用非线性智能集成算法解决信息网拥塞问题

该文将遗传算法和牛顿算法相结合,提出一种非线性智能集成算法解决信息网络拥塞问题,弥补了牛顿算法求率低、可靠性差以及遗传算法收敛速度慢的缺陷。用于网络拥塞控制的仿真结果表明,该算法能够高速可靠地拥塞模型的全局解,能有效解决网络拥塞问题,并使信元丢失率保持在CCITT要求的最优水平。     

混沌优化与遗传算法的智能集成

作为智能算法,遗传算法的确是解决非线性复杂优化问题的有利工具,但它在搜索过程中易陷入局部最优、收敛速度慢的缺陷又确实限制了它的寻优效能。混沌的遍历性、随机性和内在规律性使得混沌优化能够互补地与遗传算法进行集成。基于此,该文经过遗传算法和混沌优化方法的理论机制分析,将二者进行智能集成,给出混沌遗传优化算法CGA。经过仿真迭代运算,发现该算法能够保证求得全局最优解,并且寻优速度有很大提高。     

灰色神经网络组合算法在复杂非线性预测中的应用

IT人才需求预测是一个复杂的非线性过程,在回归法和相关分析法失效的情况下,组合运用灰色系统方法和神经网络算法,克服了数据缺乏、影响因子非线性程度高的困难,精确地预测了珠三角IT人才的需求总量,并推算出未来合理的IT人才需求结构。     

混沌神经网络智能集成算法优化策略

为了将神经网络的通用性、灵活性与混沌优化易于跳出局部最优解达到全局最优、搜索效率高、对优化条件的要求不高(不需具有连续性和可微性)的优点有机地结合起来，智能集成了混沌神经网络优化算法。该算法寻优效率高，通用性强，具有良好的应用前景和再开发潜力。