基于混合智能学习算法的函数优化研究

为了改善人工神经网络在优化计算中的一些缺陷和提高遗传算法的局部搜索能力及收敛性能,提出了一种混合智能学习算法,采用遗传算法和误差反向传播算法(BP算法)相结合,将BP算法以一个算子的形式插入到遗传算法中,以提高利用人工神经网络和遗传算法进行优化计算的搜索能力和收敛性能;通过对实例函数的优化计算,对插入BP算子的遗传算法和传统遗传算法的优化结果进行了比较分析,结果表明BP算子的插入对遗传算法的优化性能、收敛速度和收敛精度有较大改善.     

基于改进免疫克隆算法的BP网络权值优化

在简单分析了BP网络的缺陷以及应用遗传算法来优化网络权值存在的不足之后,采用了一种免疫克隆算法对BP网络的权值进行优化,并对算法的变异算子进行了改进,改进后的变异算子把高斯变异与柯西变异有效地结合在一起,兼顾了精确的局部搜索与大范围搜索的优点,在扩大算法搜索范围的同时也保证了算法搜索的精细度.仿真实验结果表明,改进后的免疫克隆算法不仅有效地提高了BP网络学习的速度,还很好地改善了算法收敛性能,克服了遗传算法收敛速度慢,易陷入局部极优的缺点,可以成功地应用于BP网络的权值优化.     

自适应遗传算法交叉变异算子的改进

标准遗传算法采用固定的交叉率和变异率,对于求解一般的全局最优问题具有较好的鲁棒性,而对于解决较复杂的优化问题则存在早熟及稳定性差的缺点。传统的自适应遗传算法虽能有效提高算法的收敛速度,却难以提高优良解的多样性,算法的鲁棒性仍有待改善。文章提出了一种改进的自适应遗传算法,对交叉算子和变异算子进行了优化,实现了交叉率和变异率的非线性自适应调整。实验结果表明,相比传统的自适应遗传算法,新算法具有更快的收敛速度和更可靠的稳定性。     

改进遗传算法优化BP神经网络的语音情感识别

语音情感识别技术在人类生活中正扮演着越来越重要的作用。为了更为有效识别语音信号中的情感类型,提出一种改进遗传算法优化BP神经网络的识别算法（IAGA-BP）。该算法一方面改进了自适应遗传算法中的选择算子,另一方面更改了自适应遗传算法中的交叉和变异概率公式。通过对自适应遗传算法的改进,提升了遗传算法的寻优性能,并以此对BP神经网络初始的权阈值进行优化。在与BP、GA-BP和AGA-BP网络比较中,实验结果表明,IAGA-BP网络能够有效提高语音情感识别率,并加快了网路收敛速度。     

遗传算法优化速度的改进

分析了传统变异算子的不足,提出用二元变异算子代替传统的变异算子,并讨论了它在克服早熟收敛方面的作用.同时,针对二进制编码的遗传算法的特点,提出了解码算法的隐式实现方案,使得遗传算法的寻优时间缩短6～50倍.实验从多方面对二元变异算子的遗传算法进行性能测试,结果表明,改进型算法收敛快,参数鲁棒性好,能有效地克服“早熟”收敛.通过改进变异算子和解码算法,遗传算法的优化速度得到了很大的提高.     

用于全局优化的混合正交遗传算法

为提高正交遗传算法收敛速度和搜索精度,在正交遗传算法的基础上引入局部搜索策略,提出一种新的聚类局部搜索算子。利用正交算子初始化种群,保证初始群体分布的均匀性和多样性。通过正交算子在全局范围内进行全局搜索,使算法能在全局范围内收敛。采用聚类局部搜索算子对群体进行局部搜索,以增强算法的收敛速度和搜索精度。对7个高维的Benchmark函数进行测试,仿真实验结果表明,与其他算法相比,该算法具有更好的搜索精度、收敛速度和全局寻优的能力。     

改进的模拟退火遗传算法在函数优化中的应用

针对模拟退火遗传算法中可能出现的早熟收敛和后期进化较慢问题,提出了多规则选择算子,同时对交叉和变异算子进行了改进,引入了小生境技术解决早熟收敛问题。在此基础上针对函数优化问题设计了改进的模拟退火遗传算法。仿真实验表明,改进的算法在函数优化中,特别是在对多变量函数寻优中,收敛速度和收敛精度都有一定提高。     

一种基于遗传算法的神经网络控制方法

本文比较了传统的BP算法和遗传算法用于神经网络设计的优缺点，阐明了遗传算法和神经网络相结合的必要性，提出了一种用遗传算法同时优化网络的结构和权值的神经网络控制方法，通过对遗传算法基本参数及骗码方案，遗传算子的设计，实现了权值与结构的同时优化，成功地应用于二级倒立摆系统的控制，仿真结果显示了这种遗传算法能够有效抑制早期收敛，以较快的速度与较高的精度达到全局快速收敛。     

BP网络及遗传算法在河道流量预报中的应用

基于遗传算法的全局搜索和BP网络局部精确搜索的特性,采用遗传算法对BP网络模型进行优化,并将此模型应用于北江流域的坪石-犁市河道的预报流量中.实验结果表明,该算法在提高BP网络的收敛速度和预测精度上是行之有效的,为流量预报提供了一种新的方法.     

基于粒子群算法的遗传算法研究

针对传统遗传算法存在的早熟收敛和易陷入局部最优解的问题,提出了一种基于粒子群算法的遗传算法,其原理是用粒子群算法来构造变异算子和进行种群分割.通过对三个典型多峰值函数的优化来评估算法性能.实验结果表明,该算法能很好地保持种群的多样性和克服早熟现象,显著提高遗传算法的收敛速度.     

改进型遗传算法及其性能分析

本文受模拟退火技术的启发引入了一种新的改进型遗传算法,在二进编制编的基础上,研究了交叉位置等概率选取交叉操作的不利影响。在此基础上提出了一种每个基因位叉概率自适应变化的新的交叉操作模拟结果表明,新算法的收敛性能远远高于标准遗传算法。     

基于改进遗传模拟退火算法的BP神经网络的畸变校正研究

针对相机所采集的图像大多都存在畸变现象的问题,设计了基于改进遗传模拟退火算法的BP神经网络校正算法。该算法针对传统遗传算法易于收敛局部最优的问题,提出分段选择策略与随机抽样相结合的选择算子,自适应交叉与变异算子。在畸变校正中,该算法通过网络的输入输出建立理想点与畸变点的关系,使用改进的遗传模拟退火算法来优化神经网络中的阈值与权值,然后使用基于LM算法的BP神经网络进行局部优化,最后通过插值算法得到校正后的图像。实验表明,该算法能过较好的对图像进行畸变校正,同时与传统的BP神经网络算法相比精度更高,收敛速度更快。     

基于遗传算法优化神经网络的多用户检测

利用遗传算法全局搜索能力强和反向传播(BP)算法局部搜索速度快的特点,采取两段式训练方法,既避免陷入局部最小,又加快收敛速度。提出基于遗传算法优化神经网络权值的多用户检测算法。采用实数编码方式,将传统神经网络的能量函数作为适应度函数,选择算子选用轮盘赌算子,交叉算子选用单点交叉算子,变异算子选用正态变异算子。仿真结果表明,该算法的误码率、信干比和信道跟踪能力等方面的性能与传统前馈神经网络多用户检测算法相比均有一定的改善。     

引入学习机制的自适应遗传算法设计与实现

目前遗传算法研究中,缺乏对历代群体进化规律的充分利用,因此引入学习机制,设计反映个体自主学习进化规律的自适应算子,并且结合现有的改进遗传算法,提出一种新的自适应遗传算法。最后以两个通用的测试函数为例对算法进行性能测试,结果表明,在采用相同参数的条件下,自适应算子能够以较低的代价提高遗传算法的收敛速度,并获得更好的最终优化结果。     

基于混合遗传优化的正交小波变换盲均衡算法

常数模算法(CMA)收敛速度慢,初始权向量的确定缺乏理论依据,容易陷入局部极小值.针对这些问题,在正交小波变换盲均衡算法(WT-CMA)的基础上,提出了基于混合遗传优化的正交小波变换盲均衡算法(GAWT-CMA).该算法在常规遗传算法的父代和子代之间嵌入WT-CMA形成混合算法,利用遗传算子的全局收敛性进行宏观搜索,用...     

基于改进遗传算法的机器人路径规划

标准遗传算法在解决各类优化问题中获得成功,但它在具体的应用中由于缺乏对特定知识的利用,其性能有待提高.针对机器人路径规划的实际应用,通过优化设计标准遗传算法中的交叉算子和变异算子,提出一种应用于机器人路径规划的改进型遗传算法.在把地图特征信息引入遗传算子的操作过程中提高了算法的进化效率.计算机仿真实验结果证明该算法在收敛速度、最优解输出概率方面相对于基本遗传算法有了显著提高.     

用VC实现几种BP算法性能的比较与分析

为了求得在VC环境下几种改进BP算法中整体性能最优的一种BP算法,介绍了三种改进BP算法,并在一个用VC开发的仿真平台上对传统BP算法和三种改进算法的稳定性、收敛速度等性能进行了对比和分析。结果表明,基于权值变化量的迭代算法收敛速度最快,综合性能较优。仿真结果对实际工程应用中选择合适的BP训练法,有一定的指导意义。     

带有单亲遗传特征的蚁群算法

蚁群算法是一种新型的模拟进化算法,具有许多优良的性质,但同时也存在着计算时间过长和易导致早熟收敛等缺点.单亲遗传算法不使用基本遗传算法常用的交叉算子,简化了遗传操作过程,且不要求初始群体具有广泛多样性,计算速度较快,不存在早熟收敛现象.将这两种算法结合,提出一种具有单亲遗传特征的蚁群算法.将蚁群算法每次搜索结果作为初始种群,进行单亲遗传优化改良,求得最短路由.在旅行商问题上的实验证明了该算法的有效性.