6.23 平均值與標準偏差……....……..……..……..……..……111

[參 考 文 獻]
1. Marine, R.E. and Iliff, K.W., SPI: Identification of Dynamic, Systems: Theory and Formulation, NASA RP 1138 (1985).
2. Box, G. and Draper, N., Empirical Model-building and Response Surfaces, New York: John Wiley & Sons (1987).
3. Hornik, K. Stinchcombe, M. and White, H.,” Multilayer Feed forward Networks are Universal Approximators,” Neural Network, 2 (5), pp. 359-366, (1989).
4. Haddara, M.R. and Hinchey, M.,” On The Use of Neural Network Techniques in The Analysis of Free Roll Decay Curves,” Int. Shipbuild. Progr. 42, No. 430, pp. 166-178 (1995).
5. Ray, T., Gokarn, R.P. and Sha, O.P.,”Neural Network Applications in Naval Architecture and Marine Engineering, ” Artificial Intelligence in Engineering, 1, pp.213-226 (1996).
6. Kodiyalam, S. and Guruumoorthy, R.,” Neural Networks with Modified Back-propagation Learning Applied to Structural Optimization,” AIAA J. Vol. 34, No. 2, pp.408-412 (1996).
7. Chen, S.Y.,” An Approach for Impact Structure Optimization Using The Robust Genetic Algorithm, ” Finite Elements in Analysis and Design, 37, pp. 431-446,(2001).
8. Curry, B. and Morgan, P.,” Neural Networks: a Need for Caution,” Omega, Int. J. Mgmt Sci., Vol. 25, No. 1, pp. 123-133 (1997).
9. Sexton, R.S. and Gupta, J. N.D.,” Comparative Evaluation of Genetic Algorithm and Back propagation for Training Neural Networks,” Information Sciences, 129, pp. 45-59 (2000).
10. Mandischer, M.,” A Comparison of Evolution Strategies and Back propagation for Neural Network Training, ” Neurocomputing 42, pp. 87-117 (2002).
11. Holland, J.H., Adaption in Natural and Artificial Systems, Univ. of Michigan Press, Ann. Arbor, Mi (1975).
12. 郭信川,王鴻鈞,”遺傳演算法在結構最佳化設計之應用”,第十屆造船暨輪機工程研討會,pp.387-398 (1997).
13. 郭信川,王鴻鈞,”遺傳演算法在最佳化設計問題之應用”,J.SNAME,R.O.C.Vol.17,NO.1,pp.39-48 (1998).
14. 郭信川,王鴻鈞,”遺傳演算法在貨櫃船扭轉強度之離散最佳化設計之應用”,J.SNAME,R.O.C,Vol.18,NO.1,pp.47-56 (1999).
15. 郭信川,遺傳演算法在船體結構多目標最佳化設計之應用, NSC-89-2611-E-019-041.(2000).
16.Michalewicz, Z., Genetic Algorithm + Data Structures=Evolution Programs, Springer, Berlin, (1992).
17. Nelder, J.A. and Mead, R.,” A Simplex Method for Function Minimization, ” Computer Journal, 7, pp. 308-313 (1965).
18.Lagarias, J.C., Reed, J.A., Wright, M.H. and Wright, P.E.,” Convergence Properties of The Nelder-Mead Simplex Method in Low Dimensions, ” SIAM J. Optim. Vol. 9, No. 1, pp. 112-147(1998)
19.Hedlund, P. and Gustavsson, A.,” Design and Evaluation of an Improved Simplex Method, ” Analytica Chimica Acta 371, pp. 9-21 (1998).
20.郭信川, 官佳慶, “改良式單純形法對結構最佳化設計之應用, ”海運研究學刊, No. 8, pp. 1-18 (1999).
21.郭信川,官佳慶,“隨機搜尋法於多極值最佳化問題之應用,” J.SNAME,R.O.C, Vol.19,No.4,pp.33-40 (2000).
22. 郭信川,許凱雄, “基於單純形法之進化演算法之搜尋特性”, 第十四屆造船暨輪機工程研討會, pp.D1.1-D1.9 (2002).
23. 郭信川,陳彥名, “類神經網路於求解多極值函數之應用”, 第八屆軍鑑工程研討會, pp. 89-94 (2000).
24. Stewart, G. W. , A Modification of Davidon’s Minimization Method to Accept Diffe- rence Approximations of Derivatives JACM 14, 72-83, 1967.
25. Powell, M. J. D., An Efficient Method for Finding the Minimum of a Function of Several Variables without Calculating Derivatives Comp. J. 7, 155-162, 1964.
26. Francisco J. Solis and Roger J.-B. Wets, Minimization by Random Search Tech- niques Operations Research, 19-30, 1981.
27. Nikolaus Hansen, Andreas Ostermeier, and Andreas Gawelczyk, On the Adaptaion of Arbitrary Normal Mutation Distributions in Evolutions Strategies: The Generati- ing Set Adaptation In: L.J. Eshelman(Ed.). Proceedings of the Sixth Int. Conf. On Genetic Algorithms, 57-64, Morgan Kaufmann, 1995.
28. Deniz Yuret and ichael de la Maza, Dynamic Hillclimbing: Overcoming the Lim- itations of Optimization Techniques. In: The second Turkish Symposium on Artific- ial Intelligence and Neural Networks, 208-212, 1993.
29.葉怡成, “類神經神經網路-方法應用與實作”, 儒林圖書公司, 1995.
30.葉治宇, “船舶設計講義”, 海大系統工程暨造船系.

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top