进化计算简要综述

介绍进化计算的起源与发展历史、进化计算的特点与分类、进化计算有关研究与应用现状、进化计算有关软件与国际信息交流等方面的基本情况。     

交互式进化计算在虚拟角色表情建模中的应用

阐述了一种将交互式进化计算应用于三维计算机动画影片中训练虚拟角色面部表情的方法。将模糊神经网络应用于虚拟角色面部表情的建模,并用遗传算法结合交互式进化计算训练模糊神经网络。实验结果表明,当该算法应用于训练虚拟角色面部表情这一问题时,能在保证精度的前提下快速收敛,并能避免陷入局部最优,从而使得不同的动画导演利用这个系统,能够生成符合自己要求的虚拟面部表情。     

神经网络主动学习的进化算法

1 引言近年来,神经网络的研究取得了很大进展,特别是,为了克服传统的BP学习算法的缺陷,即学习速度慢和人为给定的拓扑结构对特定学习任务的不适应性,而发展的自适应神经网络的增长策略,它通过不断地增长隐节点或子网来满足给定学习任务的复杂性要求。这种神经网络的增长算法不仅克服了人为指定的拓扑结构的困难,而且由于其结构过程所固有的模块化训练特性,也缓解了传统的BP算法训练速度慢的突出问题。由于神经网络训练程度很难把握,许多算法往往过分强调训练结果而牺牲泛化结果,致使网络的过拟合问题严重。为了克服过拟合问题,研究者们采用了多网络合作模型,由于多个网络的平均效应,可以避免单个     

利用进化规划设计人工神经网络

近年来,人们开发了许多的神经网络自动设计方法,其中进化算法与神经网络的结合最引人注目,形成一类进化人工神经网络。对用遗传算法实现神经网络的进化进行研究的时间最早,并得到广泛的评论,而最近越来越多的研究支持利用进化规划设计神经网络是一种更优的方法。该文讨论了这一领域的研究进展并阐明了进一步的研究方向。     

基于进化规划的神经网络群的设计方法

提出一种基于进化规划的神经网络群的自动设计方法．该方法不仅使得神经网络群中的个体网络倾向于完成不同的子任务，同时各神经网络个体在进化过程中不断寻找最好的协作关系，而且神经网络群的规模和结构不需预先设定．仿真试验表明，该算法是有效的。     

一种分层协同进化学习方法及其在机器人追踪中的应用

本文在分析了密歇根方法和匹茨堡方法的基础上,提出了一种新型分层协同进化学习方法。该方法由上述两类 种群构成,此两类种群分别属于不同的智能层次,进行协同进化来实现智能,种群内部各自独立地采取不同的遗传操 作,种群之间使用交互算法进行交流。实验表明：该方法能改善分类器系统的短视特性并提高其智能。     

前向神经网络参数估计中的进化规划

人工神经网络在很多领域有着成功的应用。神经网络参数估计有许多训练算法,BP算法是前向多层神经网络的典型算法,但BP算法有时会陷入局部最小解。进化规划是一种随机优化技术,它可以发现全局最优解。文章介绍了进化规划在前向多层神经网络参数估计中的应用,结合具体例子给出了算法实现的具体操作步骤和实验结果。实验数据表明采用进化规划得到的网络参数是最优的,神经网络的性能优于基于BP算法的神经网络性能。     

改进进化策略及其在神经网络训练中的应用

进化策略是一类策略参数自适应进化算法。文章提出了一种改进进化策略(MES),MES采用基于个体排序的随机自适应Gaussian-Cauchy混合变异策略,将Gaussian和Cauchy变异算子结合起来以达到全局探索和局部搜索之间的动态平衡。此外,MES还使用重组算子以进一步提高算法的性能。将该算法用于多层前向神经网络训练,数值仿真结果显示了该算法的有效性。     

神经元模式分类器学习的进化计算算法

本文提出了一种用于神经元模式分类器学习的进化计算算法。该算法综合了非确定有限自动机和次群体的动态数据结构,可有效地完成神经网络模式分类器的结构学习,以获得最优的求解结果。该算法的有效性已由计算机仿真实验所证实,可被认为是一种很有发展前途的模式分类系统的机器学习算法。     

基于统计分析的分阶段进化神经网络方法

基于统计分析和分阶段进化，提出一种新的进化神经网络设计方法．本文方法 的进化过程分三个阶段：第一阶段，首先按训练样本统计特性设计较小规模的神经网络；第 二阶段，引入所有训练样本，在第一阶段的基础上，逐步扩展网络结构，新添加的神经元总 是单独训练并以抵消原网络的输出误差为其训练目标，直至训练网络达到误差要求．第三阶 段，利用统计方法，将网络中非线性变换作用相似的神经元合并，简化网络结构．本文方法 一方面减轻了进化算法的压力,另一方面指出了网络进化的方向使得进化网络的学习过程不 再是黑箱问题．计算机仿真实验表明，该方法是有效的．     

进化神经网络在倒立摆控制中的应用

倒立摆作为典型的非线性系统，伴随着多变量、快速运动和绝对不稳定的特征，难于建立精确的数学模型，这就使得对倒立摆的控制变得异常困难和复杂。智能控制理论则是解决此问题的一个有效途径，该文针对倒立摆控制的传统神经网络算法（即BP算法）的缺点，将遗传算法与神经网络结合起来，提出了倒立摆的进化神经网络控制方法。控制器在结构上采用神经网络，利用遗传算法优化神经网络的连接权值。实验研究表明，该控制器不仅具有良好的动态和稳态控制性能，而且对于干扰也具有很强的抑制能力。同时还具备结构简单，易于实现的优点。     

入侵检测的进化神经网络研究

针对传统入侵检测系统漏报率和误报率高的问题,提出基于遗传神经网络的入侵检测系统。该系统将遗传算法和BP算法有机结合,利用遗传算法较强的宏观搜索能力和全局寻优特点,优化BP网络的初始权值和阈值,并在此基础上进行神经网络学习,从而建立入侵检测系统的优化分析模型。实验结果表明,该算法可以有效地运用于入侵检测系统中。     

Gause竞争型协同进化算法在FNN中的应用

自从60年代J.霍兰提出遗传算法以来,模拟进化算法得到了很大的发展和应用。协同进化算法是针对遗传算法的不足提出,还处于研究初步阶段。该文在竞争型协同进化的基础上,借鉴生态学中物种竞争模型,提出了基于Gause竞争方程的竞争型协同进化算法,并将该算法应用于模糊神经系统的辨识问题上。实验证明,该算法比标准遗传算法、典型竞争型协同进化算法和BP学习算法具有更好的全局收敛性和更快的收敛速度,在一定程度上解决了标准遗传算法的不足。     

一种基于进化神经网络的混合入侵检测模型

为了提高入侵检测系统的检测率并降低误报率,将误用检测技术和异常检测技术进行结合,以克服采用单一技术的缺陷。采用改进的进化神经网络作为检测引擎,首先,通过对遗传算法进行改进,弥补实数编码全局寻优能力差的缺陷,且降低计算的复杂度,提高进化收敛速度;然后,将改进的遗传算法和BP神经网络的LM算法进行结合,进一步克服神经网络学习阶段训练速度慢和易陷入局部最优的缺点,进而提高神经网络的分类能力和模式识别能力。采用 KDDCUP99数据集作为训练与测试数据集进行实验,结果表明,基于改进的进化神经网络建立的混合入侵检测模型在数据特征规则的提取速度、检测精度以及识别新的攻击类型方面有明显改善。     

基于进化算法的SFSN神经网络

提出一种基于进化算法的ＳＦＳＮｔＳａｍｐｌｉｎｇＦｒｅｑｕｃｈｅｙ０ｓｅｎｓｉｔｉｖｅ Ｎｅｔｗｏｒｋ）神经网络分类量化方法,该算法把并行全局寻代的进化算法ＥＰ（Ｅｖｏｌｕｔｉｏｎａｒｙ Ｐｒｕｇｒａｍｍｉｎｇ）融合进ＳＦＳＮ神经网络,使神经网络的结构优化与参数优化同时完成。即同时解决了最佳分类数与最佳矢量量化问题。实验结果证实了算法的有效性。     

基于改进遗传算法寻优的神经网络PID控制及应用

根据神经网络PID控制器初值的选取影响系统控制性能的特点,提出了一种基于改进遗传算法寻优的神经网络PID控制方法.即先利用遗传算法对PID控制器参数离线寻优,将求出的参数值作为控制器的比例、积分、微分系数的初值,再进行神经网络PID控制.对一类液位过程的实时控制结果表明采用本方法的控制系统具有较好的稳定性和鲁棒性.     

基于遗忘进化规划的Hopfield网学习算法

本文提出了一个基于遗忘进化规划的Hopfield网学习算法.通过遗忘部分个体,算法能避免局部最小.给定不动点、极限环或迭代序列,通过解不等式,算法能同时获得Hopfield网的拓扑结构和权值.该算法克服了进化Hopfield网学习的局限性.它还能找到多个优化解.实验也证明了该算法的有效性.     

神经网络在控制系统中的应用现状及展望

本文分析了神经网络在控制系统中的应用，并对目前几种较重要的神经网络控制现状进行了评述，最后对神经网络控制的发展作了展望。     

神经网络在控制系统中的应用现状及展望

本文分析了神经网络在控制系统中的应用,并对目前几种较重要的神经网络控制现状进行了评述,最后对神经网络控制的发展作了展望。     

遗传模糊神经网络在航空发动机控制中的应用

模糊神经网络控制器是一种将模糊逻辑与神经网络相结合的智能控制器,其既不依赖于被控对象精确的数学模型,又能根据被控对象参数和环境的变化自适应地调节控制规则和隶属函数参数,但是存在着收敛速度慢,较多局部极小的情况下很容易陷入局部极小值等缺点。针对存在的问题,提出一种模糊神经网络控制器的优化方法。隶属度函数的参数具有全局性,用遗传算法来优化;神经网络的权值代表模糊系统的控制规则,它用神经网络的误差反传算法(BP)来调整。将算法用于航空发动机控制,实现对低压转子转速的无静差控制,与应用BP算法的模糊神经控制相比,控制性能改善较大,结果令人满意。