一种基于量子粒子群的过程神经元网络学习算法

针对过程神经元网络模型学习参数较多,正交基展开后的BP算法计算复杂、不易收敛等问题,提出了一种基于双链结构的量子粒子群学习算法.该算法用量子比特构成染色体,对于给定过程神经元网络模型,按权值参数的个数确定量子染色体的基因数并完成种群编码,通过量子旋转门和量子非门完成个体的更新与变异.算法中每条染色体携带两条基因链,提高了获得最优解的概率,扩展了对解空间的遍历,从而加速过程神经元网络的优化进程.将经过量子粒子群算法训练的过程神经元网络应用于Mackey-Glass混沌时间序列和太阳黑子预测,仿真结果表明该学习算法不仅收敛速度快,而且寻优能力强.     

基于混合量子遗传算法的过程神经元网络训练 *

针对过程神经元网络现有学习算法复杂度高、对初值敏感的问题,提出了一种基于混合量子遗传算法 的过程神经元网络训练方法。将过程神经元网络的训练转换为等价非线性方程组的优化求解问题,用量子比特 构成染色体,采用实数对染色体进行编码,同时引入拟牛顿算法作局部搜索。该算法可发挥量子遗传算法的群 体搜索能力和全局收敛性,以及拟牛顿法较快的收敛速度,同时有效克服了拟牛顿算法对初值敏感的问题。训 练结果表明,此算法具有较好的稳定性和有效性。     

量子神经元结构设计及其应用

在量子理论的框架内,解释了神经元的信息处理机制,提出了量子神经元．该神经元对信息的处理分为两阶段．第1阶段为宏观信息收集部分,产生控制量子比特;第2阶段为微观信息处理部分,根据控制量子比特,改变神经元的状态．整个过程模拟量子受控非门．采用人工和实际数据集,作为分类研究对象。对比传统的神经元网络,量子神经元网络显示出较好的分类效果．以丙烯腈反应器作为建模研究对象,该网络显示出较强的泛化能力．     

采用生物信息机制的量子免疫克隆算法

随机变异会导致多克隆策略的基因进化的无序性, 进而降低免疫克隆算法的效率. 为解决此问题, 文中设计了一种采用生物信息机制的量子免疫算法. 这种算法将量子理论引入多克隆策略的变异过程以提高基因操作效率, 同时采用一种生物信息机制来提高信息交互能力, 加速抗体进化速度. 从理论上证明该算法的收敛性. 仿真试验结果表明, 该基因操作方式能较大地提高免疫克隆算法的优化能力. 与传统的量子免疫克隆算法、其它高级免疫克隆算法和进化算法相比, 该算法具有较好的搜索能力和稳定性.     

基于改进量子遗传算法的过程神经元网络训练

针对过程神经元网络由于模型参数较多BP算法不易收敛的问题,提出一种基于量子位Bloch坐标的量子遗传算法.将该算法融合于过程神经网络的训练,按权值参数的个数确定量子染色体上的基因数并完成种群编码,通过新的量子旋转门完成个体的更新.算法中的每条染色体携带3条基因链,因此可扩展对解空间的遍历性,加速优化进程.以两组二维三角函数的模式分类问题为例,仿真结果表明该方法不仅收敛速度快,而且寻优能力强.

     

基于改进量子遗传算法的过程神经元网络训练

针对过程神经元网络由于模型参数较多BP算法不易收敛的问题,提出一种基于量子位Bloch坐标的量子遗传算法.将该算法融合于过程神经网络的训练.按权值参数的个数确定量子染色体上的基因数并完成种群编码,通过新的量子旋转门完成个体的更新.算法中的每条染色体携带3条基因链,因此可扩展对解空间的遍历性,加速优化进程.以两组二维三角函数的模式分类问题为例,仿真结果表明该方法不仅收敛速度快,而且寻优能力强.     

并行自适应免疫量子粒子群优化算法

为克服粒子群优化算法早熟收敛及粒子在进化过程中缺乏方向指导的问题,采用量子技术及免疫机制,提出一种自适应免疫量子粒子群优化算法。针对其计算量大、耗时长的缺点,结合已有的并行计算技术,构造该算法的并行计算方法。仿真实验结果表明,该并行算法在搜索能力和运行时间方面具有较好的性能。     

基于相位编码的混沌量子免疫算法

目前量子群智能优化算法的个体均采用基于量子比特测量的二进制编码方式,在用于连续问题优化时,由于频繁的解码运算,严重降低了优化效率.针对这一问题,本文提出一种混沌量子免疫算法.该方法直接采用量子比特的相位对抗体进行编码;用量子旋转门实现优良抗体的克隆扩增,通过在量子旋转门中引入混沌变量动态改变转角大小实现局部搜索;用基于Pauli-Z门的较差抗体的变异,实现全局优化.证明了算法的收敛性.由于优化过程统一在空间[0,2π]n进行,而与具体问题无关,因此,对不同尺度空间的优化问题具有良好的适应性.实验结果表明该算法能有效改善普通免疫算法的搜索能力和优化效率.     

基于改进量子免疫算法的神经网络集成

针对量子免疫算法在神经网络集成结论生成时存在精英损失和过早收敛的问题,提出了改进量子免疫算法。改进算法在免疫选择时采用精英策略保留最优个体,提升了收敛效率,并引入反转策略增加个体多样性,加强了全局搜索能力。仿真实验结果表明,改进量子免疫算法是集成结论优化的有效方法,泛化性能明显优于简单平均、推广集成等传统方法。     

自适应免疫量子粒子群优化并行算法

提出了自适应免疫量子粒子群优化并行算法。为了克服粒子群优化算法早熟收敛以及粒子在进化过程中缺乏很好的方向指导的问题,采用了量子技术以及免疫机制,从而获得了一个自适应免疫量子粒子群优化算法。同时,针对该算法计算量大、耗时长的缺点,结合已有的并行计算技术,构造出了该算法的并行计算方法。仿真实验表明所提并行算法具有较好的性能。     

基于免疫神经网络模型的油气浓度预测研究

将免疫算法与神经网络理论相结合，提出了免疫神经网络预报模型，以预报油库油气浓度。该模型首先用历史数据对网络进行训练，然后利用训练好的模型进行油气浓度的趋势预测，最后结合某油气预报实例检验了免疫神经网络模型的可行性。结果表明，该智能预报模型能够较好地识别油气扩散的变化规律，预报精度明显高于神经网络模型。该结论拓宽了免疫神经网络模型的应用范围，为油库油气浓度的科学预报提供了一种新方法。     

一种级联过程神经网络动态预测模型及其应用

针对非线性动态系统分阶段指标预测问题,提出了一种基于级联过程神经元网络和相空间重构技术的动态预测模型和方法。考虑实际系统各个变量在运行过程中不同阶段可能具有不同的作用关系和信息变换机制,以及各阶段系统状态的连续性,采用若干过程神经元子网络构成级联结构建立系统动态预测模型;同时,为弥补实际采样数据的不足和提高数据信息的利用率,利用相空间重构理论构造训练样本集。给出了预测模型的信息处理机制和学习算法,以油田开发三次采油过程仿真为例,实验结果验证了模型和方法的有效性。     

基于径向基过程神经网络的储层岩性识别

识别并评价油气储层是油田勘探开发工作中至关重要的部分,而目前现有的岩性识别方法一般不能表述地层的非均质性,也没有考虑到地层参数随着深度而变化所产生的影响.本文提出一种基于径向基过程神经网络的岩性识别模型,并用实际数据进行了验证.实验结果表明,所提出的方法有着较高的识别率,是一种可以实际应用的方法.     

神经网络在旅游可持续发展能力评价中的应用

介绍了神经网络原理和BP神经网络模型,基于BP神经网络模型研究旅游可持续发展能力的评价方法,并应用Matlab和EasyNN分析软件,以上海旅游可持续发展能力为例,构建了以旅游经济,旅游环境,旅游人文资源、旅游地生活质量为主的旅游可持续发展能力评价指标体系.基于统计年鉴和问卷调查数据对其进行了实证评价,并对上海可持续发展旅游形象各个评价指标的重要性进行了分析,结论对进一步提高上海旅游可持续发展能力具有参考价值.     

基于遗传算法的神经网络控制器的设计及应用

本文提出了一种改进的遗传算法进行神经网络的训练，它结合神经网络、遗传算法两种方法的优点，并用仿真实验表明该方法的有效性。用改进算法设计的神经网络控制器，来实现循环型制气过程优化控制，取得了令人满意的结果，验证了该方法具有良好的鲁棒性和控制精度。     

基于QPSO和极限学习的离散过程神经网络及学习算法

连续过程神经元网络在权函数正交基展开时, 基函数个数无法有效确定, 因此逼近精度不高. 针对该问题, 提出一种离散过程神经元网络, 使用三次样条数值积分处理离散样本和权值的时域聚合运算. 模型训练采用双链量子粒子群完成输入权值的全局寻优, 通过量子旋转门和非门完成种群进化. 局部使用极限学习, 通过Moore-Penrose广义逆计算输出权值. 以时间序列预测为例进行仿真实验, 结果验证了模型的有效性, 且训练收敛能力和逼近能力都有一定程度的提高.     

基于自组织神经网络在油气分层中的研究

测井曲线的分层研究是勘探和开发油气资源的重要手段,也是认识油气层的地质面貌,以及剖析油气藏量内在规律的一种有力武器.该文介绍了一种基于自组织神经网络对测井曲线进行聚类自动分层的识别方法,它是一种通过网络自身的调节,从而对输入数据进行聚类的方法.该文采用某地区的油气层数据来建立网络模型,首先采用了插值的方法,消除该测井数...     

一类用于连续过程逼近的过程神经元网络及其应用

针对实际系统的输入输出是与时间有关的连续过程,提出了一类用于连续过程逼近的过程神经元网络模型.模型利用神经网络所具有的非线性映射能力,实现系统输入输出之间的连续映射关系.考虑过程神经网络计算的复杂性,在输入空间中选择一组函数正交基,将输入函数和网络权函数表示为该组正交基的展开形式,利用基函数的正交性,简化过程神经元计算.文中给出了学习算法,并以油藏开发三次采油过程模.     

软件风险评估量化分析研究

为解决软件风险评估完全凭借专家经验产生的主观性和模糊性问题,提出了基于进化神经网络模型的软件风险定量评估方法.通过研究软件风险评估过程,提出了软件风险评估指标体系模型,同时运用模糊理论将风险因素量化以此作为进化神经网络的输入值.将改进的粒子群算法(PSO)、BP神经网络相结合,构建了基于改进BP神经网络的进化神经网络模型.对提出的模型和改进的算法进行模拟仿真实验,实验结果表明了该方法对软件风险评估量化分析的可行性.     

Safe Reinforcement Learning Algorithm and Its Application in Intelligent Control for CPS

The design of a safe controller for a Cyber-Physical System (CPS) is a hot research topic. The existing safety controller design based on formal methods has problems such as excessive reliance on models and poor scalability. Intelligent control based on Deep Reinforcement Learning (DRL) can handle high-dimensional nonlinear complex systems and uncertain systems and is becoming a very promising CPS control technology, but it lacks safety guarantees. This study addresses the safety issues of Reinforcement Learning (RL) control by analyzing a typical case of an industrial oil pump control system and carries out research on a Safe Reinforcement Learning (SRL) algorithm and intelligent control application. First, the SRL issue of the industrial oil pump control system is formalized, and a simulation environment of the oil pump is built. Then, by designing the structure and activation function of the output layer, an oil pump controller in the form of a neural network is constructed to satisfy the linear inequality constraints of the on-off operations of the oil pump. Finally, in order to better balance the safety and optimality control objectives, a new SRL algorithm is designed based on the Augmented Lagrange Multiplier (ALM) method. A comparative experiment on the industrial oil pump shows that the controller synthesized by the proposed algorithm surpasses existing similar algorithms both in safety and optimality. During the evaluation, the neural network controllers synthesized in this study pass rigorous formal verification with a probability of 90%. Meanwhile, compared with the theoretically optimal controller, neural network controllers achieve an optimal objective value loss of 2%. The proposed method is expected to be applied in more scenarios, and the case study scheme may provide a reference for other researchers in the field of safe intelligent control and formal verification.