摘要:启发式算法和神经网络技术是近年来国内外学者研究中最为活跃的两个领域。提出的新型启发式算法往往存在许多缺陷，因此很多学者对这些新的启发式算法进行改进并应用于现实生活中。本文在海豚算法（）的基础上，做出了一些补充，突出了伙伴的思想，并与神经网络结合应用于混凝土配合比优化设计问题研究。

在实际生产过程中，混凝土抗压强度预测与混凝土配合比设计具有十分重要的意义。混凝土抗压强度预测与配合比设计是一个典型的多（单）输入，单（多）输出的非线性系统，这与神经网络模型非常接近。本文先将神经网络运用到混凝土抗压强度的预测中，但网络的训练效果受其初始权值、阈值的影响较大，泛化能力并不理想。鉴于海豚算法具有收敛速度快、鲁棒性好等优点，将其运用到神经网络的权值、阈值优化问题上，并与算法、遗传优化神经网络（），粒子群优化神经网络（）等算法相比，证明了其优越性。最后，结合启发式海豚算法特有的优化特性，提出了一套切实可行的混凝土配合比设计方案，证明了其可行性，并用分别制作了简洁、直观的混凝土强度预测与配合比设计的界面，方便非专业人员的操作。

关键词  海豚算法；神经网络；混凝土；抗压强度；配合比

目录

摘要

Abstract

1 绪 论-1

1.1 研究背景-1

1.2 研究现状-1

1.3本文研究内容与技术路线-2

2 BP神经网络的基本原理及运用-4

2.1 BP神经网络-4

2.1.1 BP神经网络概述-4

2.1.2 BP神经网络的结构-4

2.1.3 BP神经网络的原理-5

2.2 BP神经网络在混凝土强度预测中的应用-6

2.2.1数据的标准化-6

2.2.2确定主要相关因素-7

2.2.3神经网络算法实现-8

3海豚算法优化BP神经网络的基本理论-10

3.1 海豚算法-10

3.1.1 DPO的一些基本定义及算法描述-10

3.1.2海豚算法的基本思想-11

3.1.3海豚算法的实现步骤-11

3.1.4海豚算法的优化-11

3.2海豚算法优化BP神经网络-12

3.2.1 DPO-BP基本思路-12

3.2.2 DPO-BP基本步骤-13

4 DPO-BP在混凝土强度预测中的应用-15

4.1 DPO-BP的基本参数设置-15

4.1.1 BP神经网络初始化-15

4.1.2 DPO算法参数初始值-15

4.2 DPO-BP预测混凝土强度的算例验证-17

4.3 DPO-BP预测混凝土强度的优越性-17

5 基于DPO-BP神经网络的混凝土配合比设计-19

5.1 基于DPO-BP的混凝土配合比设计思想-19

5.2 基于DPO-BP的混凝土配合比设计流程-19

5.3 混凝土算例验证-21

6 混凝土强度预测与配合比设计的软件开发-23

6.1 求解混凝土问题的主界面-23

6.2 求解混凝土抗压强度的子界面及操作方法-23

6.3 求解混凝土配合比设计的子界面及操作方法-24

结 论-26

致 谢-27

参考文献-28

附 录-29