基于IMSE的神经网络优化设计方法在板厚板形控制中的应用

提出基于免疫调节的共生进化算法 (IMSE)的神经网络优化设计方法 ,融入了免疫调节原理中的浓度抑制调节机制以保持个体的多样性 ,有效地克服了未成熟收敛现象 .在应用于二机架冷连轧板厚板形综合控制系统中的仿真实验表明 ,该方法能很好地适应复杂环境 ,并具有较好的收敛性和较强的抗扰性     

基于免疫原理的多目标进化算法群体多样性研究

在多目标进化系统中一个关键问题是必须采取某一措施来保持群体多样性.本文将自然生命的免疫机制引入多目标进化过程,提出一种基于免疫原理的多目标进化算法群体多样性保持策略,并给出了具体设计方法.最后以两个目标的流水车间作业调度问题为例进行计算机模拟求解,将本文方法与"多目标遗传算法"的计算结果进行了对比,实验表明该方法能有效保持群体多样性,多目标优化结果的性能较好.     

基于自适应共生进化的自主体快速强化学习研究

文章研究了一类基于自适应共生进化模型的自主体构造方法,提出了基于自适应共生进化算法（ＡＳＥ）的一种进化强化学习方法,该方法不仅可以高效地进行神经网络决策系统的设计,而且在多自主体组成的自律系统的群体行为进化中可快速学习而收敛,并且通过多样度调节维持了群体多样性,克服了未成熟收敛现象。研究者将该方法用于人工生物中求偶通讯规范的研究,通过在环境中的生存和行为学习,雌雄个体都可有效地学习到成功的求偶通讯规范。     

免疫进化策略及其在二次布局求解中的应用

利用一种免疫进化策略算法来求解二次布局问题。免疫进化策略保留了一般进化策略的随机全局搜索能力,又进一步借鉴生物免疫机制中抗体的多样度保持机制和基于浓度的调节机制,较好地维持了进化个体的多样性。求解结果相当完美。     

多目标进化算法中多样性策略的研究

进化多目标优化中由于进化算子固有的随机误差以及进化过程中选择压力和选择噪音的影响使得进化群体容易丧失多样性,而保持进化群体的多样性不仅有利于进化群体搜索,而且也是多目标优化的重要目标。对多目标进化算法的多样性策略进行了分类,在统一的框架下描述了各种策略的机制,并分析了各自的特性。随后,分析并比较了多样性保持算子的复杂度。最后,证明了一般意义下多目标进化算法的收敛性,指出在设计新的多样性策略中需要保证进化世代间的单调性,避免出现退化现象。     

族群进化算法的经验学习机制

族群是依据个体编码特征的相似性对群体进行分类后形成的一种群体结构化组织,基于该机制形成了一种新的进化模型—族群进化算法（ethnic group evolution algorithm,EGEA）。族群机制可有效调控群体结构,协调算法的全局搜索和局部搜索时间,同时利用其所具有的分类能力也可方便地获取群体中的典型个体。设计了族群的经验学习机制来挖掘蕴含于群体中的进化经验知识,并利用这些知识来引导群体的搜索,提高EGEA的收敛速度。仿真实验表明族群的经验学习机制不仅是可行的而且是有效的,它显著提高了EGEA的搜索效率。     

基于聚类的快速多目标遗传算法

多目标遗传算法非常适合于求解多目标优化问题．讨论了进化个体之间的支配关系及有关性质，论证了可以用快速排序的方法对进化群体中的个体进行分类，同时探讨了用聚类方法来保持群体的多样性，具体讨论了基于层次凝聚距离的聚类，在此基础上提出了用分类和聚类的方法构造新的进化群体．理论分析与实验结果表明，所讨论的方法比较国际上已有的方法具有更快的收敛速度．     

一种可实现精确优化的小生境遗传算法

提出了一种基于排挤机制的小生境遗传算法,其特点是能够在进化过程中动态地记录个体的进化方向。仿真实验表明,该算法不但可以有效地保持种群的多样性,找到较多的解,还可提高解的精度。     

一种改进的抑制早熟收敛的模糊遗传算法

针对遗传算法中的早熟收敛现象，提出一种改进的模糊遗传算法。该算法将群体适应度均方差和种群的进化代数作为模糊逻辑控制器判断早熟收敛的标准，并根据判断结果对优劣不等的个体采取相应的进化方法，即当种群正常进化时对个体执行“惩强扶弱”的措施以保持种群多样性，一旦发生早熟收敛或有早熟收敛的趋势则对劣质个体进行局部灾变，以恢复种群的进化能力。实验结果表明，与标准遗传算法、自适应遗传算法和模糊遗传算法相比，改进的模糊遗传算法能够更好地维持种群多样性，抑制早熟收敛。     

基于轮盘赌反向选择机制的蜂群优化算法

针对人工蜂群算法易陷入局部最优的不足,考虑到基本蜂群算法中个体选择大多基于贪婪选择的思想,从而使算法快速向适应度值高的个体进化而陷入局部停滞。为此,提出一种基于轮盘赌的反向选择机制,以保持蜂群个体的多样性而使算法保持较好进化能力。通过对经典测试函数的仿真实验表明,改进的蜂群算法有更快的收敛速度和更好的收敛精度,且改进的蜂群算法对群体规模有很强的鲁棒性。     

A novel adaptive control design method for stochastic nonlinear systems using neural network

This paper presents a novel method for designing an adaptive control system using radial basis function neural network. The method is capable of dealing with nonlinear stochastic systems in strict-feedback form with any unknown dynamics. The proposed neural network allows the method not only to approximate any unknown dynamic of stochastic nonlinear systems, but also to compensate actuator nonlinearity. By employing dynamic surface control method, a common problem that intrinsically exists in the back-stepping design, called “explosion of complexity”, is resolved. The proposed method is applied to the control systems comprising various types of the actuator nonlinearities such as Prandtl–Ishlinskii (PI) hysteresis, and dead-zone nonlinearity. The performance of the proposed method is compared to two different baseline methods: a direct form of backstepping method, and an adaptation of the proposed method, named APIC-DSC, in which the neural network is not contributed in compensating the actuator nonlinearity. It is observed that the proposed method improves the failure-free tracking performance in terms of the Integrated Mean Square Error (IMSE) by 25%/11% as compared to the backstepping/APIC-DSC method. This depression in IMSE is further improved by 76%/38% and 32%/49%, when it comes with the actuator nonlinearity of PI hysteresis and dead-zone, respectively. The proposed method also demands shorter adaptation period compared with the baseline methods.

     

采用免疫进化算法优化设计径向基函数模糊神经网络控制器

基于生物免疫系统的计算智能近年来正逐渐成为一个研究热点.针对模糊神经网络控制器难于设计的问题,提出了一种免疫进化算法用于径向基函数模糊神经网络控制器参数的优化设计.首先将控制器参数进行编码表示成个体,并由若干随机个体组成初始群体;然后模拟生物适应性免疫应答过程,通过扩展操作在群体中较优秀个体的小邻域内进行局部搜索,同时利用突变操作在较差个体的大邻域内搜索;最后将设计的控制器用于控制倒立摆系统,仿真结果验证了该控制器的有效性.     

一种基于人工免疫原理的最优模糊神经网络控制器

提出了一种基于人工免疫原理的最优RBF模糊神经网络控制器设计方案．首先给出了控制器结构，其次将免疫进化算法用于控制器参数的优化，设计了一种满足二次型性能指标的最优RBF模糊神经网络控制器．将该控制器用于控制实际倒立摆系统，并采用状态变量合成方法以大大减少模糊规则的数目，实验结果验证了该控制器的有效性．     

基于J2EE架构的智能元搜索引擎系统设计与实现

分析智能元搜索引擎系统的特点和J2EE架构的优势,提出基于J2EE应用架构的多层智能元搜索引擎系统设计方案,整合系统分析、系统设计和编码的全部过程,开发出高质量、可复用、可扩展的智能元搜索引擎系统.     

Differential evolution and sparse neural networks

Abstract: The aim of this work is to avoid overfitting by seeking parsimonious neural network models and hence to provide better out-of-sample predictions. The resulting sparse networks are easier to interpret as simple rules which, in turn, could give greater insight into the structure of the data. Fully connected feedforward neural networks are pruned through optimization of an estimated Schwartz model selection criterion using differential evolution to produce a sparse network. A quantity, α , which indicates how close a parameter is to zero is used to estimate the number of model parameters which are being pruned out. The value of α is incorporated into a function of the Schwartz information criterion to form an objective function whose maxima, as α tends to zero, define parsimonious neural network models for a given data set. Since there is a multiplicity of maxima, differential evolution, with its greater capacity for global optimization, is used to optimize this objective function. The value of α is progressively reduced during the evolution of the population of models in the manner of a sequential unconstrained optimization technique. The method is illustrated by results on four sets of data.     

基于进化策略的动态递归神经网络建模与辨识

提出一种采用进化策略实现动态递归神经网络结构、权重和自反馈增益同时进化的学习算法,以及自适应进化机制,与改进ＢＰ６算法相结合,各取所长,形成集成化动态递归神经网络建模辨识算法,实际应用结果表明,所提出算法不仅明显提高了动态递是 网络模型辨识自救的收敛速度格精度,而且实现了动态递归网络的全自动优化设计。     

基于BP神经网络的产品造型设计评价

为了对产品的造型设计进行评价,在分析人工神经网络原理的基础上提出了应用BP神经网络评价产品造型设计的方法.根据BP神经网络具有自学习、自组织、自适应和非线性动态处理等优点,建立了产品造型设计BP神经网络评价模型,选择某一产品造型设计的13款方案作为样本,利用Matlab软件进行了BP网络的实例训练和验证.实验结果表明,BP神经网络模型可以较准确的对产品造型设计进行评价.     

基于免疫聚类的神经网络集成的研究

基于免疫聚类的思想,提出了一种神经网络集成方法。采用轮盘赌选择方法重复地从各免疫聚类中的抽取样本以构成神经网络集成中各个体神经网络的训练样本集,神经网络集成的输出采用相对多数投票法。将基于免疫聚类的神经网络集成应用于中医舌诊诊断,以肝病病证诊断进行仿真。实验结果表明:基于免疫聚类的神经网络集成比基于Bagging算法的神经网络集成能有效地提高其泛化能力。因此,基于免疫聚类的神经网络集成算法的研究是可行的、有效的。     

基于信息强度的RBF神经网络结构设计研究

在系统研究前馈神经网络的基础上,针对径向基函数(Radial basis function, RBF) 网络的结构设计问题,提出一种弹性RBF神经网络结构优化设计方法. 利用隐含层神经元的输出信息(Output-information, OI)以及隐含层神经元与输出层神经元间的交互信息(Multi-information, MI)分析网络的连接强度, 以此判断增加或删除RBF神经网络隐含层神经元, 同时调整神经网络的拓扑结构,有效地解决了RBF神经网络结构设计问题; 利用梯度下降的参数修正算法保证了最终RBF网络的精度, 实现了神经网络的结构和参数自校正. 通过对典型非线性函数的逼近与污水处理过程关键水质参数建模, 结果证明了该弹性RBF具有良好的动态特征响应能力和逼近能力, 尤其是在训练速度、泛化能力、最终网络结构等方面较之最小资源神经网络(Minimal resource allocation net works, MRAN)、增长修剪RBF 神经网络(Generalized growing and pruning RBF, GGAP-RBF)和自组织RBF神经网络(Self-organizing RBF, SORBF)有较大的提高.