解非线性约束规划问题的新型多目标遗传算法

给出非线性约束规划问题的一种新解法。把带约束的非线性规划问题转化成为两个目标的多目标优化问题,并为转化后的多目标优化模型设计了一种新型多目标遗传算法,数据实验表明该算法对带约束的非线性规划问题求解是非常有效的。     

约束非线性规划问题的辅助函数算法

研究有不等式约束的非线性规划问题,构造了一种新的两阶段算法:(1)利用传统优化方法求出原问题的一个局部极小点x*;(2)基于当前局部极小点和“准”罚函数的思想构造了一个辅助函数,该辅助函数连续可微、有界并且是凸的,该函数的局部极小点y*很容易求得,并且y*位于比x*更低的盆域中,从而y*可以作为第一阶段中的初始点,从而找到另一个更好的局部极小点.两个阶段不断循环,只要原问题具有有限个局部极小点,就可以找到它的全局极小点.为了测试算法的性能,对几个测试问题进行了求解.结果表明算法有效的,可以快捷的跳出局部极小点达到全局极小点.     

基于遗传算法的退火精确罚函数非线性约束优化方法

提出了一种新的基于遗传算法求解非线性约束优化的方法，通过自适应的退火罚因子和不可微精确罚函数未处理的约束条件，可以使算法逐渐收敛于可行的极值点，仿真结果表明该方法有较刘的求解精度。     

一个基于插值的解非线性双层规划的遗传算法

非线性双层规划问题是一类递阶优化问题,相关的算法往往需要对每一个上层变量值求一个下层优化问题才能得到一个可行点,这使得算法的计算量很大.目前文献中的算法通常都是基于对每个确定的上层变量,下层最优解唯一的条件,这就意味着每个下层变量的分量都可以看成是上层变量的函数.基于这个思想,同时为了避免频繁计算下层优化问题,文中提出了一种新的方法.这种方法与已有方法的主要不同之处在于,它不需频繁求解下层规划,而是用插值函数近似下层最优解函数.其主要思想如下:首先,取一些上层变量值作为插值节点,计算它们对应的下层问题的最优解,这些最优解的第i个分量作为第i个插值函数的函数值,利用这些节点和函数值计算插值函数;其次,将插值函数代入上层问题,得到一个近似原问题的单层规划;最后用一个新的遗传算法求解该单层规划.由于插值节点和相应的插值函数在进化过程中自适应修正和更新,这样可使得该单层规划问题的最优解逐步逼近原问题的最优解,并且可减少计算量.对25个测试问题的仿真结果表明,该文所提出的算法能以较少的计算量找到这些问题的最好解.     

带平衡约束矩形布局优化问题的遗传算法

研究二维矩形布局优化问题,将多个不同重量和尺寸的矩形目标填充到一个圆形容器中,要求给出最小的容器半径,并且系统保持平衡。目前的文献多采用局部搜索方法,但布局质量有待提高。文中设计一种构造式方法——定位法。其基本思想是将一个矩形围绕另外一个已经确定位置的矩形作为参照进行部署。由于围绕着参照矩形部署时只考虑有限个可布局位置,故定位法具有多项式时间复杂性。定位法可能得到较好的布局,但其质量受到布局顺序的影响较大,因此文中提出一种基于遗传算法的布局顺序寻优算法,其中遗传算法的交叉算子和变异算子经过特别的设计,使得遗传的下一代能继续作为布局顺序。在具有大规模测试用例的测试集上的计算结果表明,该布局方法比局部搜索方法有更优良的计算性能。     

求解混合约束非线性规划的神经网络模型

通过巧妙构造Liapunov函数,提出一种大范围收敛的求解优化问题的连续神经网络模型.它具有良好的功能和性能,可以求解具有等式和不等式约束的非线性规划问题.该模型是Newton最速下降法对约束问题的推广,能有效地提高解的精度.即使对正定二次规划问题,它也比现有的模型结构简单.     

基于非线性规划的开关电源最优设计技术

随着电力电子技术的不断发展,要求开关电源有更高的频率、更高的功率密度、更高的效率、更高的功率因数和更高的可靠性,同时还要求其电路相对简洁,并有较小的体积,这样才更具实用性.在进行单相Boost PFC变换器初步设计的基础上,运用非线性规划技术对Boost PFC变换器进行了优化设计.同时采用遗传算法对该非线性模型进行求解.结果表明,优化设计方案在满足各项性能指标的情况下,实现了设计目标的最优.     

基于约束逻辑规划和遗传算法的柔性调度

根据柔性生产环境的特点，描述了约束逻辑规划（CLP）和遗传算法（GA）在解决调度问题中的应用框架。CLP的解决作为满足约束的调度问题的起始解，保证了初始解的合理性。把CLP用作计算每一代样本的约束检验手段，有利于在遗传算法的搜索中获得更好的解和更高的解算效率。最后对一个规模足够大的调度实例进行了计算。     

一类约束优化问题的改进遗传算法

遗传算法是一种解决非线性无约束优化问题的搜索算法，对于约束优化问题通常采用罚函数法；所提出了的改进算法很好地解决了一类带有凸约束的非红性优化问题。数值结果说明该方法效果较好。     

混沌遗传算法用于求解混合整数规划问题

针对遗传算法的早熟收敛问题,提出了一种混沌遗传算法（CGA）用于解决混合整数规划问题（MIPP）。该算法的基本思想是把混沌变量加载于初始个体的混沌生成和最优个体的混沌搜索过程中。研究结果表明：混沌遗传算法能够有效地解决混合整数规划问题,改善了遗传算法的早熟问题。该算法效果显著,明显提高了解决混合整数规划问题的计算效率,在收敛速度、解的精度和稳定性方面也都优于遗传算法。     

基于特征选择的字符识别

特征选择问题是机器学习和模式识别中的一个重要问题。其本质上是一个多因素优化问题。该文将试验设计与多因素优化问题联系起来,利用正交试验设计的统计特性,从特征集中筛选有效鉴别特征子集。在南京理工大学NUST603HW手写汉字库以及Concordia大学的CENPARMI手写体阿拉伯数字数据库上的试验结果表明,所提出的特征选择方法不仅提高了识别率,而且识别结果十分稳定。     

二维主元分析在人脸识别中的应用研究

结合二维主元分析（two-dimensional principal component analysis,2DPCA）的特点,将2DPCA算法用于人脸识别。它与主元分析（principal component analysis,PCA）的不同之处在于,2DPCA算法以图像矩阵为分析对象;而PCA算法以图像的一维向量为分析对象。2DPCA算法是直接利用原始图像矩阵构造图像的协方差矩阵。而PCA算法需对原始图像矩阵先降维、再将降维矩阵转换成列向量,然后构造图像的协方差矩阵。为了测试和评估2DPCA算法的性能,在ORL（olivetti research laboratory）与Yale人脸数据库上进行了实验,结果表明,2DPCA算法用于人脸识别的正确识别率高于PCA算法。同时,也显示了2DPCA算法在特征提取方面比PCA算法更有效。     

基于分块PCA的人脸识别方法

本文提出了一种称为M2PCA＋FDA的新的人脸识别方法．新方法从模式的原始数字图像出发，先对样本图像进行分块，对分块得到的子图像矩阵采用PCA进行特征抽取，从而得到能代替原始模式的低维的新模式，然后，对新模式施行“Fisherfaces”方法，实现模式的分类．其特点是能有效地抽取图像的局部特征，正是这些特征使此类模式区别于彼类．在ORL和NUST603两个人脸数据库上对M2PCAA-FDA方法进行了测试，实验的结果表明，本文提出的方法在识别性能上优于“Fisherfaces”方法和PCA方法．     

基于PCA和ICA的虹膜识别方法

为了提高虹膜识别的正确率,提出了利用主成分分析(PCA)与独立成分分析(ICA)相结合的方法,来对虹膜进行识别的方法。用该方法进行虹膜识别时,首先对预处理后的虹膜图像,利用PCA算法进行去二阶相关和降维处理;然后再进行ICA训练。ICA训练采用了以下两种方法:方法1,将参与ICA训练的图像看作是随机变量,而将图像中的像素值看作是随机实验结果,ICA训练后即可得到相互独立的ICA虹膜基图像;方法2,将图像中的像素值看作是随机变量,而将图像看作是随机实验结果,ICA训练后即得到相互独立的ICA系数。采用CASIA虹膜数据库进行的试验结果表明,基于PCA和ICA的虹膜识别算法在两种训练方式下的正确识别率分别达到98.89%和98.33%。     

一种基于人脸垂直对称性的变形2DPCA算法

本文分析了人脸的对称性和主成分分析法(PCA)、二维主成分分析法(2DPCA)的特性,证明了2DPCA协方差矩阵就是PCA协方差矩阵的主角线的平均值,同时表明2DPCA减少了对人脸识别有用的协方差信息。提出了一种基于人脸垂直对称性的变形2DPCA算法(S2DPCA),该算法最大程度地利用了协方差鉴别信息,用更少的系数表示一张人脸图像。通过在ORL的实验比较表明,该算法与PCA算法相比降低了计算复杂性,与2DPCA方法和PCA方法相比提高了人脸识别率,在识别率方面优于传统算法(PCA(Eigenfaces)、ICA、Kernel Eigenfaces),同时也压缩了人脸的存储空间。     

基于二维图像矩阵的ICA人脸识别

为了解决传统独立分量分析(ICA)在人脸识别过程中存在的高维小样本问题,同时为了提高识别效率,提出了一种基于二维图像矩阵的独立分量分析(ICA)特征提取方法.该方法将人脸图像矩阵作为训练样本,首先利用主分量分析(PCA)对训练样本进行去二阶相关和降维处理,然后对处理后的样本进行ICA特征提取,由于训练样本维数很小,因此它降低了传统ICA方法中高维小样本问题产生的识别错误率,同时减少了识别时间.在Yale人脸库和ORL人脸库上验证了该算法的有效性.     

一类多频带主分量分析方法

主分量分析是模式识别领域使用较广的一种特征 抽取方法,但是由于经典的主分量分析在处理图像矩阵时需要将图像展开成向量形式,使得计算量很大。本文提出了一种多频带主分量分析方法,该方法不仅减少了运算过程中的计算量,而且在一定程度上提高了整体性能。首先通过二维离散余弦变换将图像转变成频率数据,再按照频率变化将数据分成多个频带,然后在此基础上设计了针对多个频带数据的主分量 分析方法。通过对ORL和NUST603图像库进行实验证明,本文方法不仅具有快速提取图像特征的能力,而且综合性能优于相应的主分量分析。     

新的降维标准下的高维数据聚类算法

为了解决主成分分析(PCA)算法无法处理高维数据降维后再聚类精确度下降的问题,提出了一种新的属性空间概念,通过属性空间与信息熵的结合构建了基于特征相似度的降维标准,提出了新的降维算法ENPCA。针对降维后特征是原特征的线性组合而导致可解释性变差以及输入不够灵活的问题,提出了基于岭回归的稀疏主成分算法(ESPCA)。ESPCA算法的输入为主成分降维结果,不需要迭代获得稀疏结果,增加了灵活性和求解速度。最后在降维数据的基础上,针对遗传算法聚类收敛速度慢等问题,对遗传算法的初始化、选择、交叉、变异等操作进行改进,提出了新的聚类算法GKA++。实验分析表明EN-PCA算法表现稳定,GKA++算法在聚类有效性和效率方面表现良好。     

面向提高图像分辨率的遥感数据融合新算法

在遥感应用研究中,数据融合技术有着非常广泛的应用.主分量分析方法(principalcomponentanalysis,简称PCA)是一种经典的遥感数据融合技术,在主分量分析方法的基础上,将小波变换与其结合起来,提出了一种新的基于小波叠加的PCA融合算法(addingwaveletcoefficientsprincipalcomponentanalysis,简称AWPCA).实验证明,与原来的PCA和IHS方法相比,基于小波叠加的PCA融合算法进一步提高了融合信息的质量,并能应用于其他需要高分辨率图像的场合中.     

基于ICA和NFL分类的局部人脸识别方法

目前已存在很多基于统计的人脸整体识别方法，独立元分析方法就是一种基于信号高阶统计特性的方法。但由于人脸光照、姿态、信息缺损等外部不可避免因素会引起整个人脸灰度图像产生很大的变化，因而会对这类整体统计性方法的稳定性产生很大影响。为此提出了一种基于独立元分析和最近邻特征线的局部人脸识别方法。首先，通过对人眼的手工定位并依据人脸几何特征完成对人脸图像的截取和局部分块，从而移除发型等无用信息；然后对每个局部图像进行PCA／ICA特征提取；最后的识别阶段，通过最近邻特征线方法得到各自识别距离，并通过对各部分设置合理的权重来综合判定。实验结果表明，作为一种有效的识别方法，分块独立元方法在识别率、识别的稳定性、应用的灵活性等方面都优于传统的整体识别方法。