具有自识别能力的遗传算法求解旅行商问题

为解决基本遗传算法求解旅行商(TSP)问题收敛速度慢、种群过早成熟和局部搜索能力差的问题,提出了一种具有自识别能力的遗传算法。算法的主要改进手段是,通过双向贪婪算法来构建初始种群,以提高寻找到最优解的速度;建立个体之间相似度的概念,用自识别交叉算子进行交叉操作,避免种群过早成熟。实验结果表明,与基本遗传算法相比,该算法很好地保持了群体的多样性,并具有较好的收敛速度。仿真结果验证了算法的良好性能。     

基于BP算子的自适应混合遗传算法研究

将误差反向传播算法(BP算法)以一个算子的形式融入到遗传算法中,以提高遗传算法的优化性能.其基本思路是:在遗传算法收敛速度放慢时启用BP算子,把新一代群体作为BP算子的初始值再用BP算法训练网络,这样交替运行BP算法和遗传算法,直到达到问题要求的精度.通过对4例实验函数的优化,证明了混合遗传算法具有良好的收敛性和稳定性.实验对插入BP算子的遗传算法和传统遗传算法的优化结果进行了比较分析,结果表明BP算子的插入对遗传算法的优化性能、收敛速度和收敛精度方面都有了很大的改进.     

基于L-M神经网络的齿轮故障诊断

齿轮传动工况的复杂性使得其特征参量与故障形式呈非线性映射关系.提出基于Levenberg-Marquardt算法的前向多层神经网络的齿轮故障诊断方法,该方法通过利用二阶导数信息,可以提高收敛速度和增强网络的泛化性能.并以一种齿轮箱故障信号采集实验系统为例,通过MATLAB软件及其神经网络工具建模和仿真研究.结果表明,Levenberg-Marquardt神经网络对齿轮常见故障有良好的识别能力,能稳定、准确地识别各类故障,与标准BP网络相比,收敛速度快且诊断更为准确.     

融合BFGS的自适应蜂群算法在谐波平衡分析中的应用

针对谐波平衡分析中传统算法存在初值限制,以及智能算法收敛速度慢的缺点,提出一种基于BFGS（Broyden-Fleteher-Goldfarl-Shanno）算法局部搜索策略的自适应蜂群算法。该算法在基本蜂群算法的基础上引入非线性的动态调整因子代替蜂群算法搜索公式中的随机变量,增加搜索的自适应性,并将BFGS算法运用到自适应蜂群算法后期求解,提高其局部搜索能力。实验结果表明,改进算法较标准蜂群算法迭代次数减少51.9%,相对于传统BFGS算法和部分改进智能算法均表现出较好收敛性能。     

基于预测的遗传算法

遗传算法被广泛应用于解决各类优化问题.常规的遗传算法易于陷入局部最优,其收敛速度也较慢.为了提高常规遗传算法的优化性能,将预测的概念引入遗传算法的循环过程,提出基于预测的遗传算法框架;并以人工神经网络算法作为预测算法,提出了一种基于神经网络预测的遗传算法.通过优化8个典型的函数优化问题,将该算法与常规遗传算法的性能进行了比较;结果显示该算法具有很强的全局优化能力,能有效地增强种群的多样性和进化速度,明显优于常规遗传算法.     

基于模拟退火并行遗传算法的Otsu双阈值

模拟退火和并行遗传算法是两种较好的改进进化算法性能的方法。将这两种思想有机地结合起来,利用遗传算法能全局寻优的优势和模拟退火算法的爬山性能,提出了一种基于模拟退火并行遗传算法的Otsu双阈值医学图像分割算法。在该算法中,进化在多个不同的子群中并行进行,利用模拟退火算法的爬山性能,避免单种群进化过程中出现的过早收敛现象,提高整个算法的收敛速度。实验证明,这种新的图像分割算法与并行遗传算法相比,不仅能够对图像进行准确的分割,而且具有更强的精确性和稳定性。其收敛速度明显比并行遗传算法的Otsu双阈值医学图像分割快。     

混沌遗传模拟退火组合算法性能研究

提出了一种混沌遗传模拟退火组合算法.为了提高算法的收敛速度,对遗传算法的适应度进行了拉伸操作,并且对模拟退火算法进行了改进,使其搜索范围随退火温度的降低而缩小.最后通过对4个典型函数的模拟,对算法的性能进行了研究.实验结果表明,该算法能明显改善传统遗传算法的性能,具有较强的全局搜索能力和较快的收敛速度.     

求解非线性方程组的蛙跳和 BFGS 混合算法

混合蛙跳算法具有算法简单、控制参数少、易于实现等优点,但缺乏良好的局部细化搜索能力,使得求解精度不高。借鉴BFGS算法强的局部搜索能力,将BFGS算法与混合蛙跳算法有机融合,形成性能更优的混合优化算法,并用来求解非线性方程组。通过3个非线性方程组的实验表明,该混合算法收敛精度较高,收敛速度较快,是一种较好的求解非线性方程组的方法。     

超宽带粒子群多路径选择算法

在多用户超宽带通信系统中,多路径的选择严重影响系统的信干噪比(SINR).针对这一问题,提出了基于离散粒子群的多路径选择算法(SMCA-DPSO).该算法将DPSO应用于UWB系统SRAKE多路径选择问题中,从而达到加快收敛速度,提高寻优效果的目的.最后与传统算法、放宽约束算法、遗传算法等进行了比较,结果表明,SMCA-DPSO在SINR、收敛速度、寻优效果等方面都有显著提高.     

基于人工鱼群优化BPNN的AUV目标识别方法

为了削弱复杂恶劣的环境对水下成像造成的不利影响及满足水下机器人目标识别任务实时性的需求,提出了基于人工鱼群算法(AFSA)优化BP神经网络的水下目标识别算法,通过构造组合不变矩对水下目标进行特征提取,提高了目标的聚类性能.引入具有全局寻优能力的AFSA,其在增加单纯神经网络收敛速度的同时避免算法陷入局部最优,进而建立了完整的基于人工鱼群神经网络的水下目标识别系统.在不同的水下目标中对该系统进行实验,通过比较提取的不同的目标图像,结果表明所建立系统具有较优的聚类性能和较高的识别精度.该方法用于水下目标识别是可行的、有效的.