基于径向基神经网络的测井资料岩性识别

测井资料中包含丰富的地层岩性信息,是岩性分析的基础资料.数理统计等传统方法难以准确地反映测井资料与地层岩性的非线性映射关系,而具有分布处理、自学习、自组织和高度非线性的神经网络能够较好地解决这个问题.将径向基神经网络应用到测井资料岩性识别中,结合准噶尔盆地某井的实际测井资料和岩性剖面资料,建立基于径向基神经网络的岩性识别模型.实际应用表明,径向基神经网络可以用来进行岩性识别,收敛速度快,且识别正确率较高.     

基于主成分分析的BP神经网络在岩性识别中的应用

提出一种将主成分分析和BP神经网络相结合的方法对测井资料进行岩性识别。首先将原始测井数据进行主成分分析,分析结果作为PCABP神经网络的学习样本进行训练,建立测井解释的PCA—BP神经网络岩性识别模型．并用该模型对测试样本进行识别。结果表明该方法同传统的BP神经网络相比．不仅简化了网络结构（网络的输入神经元个数由5个减少为2个）,网络收敛速度也加快了21％．而且识别的准确率提高了25％。     

测井识别岩性的新方法:自组织神经网络法

利用自组织神经网络对测井数据进行岩性识别,具有较强的自组织性、适应性和较高的容错能力,与其他神经网络算法相比,计算量小、收效速度快。实验结果表明:自组织特征映射神经网络对测井数据进行岩性识别是可行的,而且识别率较高,是一种行之有效的岩性识别的好方法。     

人工蜂群算法及其在组合优化中的应用研究

人工蜂群算法是一种启发式算法,通过模拟自然界蜂群觅食过程来解决现实中的优化问题。算法中将每只蜜蜂看做一个智能体,若干智能体间相互合作,高效地完成对目标的搜索、优化。总结人工蜂群算法用于解决组合优化问题的一般方法,以O-1背包问题为例对算法进行仿真测试,实验结果表明：人工蜂群算法有效且优于存在的蚁群算法。     

基于马尔可夫链的人工蜂群算法

分析了人工蜂群算法及部分国内外学者提出的改进算法,针对局部搜索能力差和容易陷入局部最优解的缺点,根据马尔可夫链预测已知解空间的发展趋势,提出了一种基于马尔可夫链的改进人工蜂群算法（MABC）,通过伪代码给出了算法的运行过程,从收敛性能和算法复杂度2个方面分析了人工蜂群算法、一种典型的改进算法和MABC算法的性能.最后以10个典型函数为测试用例,从结果精度、收敛速度、分割参数和运行时间4个方面进行验证,实验结果表明,MABC算法在求解精度和收敛速度上高于ABC算法,但运行时间略长,验证了理论分析的结果.     

改进基于记忆的人工蜂群算法

基于记忆的人工蜂群算法(ABCM)通过记住成功使用的邻居和系数指导人工蜂群下一步的搜索,需消耗多次函数评价收敛到吸引子,且始终使用与上次相同的排斥系数,造成收敛速度不快、多样性不足,易陷入局部最优解.提出一种改进ABCM(IABCM),当使用吸引系数时,候选解只消耗一次函数评价收敛到吸引子,如果候选解好于当前解,则替换当前解,否则直接删除该记忆,这样可以利用尽量小的代价得到尽量大的收益.当使用排斥系数时,该系数的数值部分重新随机生成,以增加多样性和随机性,有利于算法跳出局部最优解.在22个不同类型函数上的实验表明,IABCM在收敛速度和精度方面明显优于ABCM.     

BP神经网络算法在数字识别中的应用

介绍BP神经网络算法的理论和方法,并在MATLAB环境下给出了BP神经网络算法在数字图像识别系统中的应用。     

基于改进人工蜂群算法的负载均衡感知研究

云计算的并行计算能力是实现大数据高效处理的基础,多任务部署策略对云计算下高效并行计算有重要影响。提出一种新的任务部署方案LB-BC,将聚类分析与贝叶斯定理相结合,实现了长时间的负载均衡。为了提高节能优化的强度,接着提出了一种具有节能感知功能的启发式虚拟机动态迁移位置选取方案,以人工蜂群算法为基础与动态虚拟机迁移资源的调度过程相配合,有效地解决了当前虚拟机动态迁移方案的问题,同时还能对虚拟机的动态迁移性能提供保障。     

自组织特征映射神经网络在岩性识别中的应用

传统的岩性识别技术主要基于统计学理论,如贝叶斯方法、回归方法等,近年来人工神经网络方法如反向传播算法（ Ｂａｃｋ － Ｐｒｏｐａｇａｔｉｏｎ , Ｂ－ Ｐ） 也应用于岩性识别,取得了一定的效果。用 Ｋｏｈｏｎｅｎ 提出的自组织特征映射神经网络对测井数据进行岩性识别,该方法具有较强的自组织性、自适应性,有较高的容错能力。与 Ｂ－ Ｐ 算法相比较,计算量小,收效速度快,且不需要已知的先验信息而自动确定分类类别。结果表明与统计方法、岩性录井分析结果一致。     

人工蜂群算法及应用新探简

人工蜂群算法是群体智能算法中新的分支.本文针对人工蜂群算法的建模思想和算法的框架结构设计方法进行了分析和研究,并针对实际问题编程完成问题的求解.实践表明,人工蜂群算法具有较高的灵活性和适应性.     

一种改进的人工蜂群算法

人工蜂群算法是近年来提出的一种受生物行为启发的优化算法,该算法主要通过模拟蜜蜂的觅食来实现问题的求解。作为一种全局优化算法,人工蜂群算法有着较好的探寻能力,但其探索能力相对较弱。针对人工蜂群算法收敛速度缓慢的问题,提出基于scout蜂交叉觅食的改进人工蜂群算法。该算法通过交叉策略来指导scout蜂的觅食行为,避免了随机觅食带来的算法收敛速度缓慢的问题,提高算法的收敛速度。通过五个基准测试函数进行对比实验,结果表明新算法无论是在收敛速度、解的质量方面都优于标准人工蜂群算法,是一种有效的优化算法。     

一种改进的混沌局部搜索的人工蜂群算法

人工蜂群算法具有鲁棒性强、收敛速度快且全局寻优性能优异等优点,但其局部搜索能力不足.为了克服此缺陷,提出了一种改进的混沌局部搜索的人工蜂群算法.新算法在每一代的所有个体的平均值附近利用混沌函数进行局部搜索,然后在搜索到的解和原食物源之间采用贪婪选择的原则确定下一代种群.基于6个标准测试函数的仿真结果表明,本算法能有效地加快收敛速度,提高最优解的精度,其性能优于已有的人工蜂群算法.     

基于混沌人工蜂群算法的色彩量化方法

针对人工蜂群算法易陷入局部最优值、进化后期收敛速度慢等问题,为提高蜂群的多样性和搜索的遍历性,该文在人工蜂群算法中引入混沌思想,提出了一种混沌人工蜂群算法,并将其应用到色彩图像量化当中.仿真结果表明混沌人工蜂群算法改善了人工蜂群算法摆脱局部最优值的能力,提高了算法的收敛速度和精度,同时量化后的图像也具有更高的信息熵,保...     

改进蜜蜂群算法的最优种群结构研究

采用SANTHOJI提出的方法论,基于ER网络演化机制,研究了一种改进蜜蜂群（MABC）算法的最优种群结构。研究表明当结构平均度大约为7时,结构具有较大的熵值以及较少数量的边,而算法获得了非常好的性能。因此,此时的种群结构就是MABC算法的最优种群结构。     

基于改进人工蜂群算法的大型舰船主尺度优化

针对大型舰船方案设计的具体特点,选择了飞行甲板面积最大化、初稳性高最合理化、估算阻力最小化和横摇固有周期最大化等4个优化目标,建立了适用于大型舰船主尺度优化设计的多目标模型,并基于最小偏差法建立了统一的目标函数。采用人工蜂群算法对优化模型进行了求解,并对人工蜂群算法的初始化方法和观察蜂的选择机制进行了改进,通过仿真计算,验证了人工蜂群算法求解复杂问题的优越性和改进策略的合理性,以及该算法在船舶设计中应用的可行性。     

基于改进蜂群算法的 Web服务组合优化

Web服务技术的快速发展使用户对QoS （quality of service）越来越关注。为了进行基于QoS的Web服务组合优化,采用4种典型的QoS衡量指标建立了组合Web服务QoS量化模型;针对人工蜂群（artificial bee colony ,ABC）算法搜索效率不高和过早收敛问题,引入禁忌策略和混沌优化进行了改进,并将改进算法用于组合Web服务的QoS优化;最后,通过仿真实验对模型和算法进行了验证。结果表明,改进算法全局优化能力全面提高,并且能较好地解决组合Web服务QoS全局优化问题。     

基于人工神经网络的锻造性能预报的研究

应用Ｇｌｅｅｂｌｅ－１５００热模拟试验机研究了１Ｃｒ１８Ｎｉ９Ｔｉ的热墩成形过程,得出了流动应力随变形条件的变化规律,测量了空冷后试件的硬度。首次采用人工神经网络对锻造性能进行预报,采用不同的改进ＢＰ算法加速了网络的收敛,得到了较好的网络信息,对１Ｃｒ１８Ｎｉ９Ｔｉ的锻造性能进行了较准确预报。