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.     

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。     

一种求解连续优化的蚁群混合算法

针对蚁群优化算法和Alopex算法的特性，将Alopex算法嵌入到改进的蚁群优化算法中．提出一种求解连续空间优化问题的混合算法（ACOAL），ACOAL算法定义了新的蚁群信息素更新规则、蚁群在解空间的寻优方式和蚁群行进策略；同时，结合Alopex算法以加强搜索能力，该算法充分发挥了Alopex算法的快速搜索能力和蚁群算法寻优性质优良的特性，提高了算法的收敛速度，避免了优化算法陷入局部最优。     

基于云模型理论的蚁群算法改进研究

近几年优化领域中新出现的蚁群算法采用分布式并行计算机制，易于与其它方法结合，具有较强的鲁棒性。但易限于局部最优解是其最突出的缺点．云模型是一种新的实现定性概念和定量数值之间转换的有力工具，本文在介绍云模型理论的基础上，提出了一种利用云模型来有效限制蚁群算法陷入局部最优解的方法，最后将基于云模型理论的改进蚁群算法与未改进的蚁群算法分别应用于著名的CHC144 TSP进行实验．改进后的蚁群算法采用升半正态云规则进行控制，并选取了500个云滴，仿真计算结果证明了该方法的有效性和可行性．     

基于二进制蚁群神经网络的边坡稳定分析

针对边坡稳定问题的高维非线性、非正态的特点,提出了采用二进制蚁群神经网络建立边坡稳定分析模型.将二进制蚁群算法引入到神经网络权值优化中,既克服了蚁群算法在连续域中对组合优化的缺陷,又能避免BP算法容易陷入局部最优的尴尬.因此二进制蚁群神经网络兼有神经网络广泛映射能力和二进制蚁群算法快速全局收敛能力.采用混合编程法建立了基于二进制蚁群神经网络的边坡稳定分析模型,该模型避开了边坡滑移面和岩体破坏机制等不确定因素,利用二进制蚁群神经网络对样本进行反复学习,得到较为精确的边坡稳定模型.该方法具有建模方便,程序实现方便,计算快捷等特点,应用于实际工程中,具有良好的效果.     

基于神经网络优化法的故障诊断应用研究

在机械设备的故障诊断中，常采用BP网络算法对故障进行诊断计算，但由于BP网络易于收敛于局部极小点，且在初始参数与网络结构选取不当时。网络将出现发散现象．为此提出了将神经网络优化算法应用于汽轮发电机组的故障诊断中，实现了神经网络权值和阈值的快速计算，并以汽轮发电机组的故障诊断为背景。将两种算法的结果进行比较，证明该方法比BP算法精度高且收敛速度快、可靠性好．     

基于MATLAB的改进型基本蚁群算法

蚁群算法是一种新型的模拟进化算法。是继GA、SA、TS等算法之后求解组合优化问题的一种新思路。人工蚁群算法通过模拟蚁群搜索食物的行为，采用正反馈结构、分布式计算与某种启发式算子相结合的方法，能够很快地发现较好解。本给出一种基于MATLAB的改进型基本蚁群算法，有效地降低了算法的复杂度，缩短了搜索时间，具有较强发现最好解的能力。     

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．     

小脑模型神经网络研究和发展综述

小脑模型神经网络是Albus在一系列基础应用论文中被提出的。首先分析了小脑模型神经网络的生物学基础、基本原理和学习算法及其扩展。在此基础上综述了小脑模型的研究进展和及其它的一些应用。小脑模型是一种局部学习网络，结构简单，收敛速度快，易于软硬件实现，因而具有广泛的应用前景，最后预测了小脑模型未来的发展趋势。     

基于蚁群优化算法的TSP问题求解

蚁群优化算法是受蚂蚁觅食的通行机制的启发而提出的一种群集智能算法．介绍了蚁群优化算法的基本原理,在此基础上实现了蚁群优化算法,应用到TSP问题求解中,并根据启发函数、信息素进行算法性能优化,提高了算法的收敛速度．实验结果表明蚁群算法具有极强的鲁棒性和求最优解的能力,取到了很好的效果．     

基于聚类和分段优化的蚁群算法

针对蚁群算法在求解大规模旅行商问题(TSP)时精度和时间方面的不足,提出了一种新的算法,该算法采用多阶段的蚁群寻优策略.算法的复杂度分析及在大规模TSP问题上的实验表明:该算法在保证获得较好解的前提下收敛速度得到了较大的改进.     

基于蚁群最优算法的配电网重构

在电力系统中配电网的重构是配电网降低网络损耗的重要途径。但是由于配网本身的结构,其重构是一个非常复杂的大规模组合优化问题。提出了基于蚁群最优的算法来求解故障情况下的配电网络重构问题,通过改变开关的闭合状态来改变网络的拓扑结构,以达到网络损失最小。蚁群最优算法(Ant colony Optimization,简称 ACO 算法)是模仿现实中的蚂蚁寻食的过程来求解配电网的重构问题。这种方法的主要特征是正反馈、分布式计算以及富有建设姓的贪婪启发式搜索的运用。该算法不依赖各种初始参数,不易陷于局部最优,为了验证本文提出的算法的可行性和有效性,我们研究了一个算例。结果表明,蚁群算法与现有各种方法相比,具有适应性好、计算效率高、优化效果好的优点。     

基于遗传算法学习的一类多层神经网络

针对非线性、不确定性问题,采用了遗传算法和神经网络相结合的办法,成功地实现了非线性模型的辨识问题及倒立摆的控制,仿真结果证明：遗传神经网络的结合,可瘘有神经网络广泛能力和遗传算法的快速全局收敛等性能。     

蚁群算法在直接生成数字高程模型中的应用

垂直轨迹法(Vertical Line Locus,简称VLL)是直接生成数字高程模型中常用的方法,针对其在生成高程中误差较大的现象,本文采用蚁群算法和双重约束来加以改进。详细介绍了蚁群算法的原理、模型,并将其应用于VLL中。结合实例,进一步介绍了用以解决连续优化问题的蚁群算法的模型并给出了它的实现过程。在VLL中运用这一方法进行函数的优化,结果表明,基于蚁群算法的优化设计切实可行,为DEM的生成提供了新的思路和方法。     

基于蚁群算法的产品销售渠道优选策略

鉴于蚁群算法具有较强的发现优选解的能力,将其用于产品销售渠道的优选问题中。当企业收集到某种新产品在可能销售地点的销售收益时,可以利用蚁群算法,求得在已知产品销售渠道和销售支出费用上限的约束条件下的最大销售收益。提出了基于蚁群算法的问题流程图,以实例分析证明了蚁群算法在产品销售渠道优选问题上,具有一定的有效性和较快的收敛速度。     

蚁群算法理论及应用

蚁群算法是优化领域中新出现的一种仿生进化算法。该算法采用分布式并行计算机制,易与其他方法结合,具有较强的鲁棒性。本文首先介绍了蚁群算法的基本原理,然后讨论了蚁群算法的应用,最后评述了蚁群算法未来的研究方向和主要研究内容。该算法用于解决组合优化问题,如TSP、QAP、JSP等效果很好。     

基于GA的BP神经网络模型的研究及应用

分析了BP神经网络的缺陷和遗传算法的特点，提出了基于遗传算法的BP神经网络模型算法，该算法利用遗传算法全局寻优能力强等特点，可克服神经网络易陷入局部极小值、训练速度慢的缺陷。仿真结果表明：遗传算法和神经网络相结合的算法具有较好的全局快速收敛等性能。     

Hopfield neural network based on ant system

Hopfield neural network is a single layer feedforward neural network. Hopfield network requires some control parameters to be carefully selected, else the network is apt to converge to local minimum. An ant system is a nature inspired meta heuristic algorithm. It has been applied to several combinatorial optimization problems such as Traveling Salesman Problem, Scheduling Problems, etc. This paper will show an ant system may be used in tuning the network control parameters by a group of cooperated ants. The major advantage of this network is to adjust the network parameters automatically, avoiding a blind search for the set of control parameters.This network was tested on two TSP problems, 5 cities and 10 cities. The results have shown an obvious improvement.     

基于神经网络的配电网合环潮流分析

配电网络中普遍存在着合环操作,在合环操作前需要进行配网潮流分析。由于配网结构参数及电气测量的误差和不完整,在电力系统实际运行中经常遇到潮流解的不收敛。本文通过对BP神经网络输入充分数量的典型样本求解合环潮流,探索了神经网络在电力系统应用中存在的问题和可能的解决方法。算例表明了神经网络在电力系统中有着广泛的应用前景。