基于蚁群算法优化RBF神经网络的汽温系统控制

针对火电厂主蒸汽温度模型不确定性的问题,提出一种智能复合控制方法.采用粒子群算法优化蚁群算法参数,将改进蚁群算法对径向基神经网络PID的权值进行优化,从而实现了对主蒸汽温度的动态控制.仿真结果表明,基于改进蚁群算法优化的径向基神经网络PID控制器使被控系统具有快速响应速度和很好的抗干扰性能,证明了该方法的有效性.     

基于蚁群神经网络算法的机器人逆解

提出了一种机器人逆运动学问题建模的新方法.利用神经网络逼近机器人逆运动学的输入与输出、利用改进的蚁群算法学习神经网络.针对蚁群算法主要用于离散优化的特点,对基本的蚁群算法进行了改进,采用了全局搜索、局部搜索和确定性搜索,为连续问题的优化提供了一条新的思路.利用改进的蚁群算法学习神经网络,为神经网络提供了一种新的学习算法,使得该方法兼具了蚁群算法与神经网络的优点.应用实例表明了该方法的有效性,提高了机器人逆运动学求解的速度和精度.     

基于APSO-BP耦合算法的岩体力学参数反馈研究

提出了基于自适应粒子群优化(APSO)与误差反向传播(BP)神经网络耦合反馈分析模型(APSO-BP).模型实现对网络结构、权重、阈值的同时优化,借助自适应粒子群算法全局优化能力强、收敛速度快的特点,提高了模型运算效率.采用Schaffer基准函数对该模型和传统遗传算法、BP神经网络、粒子群与BP神经网络组合算法进行测试对比.结果表明该模型更为优越.应用该模型对索风营水电站地下岩体力学参数进行反馈分析,计算位移值与实测值吻合较好,平均误差0.22 mm.     

基于蚁群神经网络算法的机器人逆解

提出了一种机器人逆运动学问题建模的新方法．利用神经网络逼近机器人逆运动学的输入与输出、利用改进的蚁群算法学习神经网络．针对蚁群算法主要用于离散优化的特点,对基本的蚁群算法进行了改进,采用了全局搜索、局部搜索和确定性搜索,为连续问题的优化提供了一条新的思路．利用改进的蚁群算法学习神经网络．为神经网络提供了一种新的学习算法,使得该方法兼具了蚁群算法与神经网络的优点．应用实例表明了该方法的有效性。提高了机器人逆运动学求解的速度和精度．     

基于蚁群优化神经网络的故障诊断

针对BP神经网络收敛速度慢,易于陷入局部极小点的问题,将蚁群算法引入BP神经网络的优化训练,建立了基于该算法的BP神经网络训练模型,并应用于电机转子故障诊断。结果表明,用蚁群算法训练神经网络具有较高的故障诊断精度,收敛性好,可以有效快速定位电机转子故障,提高诊断的效率和质量。     

基于萤火虫算法优化BP神经网络的目标威胁估计

在萤火虫优化算法和BP神经网络的基础上,建立了萤火虫算法优化BP神经网络的目标威胁估计模型,并提出了基于该模型的算法。该模型和算法采用萤火虫算法优化BP神经网络的初始权值和阈值,优化后的BP神经网络能对测试集进行更好的预测。实验结果表明,萤火虫算法优化BP神经网络的预测误差明显小于BP和PSO_SVM。该模型和算法具有很好的预测能力,可以快速、准确地完成目标威胁估计。     

基于蚁群算法的多层前馈神经网络

反向传播算法是神经网络中应用广泛的一种多层前馈神经网络模型.但算法有求解精度低、搜索速度慢、易于陷入极小的缺点.蚁群算法是一种新型的模拟进化算法,有正反馈、分布式计算、启发性收敛等特性.这些特性使得解题过程加快,易于实现分布式计算.将蚁群算法和神经网络相结合起来,实现了非线性模型的辨识问题及倒立摆的控制.仿真实验表明:用蚁群算法训练神经网络,可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能.     

蚁群算法

蚁群算法是一种仿生类非线性优化算法,具有并行性、正反馈性和全局极小搜索能力强等特点.蚁群算法的机理是:生物界中的蚂蚁在搜寻食物源时,能在其走过的路径上释放一种蚂蚁特有的分泌物信息素,使得一定范围内的其他蚂蚁能够觉察并影响其行为.当某些路径上走过的蚂蚁越来越多时,留下的这种信息素轨迹也越多,以至信息素强度增大,使后来蚂蚁选择该路径的概率也越高,从而更增加了该路径的信息素强度.为了将起源于离散网络路径优化的原始蚁群算法思想用于连续函数优化的地球物理反演问题,必须对有关实施细节进行改造和修正,本文基于网格划分策略的连续域蚁群算法实现了连续域大地电磁蚁群算法.通过选择蚂蚁数、信息素挥发系数等参数,利用三层K型模型和四层HA型模型进行数值试验,结果表明,蚁群算法可以稳定收敛,反演结果接近理论模型.     

蚁群算法在非圆弧滑动面边坡稳定分析中的应用

利用蚁群算法能够对多变量的、复杂的、非线性的问题进行优化,并能在全局范围内进行优化搜索的特点,将其应用于非均质或复杂边坡稳定分析中,对非圆弧滑裂面进行搜索,并利用斯宾塞法计算出其对应的安全系数。计算表明,蚁群算法能够成功地搜索到全局最优解,得到临界滑动面及其对应的最小安全系数,运用蚁群算法解决复杂边坡稳定分析问题是可行和适宜的。     

基于蚁群聚类算法的RBF神经网络交通流预测

短时交通流因其不确定性等特点而导致预测很复杂,准确率不高.本文把蚁群聚类算法和RBF神经网络结合来构建交通流预测模型,用蚁群聚类确定RBF网络隐层神经元的中心值,并且为了找到最优的聚类结果,在蚁群算法中加入了局部搜索.此模型具有较强的局部泛化能力和较高的准确率.实例仿真研究表明此方法预测效果较好.