一种基于混合粒子群优化算法的深度卷积神经网络架构搜索方法

神经架构搜索（neural architecture search,NAS）技术自动寻找神经网络中各层的最佳组合和连接方式,以及各种超参数的最佳分布。该方法从搜索空间生成若干不同的卷积神经网络（CNN）,使用混合粒子群优化（hybrid particle swarm optimization,HPSO）算法,将一定数目的神经网络个体视做一个群体,将每个网络个体在评价指标下的表现值视做适应度,在给定的世代数范围内,每个神经网络个体都学习自身的历史最佳适应度个体,和整个群体的最佳适应度个体,迭代改善自身的网络架构。实验结果表明,算法运行中出现的最优网络架构,在图像分类任务的多个基准数据集上,与手工设计的神经网络和以遗传算法为基础的NAS算法相比,在网络参数数量和准确率的平衡上取得了有竞争力的结果。     

基于小生境技术的神经网络进化集成

针对目前神经网络集成方法中生成个体网络差异度小、集成泛化能力较差等缺点,提出一种基于小生境技术的神经网络进化集成方法。利用小生境技术在增加进化群体的多样性、提高进化局部搜索能力方面的良好性能,通过个体间相似程度的共享函数来调整神经网络集成中个体网络的适应度,再依据调整后的新适应度进行选择,以维护群体的多样性,得到多样性的个体网络。理论分析和实验结果表明,该方法能有效生成差异度较大的个体网络,提高神经网络集成系统的泛化能力与计算精度。     

基于改进层次遗传算法优化的神经网络信道均衡器

层次遗传算法的性能与评价个体进化优劣的适应度函数密切相关,对适应度函数的参数进行了研究,提出了依据信道零点和单位圆之间距离设定参数值的新方法,降低了函数复杂度,减少了人为因素影响,提高了算法确定RBF神经网络均衡器结构的效率及性能。仿真结果验证了算法的有效性和稳定性。     

多性能指标系统的控制器自设计方法及其应用

针对具有多指标的被控对象,提出一种基于神经网络的控制器自设计方法。算法利用并行遗传算法按照被控对象各项性能指标进化神经网络控制器,在遗传算法每代结束时利用适应性权重法根据各项指标数据计算综合适应度值,选择综合适应度最佳个体进行遗传操作,从而获得综合性能指标最佳的控制器。将算法应用于异步电机矢量控制系统的速度控制器自设计中,通过仿真实验验证了本方法的有效性。     

基于个体相似性评价策略的改进遗传算法

遗传算法是一种通过模拟自然进化过程搜索最优解的方法。但这种算法在求解最优解过程中总是以计算时间为代价来换得最优解的产生。对此,提出一种基于个体相似`性评价策略的改进遗传算法,融入了一种新的旋转交叉算子,每个子个体根据其与父个体的相似度和可信度来确定个体的适应度值,仅当可信度值低于某个阈值时,个体才做真实的适应度计算。实验结果显示,相似性评价策略计算得到的个体适应度值接近真实的适应度值,并且改进的算法求得最优解需要的评价次数明显要少于传统遗传算法,而在测试准测上的数据表明:提出的改进遗传算法相对于传统遗传算法,性能较好且求得的最优解也较为理想。     

基于径向基网络与交互式遗传算法的服装设计

针对将交互式遗传算法应用到服装设计中产生的人的疲劳问题,提出利用神经网络来逼近适应度函数.给出了以GA操作产生的每代最佳个体初步作为神经网络径向基网络函数的中心值并结合相似距离值,利用K-Means求出径向基网络的各参数以逼近适应度函数.在服装设计系统应用中取得了良好的效果.     

操作概率自适应进化算法及其在移动机器人导航中的应用

以性能指标(集)估计个体的性能,给出了自适应计算进化操作概率的统一表达形式,提出了以海明距离或它和适应度相结合进行进化操作概率自适应调整方法,证明了全局搜索进化操作概率与性能指标(集)评价出的性能成反比,局部搜索进化操作概率与性能指标(集)评价出的性能成正比;最后以移动机器人进化导航为例进行了仿真实验,结果表明新方法能有效的提高进化计算的速度.     

协同进化在遗传算法中的应用述评

生态系统中协同进化的含义是几个生存能力相关联的种群的同时进化,在遗传算法中应用协同进化的实质是改变了个体适应度的计算方法:经典遗传算法中个体的适应度由它的染色体所决定,协同进化中个体的适应度却是由个体在协同关系中的表现决定.根据个体之间的适应度关联方式的不同,协同进化在遗传算法中应用可以分为两种:竞争协同进化算法、合作协同进化算法.竞争协同进化算法中的个体适应度由个体在竞争中的表现决定;合作协同进化算法中的个体适应度决定于个体在合作中的表现.对这两种方法的实质以及主要思想进行了述评.     

飞机液压系统故障诊断

为有效诊断飞机液压系统故障,根据液压系统压力信号采用了熵权ABC-BP神经网络的故障诊断模型。模型先提取飞机液压系统压力信号的特征值,根据熵权法计算特征值信息熵,选取熵权值较大的作为神经网络的输入,同时利用人工蜂群优化BP神经网络,将BP神经网络的误差函数作为人工蜂群的适应度,选择适应度最优的个体参数作为神经网络的权值和阈值,不仅降低模型输入维度,还提高了诊断精度。最后建立了飞机起落架收放系统仿真模型进行仿真研究,结果表明该诊断模型具有较好的故障诊断效果,为飞机液压系统故障诊断提供一种新思路。     

基于人工免疫网络的神经网络集成方法

提出基于人工免疫网络的神经网络集成方法AINEN。在用Bagging生成神经网络集成之后,将人工免疫网络的原理应用到神经网络集成,组成了一个从微观上看是一个一个的神经网络,而从宏观上看是一个大的人工免疫网络的集成。通过在微观层次上提高神经网络集成的个体之间的异构度,在宏观层次上提高免疫网络的适应度,从而降低集成的泛化误差。AINEN与GASEN方法在标准数据集上进行的实验表明,AINEN能取得更小的泛化误差。     

基于DMDE算法的前向神经网络设计

针对神经网络结构与参数并行优化问题,提出一种基于动态多群体差分进化算法的前向神经网络设计方法。采用分层递阶结构原理构造算法个体,根据控制基因信息将个体分成不同的动态群体。通过对个体进行重构,实现进化过程中个体信息的充分交换与共享。设计基于群体适应度的控制基因更新方法来优化网络拓扑结构,克服结构优化的盲目与低效问题。将所设计的神经网络应用于大包线飞行控制律参数拟合中。仿真结果表明,该算法能快速有效地确定神经网络的结构和权值,所优化的网络在调参控制中具有较好的泛化能力。     

基于复合适应度微粒群算法的神经网络训练

为提高神经网络的泛化能力,针对以均方误差为适应度的PSO算法在训练神经网络时会产生一定的过拟合问题,提出对均方误差和误差分布均匀度进行信息融合,构成复合适应度作为训练指标.实验结果表明,该方法可使网络的泛化能力得到明显的改善.     

自适应遗传退火算法优化BP神经网络及其应用

以提高预测软件老化趋势为应用背景,提出一种新型自适应遗传退火算法（NAGSA）优化BP神经网络模型,该模型采用轮盘赌选择法与精英保留策略相结合的选择算子,在迭代后期通过模拟退火算法对适应度函数进行拉伸,相比传统的自适应遗传算法（AGA）在个体适应度较低时,能够非线性地自适应调节交叉概率和变异概率,从而对BP神经网络的权值和阈值优化并进行网络训练.对在线售书网站注入内存泄漏的代码使之老化,收集实验所需的老化数据进行仿真训练,实验结果表明,NAGSA-BP模型相比于传统遗传算法（GA）、传统自适应遗传算法（AGA）、传统自适应遗传退火算法（NGSA）优化的BP神经网络模型提高了预测精度和取得了优良的收敛效果,在该应用领域验证了本文方法的有效性.     

基于改进的PSO算法的神经网络相关性剪枝优化*

针对传统的神经网络训练算法收敛速度慢、易陷入局部最优的问题,提出了一种基于改进的分期变异微粒群优化算法（SMPSO）的神经网络相关性剪枝优化方法。SMPSO在初期使适应度过低的微粒发生变异,在后期使停滞代数过高的个体极值和全局极值发生变异,后将SMPSO用于优化神经网络相关性剪枝算法。实验结果表明,该方法与采用BP算法及标准PSO算法进行相关性剪枝相比,在训练收敛速度、剪枝效率及分类正确率三方面都有较大提高。     

基于SAA-SSA-BPNN的网络安全态势评估模型

针对目前网络安全态势评估模型准确性和收敛性有待提高的问题,提出一种基于SAA-SSA-BPNN的网络安全态势评估模型。该模型利用模拟退火算法（SAA）可以一定概率接受劣解并有大概率跳出局部极值达到全局最优解的特性来优化麻雀搜索算法,利用优化后的麻雀搜索算法（SSA）具有良好稳定性和收敛速度快且不易陷入局部最优的特点对BP神经网络（BPNN）进行改进,找到最佳适应度个体并获取最优权值和阈值,将其作为初始值赋给BP神经网络,将预处理后的指标数据输入改进后的BP神经网络模型对其进行训练,利用训练好的模型对网络系统所遭受威胁的程度进行评估。对比实验结果表明,该评估模型比其他基于改进BP神经网络的态势评估模型准确性更高,收敛速度更快。     

进化神经网络在机床工具损耗预测中的应用

设计了一个基于实数编码的改进进化算法优化神经网络的连接权和网络结构.该算法 可以根据种群停止进化代数自适应调节变异率、根据个体适应度调节变异量.加工实验表明采用 进化神经网络可以较准确预测出电火花铣削加工工具损耗,所提出的进化算法是有效的,预测结 果较标准BP神经网络高.该预测模型为电火花铣削加工工具在线自动补偿打下基础.     

基于约束区域神经网络的动态遗传算法

提出一种基于约束区域神经网络的动态遗传算法,将遗传算法的全局搜索和约束区域神经网络模型的局部搜索结合了起来.利用动态遗传算法确定神经网络模型的初始点,同时使用神经网络确定动态遗传算法的适应度函数.该算法具有一定的理论意义和生物意义.与标准的遗传算法相比,缩小了搜索规模,可获得不定二次规划问题更好的近似最优解.