基于迭代学习的BP神经网络权值训练算法

针对传统BP算法存在收敛速度过慢、易陷入局部极小的问题,提出基于迭代学习的BP神经网络权 值修正算法。该算法将迭代学习的原理与神经网络相结合,同时采用本次训练误差和前一次的训练误差修正神经 网络权值,提高了网络训练速度。仿真结果验证了该算法的有效性。     

Powell-Beale重开始算法在水质评价中的应用

建立了基于Powell-Beale重开始算法的改进BP网络水质综合评价模型.该模型在网络权值训练中,以共轭梯度方向取代了标准BP网络的负梯度搜索方向,并通过设定的重新开始准则,适时调整搜索方向,加快了网络运行速度.实验结果表明,新模型改善了标准BP网络模型收敛速度较慢、易陷入局部极小或中断训练的缺陷,泛化能力较强,评价结果客观合理..     

基于改进BP算法的商品销售量的预测

提出了一种改进的BP算法，该方法通过结合Cauchy训练来改进传统BP算法，避免传统BP算法容易陷入局部极小点，提高Cauchy训练的训练速度和解决不收敛的问题，并运用该方法于商品销售量的预测，实例表明该方法使网络具有较快的收敛速度和较高的准确度．     

填充函数法改进的BP网络SPDS算法

BP网络的训练算法的一个普遍问题是易陷入局部极小.为了解决SPDS算法的这个问题,针对其特点设计了一组新填充函数.通过对该填充函数的分析,证明了用它代替目标函数进行搜索的等价性,并据此改进了SPDS算法.算法的仿真试验证明:当SPDS算法陷入局部极小点时,用设计的填充函数代替目标函数,从而使算法不受局部极小问题的羁绊,可以快速收敛到全局极小点.     

遗传算法参数分析及其在故障诊断中的应用

针对BP神经网络收敛速度慢、易陷入局部极小的缺点,将具有全局搜索能力的遗传算法引入到神经网络的权值优化中.遗传算法优化神经网络模型时,参数选取直接关系到模型优化的效率,在给出一种遗传算法的基础上对相关参数进行了研究分析.并采用Matlab软件编程实现算法,把该算法应用到XOR问题求解中,显示出GA-BP算法的优越性,并通过磨机故障诊断实例验证了算法的有效性.     

基于结构式二进制编码的遗传算法在及其在BP网络中的应用

根据BP网络的拓扑特征,本文设计了基于结构式二进制编码的遗传算法,在该算法中,通过先将庞大的解空间进行分解处理,再将分解后的子空间视为个体进行遗传操作,能借助遗传算法的优势在全局范围内搜索到最优解所在的子空间,从而为下一步应用BP算法进行局部搜索明确了起点,缩小了范围,有效解决了BP算法易陷入局部极小,收敛速度慢甚至不收敛等问题,最后,通过字母识别试验证明了该算法的效率。     

BP算法的改进及其在焊接过程控制中的应用

BP算法存在着收敛速度较慢、易于陷入局部极小点的问题，为了解决该问题，对BP算法作了大量仿真试验和深入分析后，发现神经网络各层间权值调节量存在较大的差异，从而提出了一种新的改进方法，充分发挥神经网络各权值对网络训练的贡献，试验结果表明，新算法与基本的BP算法相比大大提高了网络收敛速度，用改进的算法和焊接过程进行了控制仿真，获得了较好的结果。     

基于粒子群神经网络的煤层瓦斯含量预测

针对BP神经网络在煤层瓦斯含量预测中的局限性,如收敛速度慢和可靠性差等缺点,根据煤层瓦斯含量与其影响因素之间相互作用和耦合的特点,建立了粒子群算法和BP神经网络相结合的煤层瓦斯预测模型.在采用BP网络对煤层瓦斯含量进行预测的基础上,采用粒子群算法优化隐含层神经元个数和网络中的连接权值,并根据现场的实测数据,提出了粒子群神经网络训练和检验样本集,对预测模型进行训练和检验.仿真结果表明,该预测模型加快了网络收敛的速度,克服了易陷入局部极小的问题,具有可靠性强和预测精度高等特点.     

神经网络式电力负荷预测的混合计算

针对BP算法存在的缺陷,如训练速度慢,易收敛于局部极小点及全局搜索能力弱等,利用遗传算法能够进行全局最优化搜索这一特点,提出了一种新的用于BP网络训练的混合算法,即遗传算法与改进的BP算法相结合的混合训练方法.将所提出的混合训练方法应用于神经网络式电力负荷预测中,结果表明:所提出的算法与单一的BP算法相比,不仅可避免陷入局部极小点,而且提高了网络的训练速度和负荷预测精度.     

遗传神经网络在滑坡灾害预报中的应用研究

针对传统BP算法易收敛于局部最优以及网络结构难以确定等问题,引进遗传算法进行混合建模.采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免陷入局部极小.文中结合实例,对BP神经网络,遗传算法改进的神经网络进行了比较分析.实验表明,利用改进的混合模型可以提高预测精度,缩短收敛时间.     

改进粒子群优化算法及其在4G网络-基站选址中的应用

针对粒子群优化算法搜索精度不高、整体上容易陷入局部最小的不足,提出了一种改进的粒子群优化算法.该算法一方面在速度更新式中用粒子群中粒子个体极值的加权值替代粒子的个体极值,另外通过使用两种非线性递减函数对惯性权重进行调整,这种改进有效地提高了粒子群优化算法的收敛速度和全局寻优能力.然后,通过对4个基准函数的仿真,验证了本文改进算法的全局收敛寻优能力.最后,将本文改进算法应用于珠三角地区某市4G网络基站选址优化中.仿真和应用的结果表明,改进后的粒子群优化算法具有更高的收敛速度和全局寻优能力.     

分散式小世界优化策略

优化问题可以描述为在搜索空间中从候选解向最优解的信息传递过程，如果可以把解空间视为一个小世界网络，而其中的每一解个体视为该小世界网络中的一个节点，那么利用小世界现象有效的信息传递即可实现最优解的搜索。借鉴Kleinberg提出的小世界网络中分散式搜索模型以及给出的优化的网络描述，实现了一种新的优化策略——分散式小世界优化策略。理论分析及在针对性问题上的仿真实验表明该策略具有较快的收敛速度和良好的搜索性能。     

基于粒子群算法的ANFIS模型参数优化

粒子群优化算法是一类全局随机进化算法,算法通过粒子间的相互作用发现复杂搜索空间中的最优区域。根据粒子群算法对整个参数空间进行高效并行搜索的特点,提出了最小二乘法和粒子群优化算法相结合的混合学习算法对自适应神经-模糊推理系统网络结构参数进行优化设计。混合学习算法提高了网络参数辨识的收敛速度,仿真结果表明本算法的有效性。     

基于群密度的改进果蝇优化算法及在异常检测中的应用

针对传统果蝇算法面临的收敛稳定性差、难以协调全局搜索及局部搜索能力等缺点,提出一种基于群密度的改进果蝇优化算法。首先,借鉴现有算法的优势,将果蝇种群分为搜索果蝇和跟随果蝇,并分别使用两类果蝇进行全局化搜索与局部精细化搜索。然后,为提高算法全局搜索的稳定性,在每次迭代过程中使用基于最优区间回避的分区采样策略更新搜索果蝇的位置;该策略在每次迭代过程中获得表现最优的若干只果蝇以构造最优果蝇组,根据最优果蝇组中果蝇个体在每个维度上的取值范围确定最优区间,并通过对最优区间外的其他区间分区采样以确定搜索果蝇的新位置。最后,为协调算法的全局搜索能力与局部搜索能力,引入群密度的概念,通过计算果蝇群密度并结合相关阈值实现不同种群规模的动态调整。针对典型测试函数的实验结果表明,基于最优区间回避的分区采样策略相对于传统随机函数具有更强的全局优化性能。与传统优化算法相比,本文算法在保证收敛速度的同时获得了较高的寻优精度及稳定性,在综合性能上得到明显提升。在KDDcup99数据集上的异常检测仿真实验结果表明,本文基于分区采样及群密度的果蝇优化算法能有效避免局部最优,在获取异常检测分类器的重要参数最佳取值方面起到一定作用。     

基于离散量子微粒群优化的作业车间调度

针对强非确定性多项式难的作业车间调度(JSP)问题,提出一种离散量子微粒群优化算法(DQPSO).该算法基于量子态波函数描述微粒群粒子位置,结合遗传算法中的交叉、变异操作,采用随机键编码方法对连续空间内的解进行离散化,使得DQPSO能够直接用于求解车间生产调度这类组合优化问题.另外,针对JSP的复杂性,通过引入2层结构的局部搜索策略,构造在局部优化解附近不同搜索半径的微粒,增强算法的搜索能力,进一步提高解的多样性和寻优质量.应用结果表明,对大部分作业车间调度测试算例,DQPSO表现出更有效的寻优性能.     

预防性反馈PCNN模型及在组合优化问题中的应用

利用脉冲耦合神经网络(PCNN)的自动波特性求解组合优化问题。在三态层叠脉冲耦合神经网络(TCPCNN)模型基础上,结合三角不等式定理,构造具有预防性反馈的脉冲耦合神经网络模型。在搜索最优解的过程中,利用三角不等式定理对解进行预判断,不理想的解被删除,起到预防反馈作用,降低求解的空间复杂度,提高求解效率和准确性。将该算法应用于SP和TSP问题实验仿真,结果表明,该算法有效降低了解空间复杂度,进一步提高了搜索速度。     

基于改进粒子群算法的BP神经网络模型研究

为解决BP神经网络局部性收敛度慢的问题,提出了基于改进粒子群算法的BP神经网络模型．该方法通过粒子群进化速率动态调整惯性权重因子,提高了算法的收敛速度和全局搜索最优值的能力．提出的模型和改进的算法模拟仿真表明：该方法对收敛速度和精度有更好的拟合性．     

基于q-高斯分布的自适应变异粒子群算法

针对粒子群算法易陷入局部极值和早熟收敛的缺陷,提出了基于q-高斯分布的自适应变异粒子群算法.采用q-高斯作为变异算子对粒子的全局最优位置进行q-高斯变异,克服了因种群遗失多样性所导致的早熟收敛缺陷,随着种群的进化,非广延熵指数 q 的自适应调整平衡了算法的全局搜索能力和局部开发能力.测试了4个标准复杂函数和优化BP神经网络参数,结果表明,基于 q-高斯分布的自适应变异粒子群算法的优化性能最好,收敛速度快.     

一种求解连续优化的蚁群混合算法

针对蚁群优化算法和Alopex算法的特性，将Alopex算法嵌入到改进的蚁群优化算法中．提出一种求解连续空间优化问题的混合算法（ACOAL），ACOAL算法定义了新的蚁群信息素更新规则、蚁群在解空间的寻优方式和蚁群行进策略；同时，结合Alopex算法以加强搜索能力，该算法充分发挥了Alopex算法的快速搜索能力和蚁群算法寻优性质优良的特性，提高了算法的收敛速度，避免了优化算法陷入局部最优。     

基于遗传算法的潜艇隐蔽航路规划

将潜艇隐蔽航路规划为多目标规划问题，提出一种基于遗传算法的搜索算法，它对航路的邻域进行由粗到细的搜索，能实现全局最优和改善搜索效率，信真结果表明进后的遗传算法虽然计算时间较长，但收敛性能和解的精度明显高于动态规划和模拟退火等算法。