不变凸非线性规划问题的神经网络模型

给出了解决不变凸非线性规划问题的神经网络模型。对于无约束问题,基于梯度下降法给出了递归神经网络模型,讨论了该模型的稳定性和优化性能;对于约束优化问题,基于逐次逼近的思想建立了一个反馈神经网络模型,并证明了该神经网络的收敛性。最后给出仿真实例验证神经网络的稳定性和优化能力。     

解广义线性互补问题的一个基于梯度的神经网络模型

给出求解广义线性互补问题的一个基于梯度的神经网络模型,分析了模型的平衡点与原问题解的关系,运用Lyapunov稳定性理论和LaSalle不变集原理,证明了该网络全局收敛于问题的解集,数值模拟表明网络不仅可行而且有效。     

解一类广义线性互补问题的神经网络模型

给出求解一类广义线性互补问题的一个非梯度的神经网络模型.运用Lyapunov稳定性理论和LaSalle不变集原理严格证明,当矩阵M半正定时,网络渐近稳定地收敛于原问题的一个精确解.该模型可以求解线性互补问题,它比已有模型简单,而且,它包括了求解二次优化问题的网络模型.数值模拟表明网络不仅可行而且有效.     

非凸优化问题的局部鞍点和凸化

研究了2个方面的问题:一是L(x,μ)的局部鞍点,二是L(x,μ)的局部凸化.提出了一类新的转换方法,通过此类转换,在某种更弱的条件下,可以得到一个关于局部鞍点的结论,并证明了等价问题的拉格朗日函数是局部凸的.     

基于AEPSO优化的神经网络多步预测控制

为提高神经网络预测控制的性能，提出了基于自适应扩展粒子群优化的神经网络预测控制方案。基本PSO算法中，每个粒子的更新受粒子个体极值和局部极值的影响，为了提高其全局收敛性，采用多粒子策略，使每个粒子的更新受更多其他粒子的影响；为提高收敛速度，采用白适应策略，对参数c0进行白适应调整，使c0随着迭代次数的增加而逐渐减小，这样，在PSO算法的搜索过程中，随着迭代次数的增加，搜索区域会越来越小，从而加快PSO算法收敛速度。运用该算法实现神经网络预测控制中的滚动优化，在有限时域内对控制序列进行寻列，给出基于粒子群优化的神经网络预测控制系统的稳定性证明。仿真结果表明，基于粒子群优化的神经网络预测控制系统具有良好的跟踪性能。     

基于两阶段自适应优化的双目立体匹配算法

针对局部立体匹配算法在弱纹理区域匹配准确度低的问题,提出一种在代价初始化和代价聚合两阶段自适应优化的立体匹配算法。首先,在代价初始化阶段,通过双阈值线性约束条件构造像素点的十字支撑窗口,并依据十字支撑最短臂长构造自适应函数融合AD及Census特征测度;其次,在代价聚合阶段,利用十字支撑水平扩展及形态学处理的方法构造自适应滤波窗口,并通过区域滤波实现代价聚合;最后,通过视差选择及视差优化得到最终的视差图像。Middlebury平台测试结果表明:该算法与传统的AD-Census融合立体匹配算法相比,图像集的整体匹配误差减小了3.95%,在非遮挡区域的匹配误差减小2.17%;与传统区域滤波立体匹配算法相比,该算法在弱纹理区域可以取得更好的立体匹配效果。     

线性约束优化问题的遗传优化方法研究

介绍了线性约束条件的一般形式及线性约束条件的遗传优化方法，较全面地阐述了相对于各线性约束条件的各遗传算子的特点、作用及其产生方法，并指出了有关遗传算子的不足。     

两阶段库存系统的成本分散控制模型

该文研究了一个包含单个配送中心和多个零售商的库存系统,当配送中心的库存策略变化时,零售商的成本要发生变化,为保持系统成本最小,将零售商增加的相关成本作为惩罚成本加入配送中心的总成本。在库存系统中所有节点的库存策略发生改变时,其他节点的成本都要改变,因此,互相之间存在成本博弈关系。本文得出了在此情况下的系统总成本控制算法。     

用线性规划模型解决石化企业产品结构优化

讨论如何将石化企业中产品结构优化问题化解为线规划问题模型。以求得最佳生产经营计划来指导生产,使石化企业通过合理配置现有资源来获取最大利润。     

一般约束优化含等式约束问题的鲁棒信赖域算法

针对一般约束优化问题进行了研究.利用引入罚函数将一般约束问题转化为一个只含不等式约束的的参数规划问题的技巧,将不等式约束优化问题的一个鲁棒信赖域算法扩展到一般约束优化问题中,并保留了算法的良好性质;同时,在一定条件下,得到了算法的全局收敛和超线性收敛.     

线性约束非线性规划的新神经网络

基于最优性的充要条件，提出了一种解线性约束非线性凸规划的新神经网络，构造了恰当的Lyapunov函数，证明了其稳定性。该模型不需要设定网络参数，能同时求解原问题与对偶问题，并且当目标函数严格单调时，它能大范围渐近收敛于原问题的精确解。模拟实验表明新模型不仅可行，而且有效。     

基于BP神经网络的两阶段疾病预测模型

为了理论解决BP神经网络在进行多目标预测中出现的识别率和可信度不高的问题,提出了一种基于DS证据理论优化的BP神经网络预测模型用于疾病预测,实验中,对心脏病数据进行处理,结果表明,在预测准确度和算法鲁棒性方面,都具有较好的效果。     

Fuzzy optimization neural network model based on LM algorithm

A new fuzzy optimization neural network model is proposed based on the Levenberg-Marquardt (LM) algorithm on account of the disadvantages of slow convergence of traditional fuzzy optimization neural network model. In this new model,the gradient descent algorithm is replaced by the LM algorithm to obtain the minimum of output errors during network training,which changes the weights adjusting equations of the network and increases the training speed. Moreover,to avoid the results yielding to local minimum,the transfer function is also revised to sigmoid function. A case study is utilized to validate this new model,and the results reveal that the new model fast training speed and better forecasting capability.     

改进的人工神经网络水文预报模型及应用

在人工神经网络水文模型的研究中,往往加入前期径流以提高模型的预报精度.针对由此带来的问题,通过耦合总径流线性响应模型,建立一种基于人工神经网络的实时预报模型.通过引入总径流线性响应模型的模拟径流作为模型输入,模型的模拟模式能够提供较长的预见期,同时加入误差校正模型的实时预报模式也能够取得较高的模型精度.采用3个不同流域的流量资料对模型进行率定与校核.结果表明,模型能够取得较高的预报精度,显示了良好的适用性.     

一种社会网络搜索免疫优化算法

基于社会网络所表现出的强大的信息搜索和传播能力,提出了一种新颖的免疫优化算法--社会网络搜索免疫优化算法．该算法将优化问题的求解看作是信息的传递过程,利用经典社会网络搜索模型即Kleinberg网络模型的建模方法来构造免疫算法的寻优进化过程．通过网络的结构增长机制,分别由短程连接算子和长程连接算子来引入抗体种群中的新个体．当搜索进行到一定程度时,自适应地调整长程连接搜索概率,避免算法陷入局部极值,能够最终找到目标的最优解．短程连接算子和长程连接算子的引入充分利用了抗体种群的结构信息,加快了种群收敛速度,同时降低了算法陷入局部极值点的概率．通过对复杂函数优化问题的测试、理论分析及实验结果表明,与粒子群算法、克隆选择算法等已有算法相比,新算法可以更好地保持解的多样性,收敛速度快,求解精度高,鲁棒性强．     

人工神经网络及粒子群优化算法在跟驰模型中的应用

在车辆跟驰现象中,驾驶员-车辆系统可视为一个非线性的动态系统,而人工神经网络(ANN)是开发非线性系统模型的有效工具,采用ANN技术建立了车辆跟驰模型,开发了基于粒子群优化(PSO)算法的ANN训练算法。测试结果表明,基于神经网络的跟驰模型比传统模型具有更强的鲁棒性,基于PSO算法的ANN训练方法能够避免陷入局部最优。     

标准神经网络模型及其应用

提出一种新的神经网络模型--标准神经网络模型(SNNM),它由线性动力学系统和有界静态非线性算子连接而成.SNNM表示为线性微分包含(LDI)形式,可以方便地利用线性矩阵不等式(LMI)方法来分析其稳定性和其他性能.利用不同的Lyapunov函数和S方法推导出基于LMI的连续SNNM和离散SNNM的稳定性定理.实例表明SNNM可应用于递归神经网络的稳定性分析以及神经网络控制系统的综合和分析.     

基于增广Lagrange函数的等式约束优化算法

等式约束优化问题是一类比较常见的也是比较简单的约束优化问题,通过研究带有等式约束的优化问题,提出了一个基于增广Lagrange函数的新算法.在新算法中将增广Lagrange函数作为价值函数,将约束优化问题转化为无约束优化问题,用无约束优化方法去解决等式约束优化问题.算法中每一步迭代只需求解一个简单的线性方程组,不需要太大的计算量就可以找到下降方向.算法中初始点是任意的,在适当条件下保证避免罚因子趋于无穷,可以证明算法全局收敛于原问题的KKT点.