一种群体智能算法——狮群算法

基于狮群中狮王、母狮及幼狮的自然分工,模拟狮王守护、母狮捕猎、幼狮跟随3种群智能行为,提出群体智能算法——狮群算法.算法中不同种类的狮子位置更新方式不同.遵循自然界生物“适者生存”的竞争法则,狮王守护领土,优先享用食物,母狮合作捕猎,幼狮分为学习捕猎、饥饿进食和成年被驱逐.狮子位置更新方式的多样化保证算法快速收敛,不易陷入局部最优.最后,将算法应用于6个标准测试函数优化问题,并对比粒子群算法、骨干粒子群算法,测试结果表明,文中算法收敛速度较快,精度较高,能较好地获得全局最优解.     

发电厂内500kV引流线磨损原因分析及处理办法

发电厂内500kV架空线悬垂绝缘子串安装不当,易造成悬垂绝缘子串均压环与引流线间距离缩小或碰触甚至碰磨.通过分析碰磨原因,给出了解决办法.     

高属性维稀疏数据聚类回归逻辑 神经网络模型及学习算法

针对高属性维稀疏数据聚类问题,定义了模糊取大逻辑神经元,给出一种新的单层离散型回归逻辑神经网络模型,由稀疏特征差异度组成的相似阵作为该网络的初始权矩阵,通过单层离散型回归逻辑神经网络学习算法,可求出相似矩阵的等价阵,根据等价阵,给定不同的阈值,可动态地、有效地实现对高属性维稀疏数据的归并,使得聚类结果更符合实际情况,聚类质量较高.相比同类聚类算法,它具有学习、修正和应变功能,适用于大规模稀疏数据库和稀疏数据仓库的聚类分析.     

基于猴群算法和单纯法的混合优化算法

针对猴群算法求解全局优化问题精度不高和花费大量的计算时间等问题,结合传统的单纯法的搜索思想,设计出一种基于猴群算法和单纯法的混合算法。该混合算法较大程度上提高了猴群算法求解精度,且加快了猴群算法的收敛速度。通过18个标准测试函数进行了测试,结果表明, 与PSO、GA与MA比较,文中提出的猴群-单纯形混合算法在函数优化方面有较强的优势,其测试函数最优解更接近理论最优解。     

基函数可递归的泛函神经元网络学习算法

将泛函神经元结构做了一个变形,给出了一种基函数可递归的泛函神经元网络学习算法,该算法借助于矩阵伪逆递归求解方法,完成对泛函神经元网络基函数的自适应调整,最终实现泛函网络结构和参数共同的最优求解。数值仿真实验结果表明,该算法具有自适应性、鲁棒性和较高的收敛精度,将在实时在线辨识中有着广泛的应用。     

求多项式方程全部实根的混合差分进化算法

针对多项式方程求实根问题,提出了一种混合差分进化算法.在该算法中,先对标准差分进化算法进行了一些改进,对计算种群个体的适应度并排序,利用二分之一规则选取个体,并引入自适应变异算子和进化策略重组算子,用改进的差分进化算法对种群进行优化,然后引入模拟退火算法和小生境技术对生成的新个体进一步优化.通过典型算例的数值仿真表明,文中提出的算法克服了标准差分进化算法易陷入局部极优等缺点,可以求任意高次多项式方程的全部实根,而且求解效率高,是一种求解多项式方程全部实根的有效算法.     

基于ＨＦＬＡＮＮ自组织多项式网络学习算法

首先提出一种双曲函数型神经网络HFLANN,设计出一类基于HFLANN网络的层次双曲型函数网络HHFLANN,给出了HHFLANN的网络学习算法,使其在用于非线性的拟合中体现了较强的优越性,对于任意的Volterra级数使用HHFLANN网络来逼近是完全可行的,该算法较GMDH算法和SOP算法,具有快速简单的特性,它优于GMDH算法,有规律地选取部分多项式;优于SOP算法,在构造SOP网络不需要太多的中间隐层,从而加快了学习过程,提高了网络的逼近性能,更适合于具有层次结构的应用领域。     

基于代数神经网络的不确定数据知识获取方法

定义了代数神经元、代数神经网络,讨论了不确定数据知识获取的数学机理,设计出一类单输入,单输出的三层前向网络来获取知识的代数神经网络模型,给出一种基于代数神经网络知识获取的方法,通过该网络的学习,能确定任意一组给定数据的目标函数的逼近式。     

一种基于人工鱼群和文化算法的新型混合全局优化算法*

提出一种基于人工鱼群和文化算法的新型混合全局优化算法,该混合算法的思想是将人工鱼群嵌入文化算法框架中,作为种群空间的一个进化过程;通过从进化种群中获得的知识组成知识空间,两空间具有各自群体并独立并行演化,从而实现增加人工鱼群的群体多样性。最后通过数值实例仿真结果表明,本算法具有较高的计算精度和收敛速度。     

多项式函数型回归神经网络模型及应用

文中利用回归神经网络既有前馈通路又有反馈通路的特点，将网络隐层中神经元的激活函数设置为可调多项式函数序列，提出了多项式函数型回归神经网络新模型，它不但具有传统回归神经网络的特点，而且具有较强的函数逼近能力，针对递归计算问题，提出了多项式函数型回归神经网络学习算法，并将该网络模型应用于多元多项式近似因式分解，其学习算法在多元多项式近似分解中体现了较强的优越性，通过算例分析表明，该算法十分有效，收敛速度快，计算精度高，可适用于递归计算问题领域，该文所提出的多项式函数型回归神经网络模型及学习算法对于代数符号近似计算有重要的指导意义。