用连续回归神经网络求解泛函极值问题

针对信息科学和控制理论中经常涉及的一类泛函极值问题，提出基于连续回归神经网络的求解方法，推导了求解泛函的连续ＢＰＴＴ算法，进而对该算法进行改进，得出一种在线学习算法，为并行实现打下了基础．     

基于极坐标中蛇模型的类圆目标轮廓提取技术研究

提出了转化到极坐标中的蛇模型.通过把蛇模型转化到极坐标中,使轮廓的候选点得以更有序的排列.由于采用了动态规划法并在整个能量空间中搜索能量泛函的极值,算法对能量泛函的局部极值有较强的鲁棒性.所提出的模型不需要确定初始轮廓,可以用非迭代方法直接求解.与传统的动态规划法和贪婪算法进行了比较实验.结果表明,所提出的算法对极坐标中极点的位置不是很敏感.     

基于连续空间的萤火虫算法改进

针对萤火虫算法在全局寻优过程中求解精度差,且容易陷入局部最优的问题,文中提出了一种优化的萤火虫算法.采用离散-连续的方法将传统萤火虫算法的空间连续化,在传统萤火虫算法的基础上定义新的吸引度计算式以及相应的更新策略,实现待求的离散问题的空间连续化,改善萤火虫单体相应的移动方式.实验仿真结果证明了该改进算法的有效性.文中对...     

电磁散射的拉格朗日乘子区域分解算法

针对电磁散射问题,提出了一种基于广义变分原理的区域分解算法.将原求解区域划分为若干个不重叠的子区域,引入拉格朗日乘子法以满足相邻子区域之间场的连续性要求,并建立其修正泛函,使原问题转化为求解拉格朗日乘子.研究了子区域系数矩阵的可逆性.为了进一步提高效率,采用了重启的广义最小残量法为求解器.数值算例验证了本文方法的准确性和有效性.     

城市交通连续平衡网络设计问题的量子进化算法

在研究连续平衡网络设计的网络双层规划模型的算法中,很多求解思路是在下层用户平衡配流模型用GP算法或Frank-Wolfe算法等,在上层模型求解算法用遗传算法、模拟退火算法、粒子群算法等,而文中的上下层模型都是用量子进化算法去求解的。文中通过一个实例对算法进行验证,并与其他算法进行比较,结果表明量子进化算法性能优于遗传算法。     

模拟退火算法在单目标规划问题中的应用

模拟退火算法是一种用于解决连续、有序离散和多模态优化问题的随机优化技术。它对于非常复杂，高度非线性的大型系统优化的求解，表现出比其他传统优化算法更加独特和优越的性能。现介绍了模拟退火算法的原理、数学模型及其求解步骤，并以一实例来说明模拟退火算法在解决组合优化问题时的有效性和优越性。     

基于量子粒子群算法的QoS组播路由问题研究

对具有带宽、延时、延时抖动约束的最小代价的QoS组播路由问题进行研究,提出了一种收敛速度快、全局性能好、不易陷入局部最优的智能迭代算法--量子粒子群算法来实现对该问题的求解.该算法采用整数编码方式,将路由优化问题转化成准连续优化,并采用惩罚函数处理约束条件.最后通过具体算例,对该算法进行了仿真验证,结果表明,在求解QoS组播路由问题时,量子粒子群算法要优于遗传算法、基本微粒群算法,从而验证了该算法的可行性和有效性.     

基于泛函网络求解随机优化问题的EM算法

研究了一类带有随机变量的不确定优化问题。为了解决这类随机优化问题,首先用随机仿真为泛函网络产生训练样本,用泛函网络逼近随机函数的均值,将随机函数的均值转为不合随机变量的确定性函数,然后用类电磁算法求解确定性函数的最优解。最后,给出一些数值例子验证了所提算法的有效性。     

基于泛函网络求解随机优化问题的EM算法

研究了一类带有随机变量的不确定优化问题。为了解决这类随机优化问题,首先用随机仿真为泛函网络产生训练样本,用泛函网络逼近随机函数的均值,将随机函数的均值转为不含随机变量的确定性函数,然后用类电磁算法求解确定性函数的最优解。最后,给出一些数值例子验证了所提算法的有效性。     

一种求解连续对象优化问题的改进蚁群算法

蚁群算法在搜索过程中容易陷入局部最优解，且不适用于连续对象优化问题。文章针对这些问题．采用信息量变异、引入微粒群操作等方法进行改进，提出了一种引入微粒群操作的改进蚁群算法，并应用于求解连续对象优化问题。对几个典型复杂连续函数优化问题的测试研究表明，该改进算法不仅跳出局部最优解的能力更强．而且能较快地收敛到全局最优解，表明了算法的有效性。     

基于延时反向传播算法的低复杂度滤波器研究

为了进一步减少管状双线性递归神经网络的计算复杂度,在管状双线性递归神经网络中采用了延时反向传播算法。延时反向传播算法使用了阶次微分,误差函数对权值微分进行后向计算。后向计算顺序降低了初始化要求,减弱了网络对初始化条件敏感性并降低了计算的复杂度。该网络采用了模块化设计,各个模块以并行的方式执行任务,改善了计算效率。基于管状双线性递归神经网络的结构与神经元的数学模型,提出了具体的延时反向传播算法实现方案。同时进行了仿真来评估滤波器在非线性系统辨识方面的性能。实验结果表明基于延时反向传播算法的管状双线性递归神经网络提供了相当好的性能。     

改进遗传算法下的车辆路径问题研究

车辆路径问题是一种典型的组合优化类问题,随着客户对物流要求的不断提升,基本的遗传算法已经很难满足客户的需求。基本的遗传算法在求解这类问题的时候,经常会出现早熟收敛,以及对车辆的运送时间存在限制等方面的缺陷,不能够对这类问题进行最优化求解,所以本文采用改进的遗传算法就车辆路径问题进行研究,并探究改进下的遗传算法在求解车辆路径问题时的有效性。     

改进量子进化算法在计算机网络路由选择中的应用初探

随着计算机技术的不断发展,计算机网络的应用范围不断的扩大。但是,在拓展的同时,计算机网络对于路由的选择成为了人们必须解决的问题。与此同时,相关量子进化算法的在解决路由问题当中起到了关键的作用,本文将通过对计算机网络路由中量子算法的分析,对量子算法的应用进行相应的探究。     

基于连续空间优化的蚁群算法

通过对蚁群算法基本理论的研究,从经典的蚁群算法模型中,抽象出解决问题的一般方法,提出了在连续空间优化问题中蚁群算法的模型,在算法中加入了自适应策略用以提高算法的性能,并通过实例分析了连续空间优化问题中蚁群算法的性能,通过仿真实验证明了算法的可行性与实用性。     

极小化总完工时间的单机连续型批调度问题

连续型批处理机调度问题是一种新型的批调度问题,它是从钢铁工业加热炉对管坯的加热过程中提炼出来的.批的加工时间取决于该批的大小、批中工件的最大加工时间及机器的容量.本文研究了目标函数是极小化总完工时间问题,对最优解的性质进行了理论分析,提出了最优的分批策略及批间序的确定方法,给出了一个多项式可解的动态规划算法.     

车载自组织网络中基于连接时长的RSU部署方案

针对目前城市场景下车载自组织网络中的RSU部署问题,提出了一种基于连接时长的RSU部署方案.该方案在RSU数量受限的情况下,以保证通信连接时长为前提,以最大化服务车辆数目为目的,将部署问题建模成最大覆盖问题,设计了二进制粒子群算法进行求解,并结合真实的北京市路网地图和出租车GPS数据进行仿真实验.仿真结果表明,该算法是收敛、稳定及可行的,相比贪心算法,该算法求得的部署方案能为更多的车辆提供持续性的网络服务.     

粒子滤波算法在多传感器测量中的应用

目标跟踪是粒子滤波算法在处理非线性问题的一种典型应用,但由于在线处理能力或传输条件的限制,实际应用中往往无法对多个传感器数据同时处理。据此,给出了一种基于多传感器选优的粒子滤波算法。假设每个时刻可以处理一个测量数据,该算法先采用加权的概率密度函数来评价每个传感器获得的测量值,并用粒子滤波对概率密度函数的加权进行实时更新,基于最大熵标准来选取最优测量数据进行处理。同时,最大熵标准保证了最优似然函数分布最宽,从而缓解粒子衰竭问题。通过数值仿真实验证明,该算法可以选择最优观测数据进行处理,有效降低多传感器测量中粒子滤波在线实时处理性能的要求,也较好地缓解了粒子滤波的"衰竭"问题。     

一种基于LMI的离线预测控制算法

针对预测控制滚动优化命题的在线计算任务大，本文提出了一种基于LMI的离线预测控制算法，通过离线求解线性矩阵不等式优化命题构造分段线性反馈控制律，在线运行时只需实施满足条件的反馈控制律，极大提高在线计算效率。仿真结果表明该算法的有效性。     

Prediction of chaotic time series based on the recurrent predictor neural network

Chaos limits predictability so that the long-term prediction of chaotic time series is very difficult. The main purpose of this paper is to study a new methodology to model and predict chaotic time series based on a new recurrent predictor neural network (RPNN). This method realizes long-term prediction by making accurate multistep predictions. This RPNN consists of nonlinearly operated nodes whose outputs are only connected with the inputs of themselves and the latter nodes. The connections may contain multiple branches with time delays. An extended algorithm of self-adaptive back-propagation through time (BPTT) learning algorithm is used to train the RPNN. In simulation, two performance measures [root-mean-square error (RMSE) and prediction accuracy (PA)] show that the proposed method is more effective and accurate for multistep prediction. It can identify the systems characteristics quite well and provide a new way to make long-term prediction of the chaotic time series.     

一种解决组合优化问题的量子遗传算法QGA

本文在量子变异的基础上,提出了一种解决组合优化问题的量子遗传算法QGA,它融合了遗传量子算法GQA和经典遗传算法的优点,只用一个个体就可在很短的时间内搜索到最优解,并针对一个典型的组合优化问题——0/1背包问题进行了对比实验,实验结果表明本文所提出的量子遗传算法QGA优于传统遗传算法和遗传量子算法GQA.