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.     

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。     

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.     

Web服务消息级安全模型的设计及评价

保证Web服务安全通信的机制有两种：传输级安全机制紧密耦合于下层平台,只能保证点到点的安全通信;而消息级安全机制能够提供异质环境的端到端安全保证.在WS-Security、SAML和XKMS等有关消息级安全的规范基础上,设计了一消息安全模型,并对其进行了安全性评价.该模型能够保证SOAP消息的机密性、完整性、不可否认性、认证和授权,能够保证Web服务的安全.     

用个体独立优化进化策略求非线性方程的近似根

简要介绍进化策略的基本原理和基本技术,在此基础上,提出一种基于（1＋1）-ES的新型个体独立优化进化策略算法,并应用于求解非线性方程,利用该算法可获得任意给定所求非线性方程的近似根.相比传统的求解方法,克服了传统方法所存在的误差累积、一次只能求出一个根等缺陷.实验结果表明,该方法是有效可行的,其目的为求非线性方程近似根提供一新方法,由于数学物理中许多问题常常归结为求解非线性方程,因此,该方法将在科学工程计算等领域有着广泛地应用.     

层次泛函网络学习算法及其在时间序列分析中的应用

设计了一类单输入单输出泛函网络与双输入单输出泛函网络作为构造层次泛函网络基本模型。提出了一种层次泛函网络模型,给出了层次泛函网络构造方法和学习算法,而层次泛函网络的参数利用解方程组来进行逐层学习。以时间序列中典型的Hénon映射为例,通过比较分析看出,层次泛函网络更适合于时间序列分析。计算机仿真结果表明,这种层次学习方法,对时间序列具有收敛速度快和逼近精度高等特点。     

一种基于泛函网络的多项式Euclidean算法

提出一种基于泛函网络的多项式Euclidean计算新模型，给出一种基于泛函网络的多项式Euclidean新算法。网络的泛函参数利用解线性方程组方法来完成。相对于传统方法，该方法不但能够快速地获得所求多项式问题的精确解，而且可获得所求多项式问题的近似解。计算机仿真结果表明，该算法十分有效、可行，可以看作是对传统的Euclidean算法的一种推广。该算法将在计算机数学、代数密码学等方面有着广泛的应用。     

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。     

基于二进制数计算相似度的高属性维稀疏数据聚类方法

针对一种特定类型高属性维数据———区间变量型高属性维稀疏数据聚类问题,提出高属性维稀疏信息系统,稀疏特征编码,基于二进制数计算相似度概念,给出一种新的基于二进制数计算相似度的高属性维稀疏数据聚类算法,由于计算属性稀疏特征相似度所采用的是二进制数布尔AND运算,因此,相比目前人们所使用的聚类算法,它是一种计算简单、精度高、聚类质量较高的聚类算法。该算法在高属性维稀疏数据挖掘及聚类分析中有着重要的应用。通过数值算例分析表明该聚类方法有效。