遗传算法与RBF神经网络在轮轨力建模中的应用

"采用遗传神经网络的轮轨力建模方法 (2012年)——这是一篇发表于2012年7月《哈尔滨工业大学学报》上的自然科学论文，作者包括蔡国强、邢宗义、潘丽莎、程晓卿和秦勇。论文提出了一种结合遗传算法和径向基函数神经网络的新型轮轨力建模技术，旨在解决铁路系统中轮轨力预测的难题。" 本文主要探讨了如何利用先进的计算方法来改善轮轨力建模的精度和效率。传统的轮轨力模型往往面临计算复杂度高和预测准确性不足的问题。为了解决这些问题，研究者引入了遗传算法优化的径向基函数神经网络。遗传算法是一种模拟自然选择和遗传过程的全局优化方法，能有效搜索复杂的多维空间，寻找最优解。而径向基函数神经网络则因其强大的非线性映射能力，常被用于模式识别和预测任务。 在该模型中，轨道不平顺作为输入参数，对轮轨力进行预测。对于径向基函数神经网络的关键参数——中心、宽度和权值，论文采用了不同的方法来确定：中心通过遗传算法进行优化，宽度采用最大距离法，而权值则通过最小二乘法求解。这样的组合使得模型在提高预测精度的同时，降低了计算负担，实现了快速且精确的轮轨力建模。 通过仿真试验，该方法显示出较高的预测性能，验证了其在轮轨力建模领域的有效性。这一创新性的工作对于铁路系统的动力学分析、车辆运行安全性和轨道维护策略的制定具有重要意义，为未来相关领域的研究提供了新的思路和技术支持。 关键词涵盖了轨道不平顺、轮轨力、建模、神经网络以及遗传算法，这些是论文的核心内容。论文分类号U216指向交通运输工程，TP183则代表了计算机科学中的智能控制与人工智能领域，文献标志码A表示这是一篇原创性的学术研究文章。 这篇论文展示了遗传算法和神经网络在解决实际工程问题中的强大应用潜力，特别是在铁路系统中对于轮轨力学行为的理解和预测，对于提升铁路运营的安全性和效率具有重要理论和实践价值。