演化算法的收敛速率与效率分析

该文讨论了演化算法的收敛速度与效率问题．引入了衡量演化算法收敛快慢的新标准——收敛阶和收敛因子等概念，使用顺序统计方法讨论了收敛阶和收敛因子的计算问题．考虑到演化算法的收敛速度和每代群体的工作量,用收敛阶(或收敛因子)和函数评价次数定义了演化算法的效率．对于常见的球函数模型．推导出(μ，λ)演化策略收敛因子和效率公式．从理论上分析了(μ，λ)演化策略中参数μ，λ的最佳比值．     

遗传算法的收敛性统一判据

本文针对遗传算法的过早收敛或者收敛缓慢甚至不收敛，进行了详细的分析；理论分析了算法发生过早收敛的原因，收敛速度与各个控制参数和遗传操作的关系；提出并严格证明了与编码方式和选择策略无关的判断遗传算法收敛性判据。     

域间路由协议BGP收敛时间的定量分析及预测

本文对因特网的域间路由协议-BGP的收敛问题进行了研究，提出了一种新的BGP收敛模型，考虑了BGP报文的处理和等待时间以及各种延迟对收敛时间的影响，给出了一种更精确的BGP的收敛时间上界，进而根据域间路由系统的幂率特性和BGP协议标准分析了影响收敛性的各个因素，并在此基础上对BGP的收敛性问题今后的发展趋势进行了预测。理论分析和模拟实验显示，BGP的收敛时间最终会受到CPU处理效率、AS度数以及MRAI的影响，而传输路径长度和链路延迟反而会使收敛时间越来越小。     

一种快速收敛的遗传算法

本文针对传统遗传算法收敛速度慢的缺点，提出了一种改进的快速收敛算法，并以八皇后问题为例进行了数值模拟，实验结果表明这种改进的遗传在收敛速度上大大优于传统遗传算法。     

一种基于全局协同与局部进化的遗传算法

改进了协同进化遗传算法中的协同操作，提出了一种基于全局协同与局部进化的两层框架模型和基于此模型改进的遗传算法（GCLEGA），在高层，采用基于邻域的局部进化算法，旨在加强局部搜索，加速收敛速度，在底层，采用改进的多种群协同进化算法，旨在改善群体的多样性，克服未成熟收敛，两层之间通过提升操作关联，使全局搜索与局部搜索、全局收敛性与收敛速度有机地统一了起来。实验结果显示，GCLEGA在改善未成熟收敛和提高收敛速度两方面都具有良好的性能。     

机坪感知网络的快速收敛平均一致性时间同步算法

针对机坪感知网络（APSN）的传统平均一致性时间同步算法（ATS）因其分布式迭代特点而导致收敛速度慢、算法效率低的问题，基于代数连通度影响一致性算法收敛速度的原理，提出了一种可快速收敛的平均一致性时间同步算法（FCATS）。首先，在APSN内的双跳邻居节点间添加虚拟链路来增加网络的连通性；然后，基于单跳与双跳邻居节点信息对节点的相对时钟偏斜、逻辑时钟偏斜与偏移进行更新；最后，根据时钟参数更新过程进行一致性迭代。仿真结果表明，FCATS经过一致性迭代能够得到收敛，与ATS相比，在收敛速度上提升了50%左右，在不同拓扑条件下收敛速度能够提升20%以上，可见收敛速度得到了明显改善。     

改进的BP神经网络收敛性的实验研究

利用生物发酵过程运行数据为样本，对ＢＰ神经网络进行训练，考察了网络结构以及学习率η和动量参数α对收敛精度与收敛速度的影响，提出了稳定区的概念和多输出网络分割的思想，并给出了得到较好收敛速度与精度的学习方案。     

数学方法是程序设计的一条“总线”

本文首先讨论了程序设计的收敛与发散问题，并给出了迭代过程中收敛条件和收敛与发散的几何意义，然后以典型实例说明了对于一种数学方法可以用多种编程技术实现程序设计，最后对数学在程序调试中的应用进行了简要分析。     

对于模糊ARTMAP的研究及改进

在模糊artmap网络中，F2层每增加一个的神经元就表示增加了一个聚类，这是该网络的优点同时也增加了网络的负荷。文中对模糊artmap算法进行了简要介绍并分析了算法的收敛复杂度。在此基础上，提出数据集划分法以提高网络的收敛速度。最后通过试验比较算法改进前后的网络收敛速度的差异，证明改进后网络的收敛速度明显提高。     

一种快速收敛的遗传算法*

本文针对传统遗传算法收敛速度慢的缺点，提出了一种改进的快速收敛算法，并以八皇后问题为例进行了数值模拟，实验结果表明这种改进的遗传算法在收敛速度上大大优于传统遗传算法．     

基于快速神经网络算法的非特定人语音识别

提出一种用于语音识别的改进的快速神经网络算法 ,即动态不等步长的误差分段学习算法。将步长看作误差和网络节点输出的函数 ,对各权值按不同步长进行动态调整 ,并将其应用于一个基于前馈神经网络模型的非特定人语音识别系统。实验表明 ,该算法比传统 BP算法在训练速度上可提高十几倍 ,训练出的语音识别网络系统具有较高的识别率     

一种基于BP神经网络的数字识别新方法

针对标准BP神经网络收敛速度慢、易陷入局部极小点的缺点,提出了一种新的BP神经网络改进算法。该算法通过变步长法和牛顿法来改进BP算法,加快了网络的收敛速度,且收敛速度快于其他的改进算法。在此基础上将BP神经网络应用于数字识别中,为其网络建立识别模型。利用仿真实验观察BP网络的泛化能力以及识别准确性,比较BP算法及其改进方案,提出改进方案中分别需要注意的地方。     

Extreme learning machine for interval neural networks

Interval data offer a valuable way of representing the available information in complex problems where uncertainty, inaccuracy, or variability must be taken into account. Considered in this paper is the learning of interval neural networks, of which the input and output are vectors with interval components, and the weights are real numbers. The back-propagation (BP) learning algorithm is very slow for interval neural networks, just as for usual real-valued neural networks. Extreme learning machine (ELM) has faster learning speed than the BP algorithm. In this paper, ELM is applied for learning of interval neural networks, resulting in an interval extreme learning machine (IELM). There are two steps in the ELM for usual feedforward neural networks. The first step is to randomly generate the weights connecting the input and the hidden layers, and the second step is to use the Moore–Penrose generalized inversely to determine the weights connecting the hidden and output layers. The first step can be directly applied for interval neural networks. But the second step cannot, due to the involvement of nonlinear constraint conditions for IELM. Instead, we use the same idea as that of the BP algorithm to form a nonlinear optimization problem to determine the weights connecting the hidden and output layers of IELM. Numerical experiments show that IELM is much faster than the usual BP algorithm. And the generalization performance of IELM is much better than that of BP, while the training error of IELM is a little bit worse than that of BP, implying that there might be an over-fitting for BP.     

改进BP网络在煤矿通风系统故障检测中的应用

针对BP神经网络传统学习算法步长难以确定的问题,提出了采用基于RLS算法的BP神经网络检测煤矿通风系统故障的方法;简要介绍了BP神经网络的结构,详细介绍了RLS学习算法和仿真过程。仿真结果表明,采用RLS算法的BP神经网络能够满足煤矿通风系统故障检测的要求。     

一种基于模拟退火的自适应算法

针对常规BP算法收敛速度慢和易陷入局部极小的问题,文章提出了一种新的BP算法———SASSFBP算法。该算法根据训练中最近两个梯度的符号及其相对大小来动态地改变权步因子,提高了神经网络的收敛速度,并同时结合模拟退火算法来避免陷入局部极小。仿真实验结果表明:SASSFBP算法在收敛速度与运算精度,以及避免陷入局部极小的能力等方面均明显优于常规的BP算法。     

基于网络复杂性的BP算法

BP算法(误差反向传播算法)是前馈神经网络中最常用的算法之一.在对前馈神经网络和传统的BP算法研究的基础上,发现了传统算法中存在的问题.通过引入网络复杂性的量,提出了一种新的改进算法,命名为基于网络复杂性的BP算法.该算法能够删除掉冗余的连接甚至节点,通过对网络学习步长的动态调整,避免了算法收敛速度过慢和反复震荡的问题.最后通过实验说明该算法在一定程度上比传统BP算法有一些优越性.     

改进BP算法在预测安全库存中的应用

针对标准BP算法收敛速度慢、容易陷入极小值的缺陷,利用附加动量项和变步长思想相结合的改进算法,建立三层BP网络模型对安全库存量进行预测,并与标准BP算法的预测结果进行比较,提高了网络收敛速度和预测准确度.     

以高维输入神经网络作为生产线产品质量模型

探索用高维输入的神经网络对复杂工业生产过程的建模方法。针对网络输入变量维数较高的特点,提出一种ＢＰ网络各权重独立训练的分散训练方法。该方法用附加大惯性项来协调各个权重的优化训练,运用非线性优化方法调节步长。与用普通的ＢＰ训练方法相比,用该方法训练高维输入的ＢＰ网络具有较快的收敛速度和较高的模型精度,较好地解决了实际生产过程的产品质量模型问题。     

Multi-objective optimization of TSK fuzzy models

In this paper we propose a hybrid algorithm to optimize the structure of TSK type fuzzy model using backpropagation (BP) learning algorithm and non-dominated sorting genetic algorithm (NSGA-II). In a first step, BP algorithm is used to optimize the parameters of the model (parameters of membership functions and fuzzy rules). NSGA-II is used in a second phase, to optimize the number of fuzzy rules and to fine tune the parameters. A well known benchmark is used to evaluate performances of the proposed modelling approach, and compare it with other modelling approaches.     

ATO系统速度控制的BP-FIPID算法

针对列车自动运行（Automatic Train Operation,ATO）系统控制算法的稳定性与智能性需求,以及比例积分微分（Proportion Integration Differentiation,PID）控制算法的拓展优化,结合BP（Back Propagation）神经网络算法和模糊免疫PID（Fuzzy Immune PID,FIPID）控制算法,提出一种基于BP神经网络的免疫控制参数自适应调整的模糊免疫PID控制算法（BP-FIPID）。以列车运行控制模型为控制对象,分别采用阶跃信号和列车运行目标速度曲线对传统FIPID以及BP-FIPID进行仿真检验。测试结果显示,与FIPID算法相比,BP-FIPID算法具有更好的阶跃响应和抗干扰性能,针对复杂工况的速度-时间曲线同样体现出理想的追溯性。免疫控制参数的自适应调整有助于改进FIPID的性能,两种算法均可作为实践参考。