带启发信息的蚁群神经网络训练算法

ACOR算法是一种应用于连续域实值优化的蚁群算法(Ant Colony Optimization,ACO)。ACOR算法可用于训练神经网络。与常规的蚁群算法不同,ACOR在训练神经网络时未考虑启发式信息(Heuristic Information)。在ACOR的基础上,提出了一种将启发式信息与ACOR相结合的神经网络训练算法——h-ACOR。其中,启发式信息是通过计算神经网络的误差关于网络的权值向量的偏导数而得到的梯度向量。通过十折交叉验证方法,将h-ACOR 应用于UCI数据集中的zoo,iris和tic-tac-toe 3组数据的模式分类问题中来训练神经网络。与ACOR相比,h-ACOR算法在减小分类误差的同时能够提高收敛速度,其收敛的代数约为ACOR算法的1/2,且经过完全训练,对zoo,iris和tic-tac-toe 3组数据的分类准确率分别为91.1%,93.3%和95.6%,高于ACOR算法的83.1%,88.7%和91.9%。     

ACO-BP神经网络在电梯交通流预测中的应用

电梯交通流预测为电梯配置与群控调度提供必要的乘客流数据信息.针对基于BP神经网络的电梯交通流预测模型在网络训练过程中表现出的对初值敏感、易陷入极小值等问题,提出利用全局寻优的蚁群优化(ACO)算法优化BP神经网络.同时,利用精英蚂蚁和排序策略对基本ACO算法进行改进.采集天津某办公大厦实际交通流数据进行实例分析,分别对基于传统的BP神经网络和蚁群优化的BP(ACO-BP)神经网络的电梯交通流预测模型进行仿真验证.结果表明:ACO-BP神经网络的预测效果远优于传统的BP神经网络,适用于电梯交通流预测系统.     

大规模前馈神经网络的一种有效学习算法及其应用

前馈神经网络在复杂系统建模中局限于小型或中等规模的系统，主要原因是：对于大规模问题，现有的神经网络学习算法或者收敛太慢，或者难以收敛．针对这一问题，本文提出一种基于改进的拟牛顿方法的神经网络学习算法该算法内存需要量小，收敛速度快，适合高维神经网络的训练．本文利用该算法训练神经网络建立32输入工业产品质量模型，结果表明了该算法的有效性．     

基于BP算法和ACO算法的故障诊断推理研究

BP算法在故障诊断领域已取得广泛应用,但其存在收敛速度慢且容易陷入局部最小值的缺陷,限制了其进一步的发展;ACO(Ant colony optimization)算法是一种模拟进化算法,已很好地应用于解决旅行商和资源两次分配等经典的优化问题,具有启发式收敛、正反馈以及分布式计算等优点;为此,将ACO算法引入BP算法故障诊断方法中,使用ACO算法对BP网络中的参数即权值、阈值以及学习率等进行优化,定义了一种结合ACO算法和BP算法能对故障进行诊断的新算法,并将其应用于具体的故障诊断实例中,最后,通过100组样本中的95组进行训练,并对剩余5组进行故障诊断,实验证明结合ACO算法和BP算法的新算法较传统的仅使用BP算法的诊断方法具有收敛速度快、诊断精确高以及训练性能好的优点。     

自组织映射（S0M）型神经网络的实现

文章讨论了应用于自组织映射型神经网络的训练算法，该算法通过计算获胜神经元来找到最接近输入模式的节点．然后通过对网络连接权值的自组织，训练一个自组织竞争的神经网络，该网络通过一组输入数据可自行训练形成一个神经网络模型，     

一种通过反馈提高神经网络学习性能的新算法

为了有效提高前向神经网络的学习性能，需要从一个新的角度考虑神经网络的学习训练．基于此，提出了一种基于结果反馈的新算法——FBBP算法．将神经网络输入调整与通常的权值调整的反向传播算法结合起来，通过调整权值和输入矢量值的双重作用来最小化神经网络的误差函数．并通过几个函数逼近和模式分类问题的实例仿真，将FBBP算法与加动量项BP算法、最新的一种加快收敛的权值更新的算法进行了比较，来验证所提出的算法的有效性．实验结果表明，所提出的算法具有训练速度快和泛化能力高的双重优点，是一种非常有效的学习方法．     

基于Agent和数据切片的分布式神经网络协同学习研究

针对目前神经网络在处理类似生物信息数据库这类较大规模数据时，遇到的大规模数据处理耗时过长、内存资源不足等问题．在分析当前神经网络分布式学习的基础上，提出了一种新的基于Agent和切片思想的分布式神经网络协同训练算法．通过对训练样本和训练过程的有效切分，整个样本集的学习被分配到一个分布式神经网络集群环境中进行协同训练，同时通过竞争筛选机制，使得学习性能较好的训练个体能有效地在神经网络群中迁移，以获得较多的资源进行学习．理论分析论证了该方法不仅能有效提高神经网络向目标解收敛的成功率，同时也具有较高的并行计算性能，以加快向目标解逼近的速度．最后，该方法被应用到了蛋白质二级结构预测这一生物信息学领域的问题上．结果显示，该分布式学习算法不仅能有效地处理大规模样本集的学习，同时也改进了训练得到的神经网络性能．     

一种并行BP神经网络的动态负载平衡方案

为了加快在大规模神经网络训练下并行技术的训练速度问题，从BP算法的内部结构分析了BP神经网络算法的大规模行划分方法，提出了一种动态负载平衡方案。通过在PC集群环境下对并行算法的试验结果表明．这种并行划分提高了加速比，具有现实意义。     

一个通用BP神经网络软件包的设计与分析

本文在讨论人工种经网络一般模型的基础上，介绍了BP神经网络的模型，并对模型各部分的机理作了分析．软件包分为初始训练、追加训练和处理三个模块．讨论了训练算法的软件模拟及其中的信息正向传播算法和误差反向传播算法．针对运用BP软件包的目标讨论了参数设计．软件包经测试和实例处理，效果良好．     

单层神经网络的高效学习算法研究

本文描述的是目前单层神经网络中的几个高效学习算法，简称为ＧＸＸＸＳＦ，其中ＧＸＸＸＳＦ１和ＧＸＸＸＳＦ２是两个递归最小二乘学习算法，它指出用模拟输出训练单层神经网络。本文对训练单层神经网络又提出一种新的优化方法，它为高效学习算法的发展提供了依据，这种优化方法称为ＧＸＸＸＳＦ３．以ＧＸＸＸＳＦ３为基础，又推出用二进制输出作为训练单层神经网络的第二级学习算法，称为ＧＸＸＸＳＦ４     

蚁群优化算法的研究现状及研究展望

本文首先简要地介绍蚁群优化算法的来源、对应的生物原理和算法实现的框架．然后详细地讨论了算法的研究现状以及在各种优化问题中的应用情况，同时也指出了蚁群优化算法在当前应用中的一些不足．针对这些不足提出了解决方法，描述了几种蚁群优化算法的修正策略.最后对蚁群优化算法下一步的研究方向进行了展望．     

基于滑动窗口和蚁群优化算法的二次路径规划算法

针对蚁群优化(ACO)算法在复杂环境下规划能力较弱的问题,提出了一种基于滑动窗口和蚁群优化算法的二次路径规划(QACO)算法.对回退蚁群优化(ACOFS)算法的回退策略进行改进,通过降低回退路径上的信息素量,减少回退次数.第一次规划中,使用改进后的ACO算法对栅格环境进行全局路径规划;第二次规划中,滑动窗口沿着全局路径滑动,通过ACO算法规划出滑动窗口中的局部路径,并使用局部路径对全局路径进行优化,直至滑动窗口中包含目标位置.仿真实验表明:相比ACO、ACOFS算法,QACO算法的平均规划时间分别下降了26.21%、52.03%,平均路径长度下降了47.82%、42.28%,因此在复杂环境下QACO算法具有将强的路径规划能力.     

基于加速寻径收敛的改进型蚁群算法

提出了一种基于基本蚁群算法的有节点信息素更新和记忆功能的算法模型;仿真结果表明,基于改进的蚁群算法模型在寻找最优解时表现出很高的效率,明显地优于现有的启发式算法的解,是一种有效的算法。     

基于群智能算法的玻璃切割问题求解研究

通过对玻璃切割问题的研究,提出一种融合量子粒子群优化和蚁群优化的混合算法(QPSO-ACO算法)。该算法对QPSO及ACO的模型进行必要的修改,以实现对玻璃切割中的旅行商问题的较好求解。同时充分利用QPSO的快速性、全局收敛性和ACO的正反馈性及求精解效率高等特点,达到优势互补。实验结果表明,QPSO-ACO算法寻优能力较强,是解决玻璃切割问题的有效方法。     

基于蚁群优化分类规则挖掘的遥感图像分类研究

蚁群优化算法作为群智能理论的主要算法之一,已经成功应用在众多研究领域的优化问题上,但是在遥感数据处理领域还是一个新的研究课题。蚁群优化具有自组织、合作、通信等智能化优点,对数据无需统计分布参数的先验知识,因此在遥感数据处理领域具有很大的潜在优势。介绍了将蚁群优化分类规则挖掘算法应用到遥感图像分类研究领域的理论与算法流程。并采用北京地区的CBERS遥感数据作为实验数据,通过蚁群优化算法构造分类规则,对选择的遥感数据进行了分类实验,并和最大似然分类方法进行对比,实验结果表明,蚁群优化分类规则挖掘算法为遥感图像的分类提供了一种新方法。     

一种基于ACO的K-medoids聚类算法

K-medoids算法作为聚类算法的一种,不易受极端数据的影响,适应性广泛,但是K-medoids聚类算法的精确度不稳定,平均准确率较低,用于实际的聚类分析时效果较差.ACO是一种仿生优化算法,其具有很强的健壮性,容易与其他方法相结合,求解效率高等特点.在K-medoids聚类算法的基础上,借鉴ACO算法的优点,提出了一种新的聚类算法,它提高了聚类的准确率,算法的稳定性也比较高.通过仿真实验,验证了算法的可行性和先进性.     

蚁群算法不确定性分析

蚁群算法作为一种开创性的生物仿真算法，因其具有并行性、鲁棒性等优良性质得到了广泛的应用。在对蚁群算法进行系统仿真的实验中，发现蚁群算法存在很多不确定因素。这些因素对蚁群算法的性能造成不同程度的影响，作为一种基于实验的研究性的探讨，本文对所发现的不确定因素做了分析，并根据分析结果对蚁群算法作了相应的改进。     

一种改进的基于蚁群优化的粒子滤波算法

针对传统粒子滤波算法中粒子匮乏以及粒子多样性丧失的问题, 提出了一种基于蚁群优化的改进粒子滤波算法。该算法利用蚁群算法优化粒子滤波的重采样过程, 使粒子在更新权值后, 利用转移概率向权值较优粒子的位置移动, 以防止权值较小的粒子在多次迭代后退化消失; 同时, 设置转移阈值, 以抑制权值较优粒子间的转移, 从而同时解决了粒子匮乏以及粒子多样性丧失的问题。实验结果表明, 该算法具有较高的预估精度和较好的鲁棒性。     

多需求点车辆调度模型及其群体智能混合求解

建立货运关系明细的多需求点车辆调度模型, 模型求解过程是先由粒子群算法的粒子位置向量得到单车运送的货物, 再由蚁群算法优化单车路径, 根据优化目标筛选粒子, 直到终止条件, 实现所有货物对所有车辆的分配. 实例求解结果表明混合求解得到的车辆总路径小于蚁群算法得到的结果.     

基于多蚁群的并行ACO算法

通过改变蚁群优化(ACO)算法行为,提出一种新的ACO并行化策略——并行多蚁群ACO算法。针对蚁群算法存在停滞现象的缺点,改进选择策略,实现具有自适应并行机制的选择和搜索策略,以加强其全局搜索能力。并行处理采用数据并行的手段,能减少处理器间的通信时间并获得更好的解。以对称TSP测试集为对象进行比较实验,结果表明,该算法相对于串行算法及现有的并行算法具有一定的优势。