一种优化模糊神经网络的多目标微粒群算法

模糊神经网络优化是一个多目标优化问题．通过对模糊神经网络和微粒群算法的深入分析，提出了一种多目标微粒群算法．在算法中将网络的精确性和复杂性分别作为目标进行优化，再用一种启发性分量加权均值法来选取个体极值和全局极值．算法能够引导粒子较快地向非劣最优解区域移动并最终获得多个非劣最优解，为模糊神经网络的精确性和复杂性的折中寻优问题提供了一种解决方法．茶味觉信号识别的仿真实验验证了该算法的有效性．     

基于微分演化的PSO参数选择策略

粒子群优化方法（Particle Swarm Optimization，PSO）是由Kennedy和Eberhart于1995年提出的一种基于群体智能（Swarm Intelligence）的演化计算技术，用于求解各类优化问题。PSO方法通过各种参数控制粒子的运行轨迹，并对参数设置有很强的敏感性。因此，如何为PSO方法选择最优的参数是PSO方法的关键。本文提出了一种不依赖个人经验的参数选则策略，针对特定问题，将PSO方法的性能表示成参数的函数，从而将参数选择问题转变成函数优化问题。采用微分演化（Differential Evolution，DE）方法对该函数进行优化，来确定PSO的最佳参数，收到了较好的效果。     

求解不确定TSP问题的蚂蚁算法

提出了不确定旅行商问题模型,该模型将路径长度看作动态可变的。从实际应用来说,该模型考虑了交通运行中的不确定情况,比经典旅行商问题更具有灵活性及实用价值,利用该模型得到的结果将更适于指导车辆对运行路线的选择。同时提出了一种基于蚂蚁算法的混合方法求解不确定旅行商问题,并给出了解的评价标准。实验结果显示,该方法能够加速蚂蚁算法的收敛性,可以有效求解不确定旅行商问题。     

关于PSO方法中粒子运行轨迹的修正

粒子群优化方法（PSO Particle Swarm Optimization）由Kennedy和Eberhart于1995年提出,基于群体智能行为的演化计算方法,并广泛应用于各类优化问题.在一些研究中,对PSO的粒子收敛性及粒子运行轨迹进行了分析,有一定理论价值和指导意义,本文针对一些分析过程中存在的问题进行了讨论,并对相关结论进行了修正.     

多类型集装箱装船模型及优化

针对集装箱装船问题提出了一个整数规划模型.该模型能够解决多类型、多目的地集装箱的装船问题.在实现了最小化倒箱次数、最大化运输船空间利用率的同时还保证了船只在不同负载分布下的稳定性,并能保证结果是全局最优解.实验中使用COIN-OR(Common Optimization Interface for Operations Research)对建立的模型进行求解.结果表明其有效性,从而为合理进行船只配载提供了一个有效的途径.     

一种基于WordNet的短文本语义相似性算法

 短文本语义相似性计算在文献检索、信息抽取、文本挖掘等方面应用日益广泛.本文提出了一种短文本语义相似性计算算法ST-CW.此算法使用WordNet和Brown文集来计算文本中的概念相似性,在此基础上提出了一个新的方法综合考虑概念、句法等信息来计算短文本的语义相似性.在R&;B及Miller数据集上进行实验,实验结果验证了算法的有效性.     

基于最小不确定性神经网络的茶味觉信号识别

提出了一种基于最小不确定性神经网络方法的味觉信号识别模型,使用贝叶斯概率理论和粒子群优化算法(PSO),快速而有效地确定网络结构参数,实现了对10种茶味觉信号的识别,实验结果表明了将该模型引入到茶味觉信号识别的可行性和有效性。