混合蛙跳算法研究综述

本文介绍了其基本原理和算法模型。每年都有许多研究人员为了提高其优化性能做出贡献,本文从参数调整和混合优化两方面讨论了混合蛙跳算法近几年的一些改进,对该算法的应用也进行了梳理,最后分析了算法的进一步研究方向和应用领域。     

—种混合蛙跳算法优化的粒子滤波方法

粒子滤波方法是一种适合于非线性、非高斯系统状态的滤波方法,在目标跟踪等领域有着广泛应用。但传统粒子滤波方法的粒子之间缺乏交互性与合作意识,很可能在寻优过程中陷入局部极值。针对这一问题,提出一种混合蛙跳算法优化的粒子滤波方法。混合蛙跳算法速度快,全局搜索能力强,可以在局部间进行信息传递,使算法跳出局部极值。因此采用混合蛙跳算法优化传统粒子滤波方法,可以构建多种粒子子集的分布体系,把原本不具备智能行为的粒子分别赋予分群、选择、信息交互和进化等机制,使粒子群体表现出智能行为,从而使寻优搜索向着全局最优方向进行。最后采用仿真实验进行比较,优化后的方法在性能上明显优于传统粒子滤波方法,取得了较好效果。     

基于改进的蛙跳算法的神经网络在语音情感识别中的研究

本文提出了一种改进的混合蛙跳算法,利用混沌运动的遍历性改善初始个体的质量和引入高斯变异,提高了算法的全局搜索能力,同时将改进算法与人工神经网络结合,并把它应用到语音情感识别系统中.依据情感的维度空间模型.分别提取了情感语音的韵律特征与音质特征,研究了谐波噪声比特征随情感类别的变化特性.利用本文所提的蛙跳算法(SFLA)训练随机产生的初始数据,优化神经网络的连接权值,能快速地实现网络的收敛.在实验中比较了BP神经网络、RBF神经网络与改进SFLA神经网络分别用于语音情感以别的识别性能,结果表明基于改进SFLA的神经网络的平均识别率高于BP神经网络9.2个百分点,高于RBF神经网络7.9个百分点.因此本文所提的蛙跳神经网络用于语音情感识别能获得明显的识别性能的提升.     

混合量子衍生神经网络模型及算法

为提高人工神经网络的逼近能力,该文从研究隐层神经元的映射机制入手,提出基于量子比特在Bloch球面的绕轴旋转构造神经网络模型的新思想。首先将样本线性变换为量子比特的相位,并使量子比特在Bloch球面上分别绕着3个坐标轴旋转,旋转角度即为网络参数。然后通过投影测量可以得到量子比特的球面坐标,将这些坐标值提交到隐层激励函数,可得隐层神经元的输出。输出层采用普通神经元。基于L-M(Levenberg-Marquardt)算法设计了该模型的学习算法。实验结果表明,该文提出的模型在逼近能力、泛化能力、鲁棒性能方面,均优于采用L-M算法的普通神经网络。     

量子神经网络及其应用

量子计算与人工神经网络相结合的量子神经网络(Quantum Neural Networks,QNN)有可能成为未来信息处理的重要手段。分析了人工神经网络向QNN演变的动因及形式、QNN的优势及可能的物理实现方法。着重讨论了几种QNN模型的结构、学习方法及特性,并阐述了QNN在模式识别、纠缠计算、函数近似等方面的初步应用。     

基于改进混合蛙跳算法的SVM分类算法

支持向量机的训练需要求解一个带约束的二次规划问题,但在数据规模很大情况下,经典训练方法将变得很困难。本文提出一种基于改进的混合蛙跳算法的SVM训练算法。针对混合蛙跳算法搜索速度慢且容易陷入局部极值的缺陷,将模拟退火思想引入到混合蛙跳算法中,提出一种改进的混合蛙跳算法。该算法保持了混合蛙跳算法参数少和容易实现的特点,同时通过模拟退火的降温过程来提高算法的进化速度和精度。实验结果表明,该算法能显著提高收敛速度,并能有效克服局部极值,在SVM训练中具有良好效果。     

基于改进混合蛙跳算法的图像增强处理研究

针对图像增强的特点,提出改进混合蛙跳算法。首先对混合蛙跳的更新采用自适应的阈值选择策略,并对每只蛙的目标函数值赋予一定的概率分布,增加了得到更优蛙的机会;接着在混沌系统下,随机产生混沌序列,将混沌变量映射到优化变量的取值范围中,混合蛙跳可以遍历整个区间,这样得到群体最优位置;最后采用Beta函数实现图像增强。实验结果表明,此算法对图像增强效果明显,清晰度较高。     

一种量子竞争学习算法

量子计算（Quantum Computation）以其独特的性能引起广泛瞩目。本文尝试将量子计算与传统的神经计算结合起来，通过设计若干个量子算子来构造Hamming神经网络的量子对照物，从而提出一种量子竞争学习算法（Quantum Competitive Learning Algorithm,QCLA），它能够实现模式分类和联想记忆。     

混合蛙跳在网络编码协作系统资源分配中的应用

网络编码协作中继技术能合理分配IMT-Advanced的资源,从而提高系统性能,受到了广大学者的关注。针对基于网络编码的双向多中继协作系统,提出基于混合蛙跳的资源分配方案。以最小化系统传输功率为优化目标,在满足用户QoS下,推导每个节点的最优化功率,建立最优化资源分配模型,利用混合蛙跳算法解决系统资源分配问题。仿真结果表明,在满足单节点QoS下,所提出的基于混合蛙跳的资源分配方案能有效减小系统的总功率,提高了系统性能。     

量子近似优化算法在数字分区问题中的应用

量子近似优化算法（QAOA）是一种近似求解组合优化问题的方法,它通过反复调整电路参数,以获取问题哈密顿量的最大期望值为目的来解决问题,在组合优化问题领域具有广阔的应用前景。将QAOA应用于数字分区问题（二分区问题）,通过将问题函数转换成对应的哈密顿量,构造了量子线路,采用线性近似约束优化（COBYLA）方法对电路参数进行了优化,并使用IBMQ模拟平台进行了模拟实验。研究发现量子近似优化算法在数字分区问题中有着良好的性能表现,可在多项式时间内给出问题的解,并且降低了问题的时间复杂度。     

基于混合蛙跳算法的移动机器人路径规划

针对移动机器人路径规划中算法搜索能力不强且易陷入停滞的问题,文中提出了一种基于混合蛙跳算法的移动机器人路径规划方法。首先利用蚁群算法在栅格地图中生成一定数量的路径,然后引入混合蛙跳算法,子群内进行Memetic进化,最坏青蛙根据与子群最优青蛙或全局最优青蛙的路径交点栅格进行路径更新,并对最终生成的最优路径进行优化处理,以消除不必要的拐点,保证机器人路径运行的安全性。二维环境下的仿真实验表明,提出的混合蛙跳算法能在有效避开障碍物的同时快速地规划出一条通往目标点的优化路径,且效果令人满意。     

混合蛙跳算法的Markov模型及其收敛性分析

 本文就混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)建立了Markov链数学分析模型,详细分析了该Markov链的性质,证明青蛙族群状态序列是齐次Markov链.在此基础上,通过分析族群状态序列的转移过程,指出序列必将进入最优状态集.同时证明混合蛙跳算法满足随机搜索算法全局收敛的两个条件,能够保证全局收敛.     

基于可见光的自适应混合蛙跳定位算法

可见光通信具有绿色、节能、成本低等优点,比较适合应用于室内定位。提出一种基于可见光通信的自适应混合蛙跳室内定位算法,该算法通过到达时间(TOA)算法和最小二乘算法进行初始定位,得到未知定位点的估计位置解集,再利用自适应混合蛙跳算法搜索未知定位点的最优位置。该算法具有较强的全局搜索能力,不易陷入局部最优,能够得到较高精度的定位结果。仿真结果表明,该算法比传统TOA定位算法的定位误差小,说明该算法提高了室内定位的精度。     

基于蛙跳算法的模糊图像复原

针对模糊图像复原的特点,提出蛙跳算法。首先按青蛙适应度值从大到小降序排序,控制种群移动步长对子群中最差青蛙的位置进行更新;接着通过模糊运动图像模型构造矩阵函数对图像复原,将蛙跳步长与模糊图像抑制比建立关系,同时给出评价指标体系以及算法流程。实验仿真结果证明,蛙跳算法具有对模糊图像复原清晰度高、抑制噪声能力强的特点。     

基于改进混合蛙跳算法的CVRP求解

该文提出基于实数编码模式的混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)求解容量约束车辆路径问题(Capacitated Vehicle Routing Problem,CVRP);把具有极强局部搜索能力的幂律极值动力学优化(Power Law Extremal Optimization,-EO)融合于SFLA,针对CVRP对-EO过程进行设计和改进。改进的-EO采用新颖的组元适应度计算方法;采用幂律概率分布来挑选需要变异的组元;根据最邻近城市表,采用幂律概率分布挑选变异组元的最佳邻近城市,执行线路间或线路内的变异。求解测试库中的实例,证明该改进算法有效。     

量子神经网络及其在CDMA多用户检测中的应用

量子计算与人工神经网络相结合的量子神经网络(QNN-Quantum Neural Networks)由于利用了量子并行计 算和量子纠缠等特性从而克服了传统人工神经网络的某些固有缺陷,将成为未来信息处理的重要手段。介绍了与量子神经 网络相关的量子计算基础,描述了一种量子神经元模型,分析证明了单个量子神经元具有与两层前向神经网络相当的非线 性映射能力。提出了一种基于量子神经元与量子寄存器的多用户检测方案,计算机仿真结果表明:本文所提出的检测器在 误码率和抗“远近”效应方面均具有良好的性能。     

基于改进SFLA-lman神经网络的电离层杂波抑制方法

针对高频地波雷达目标检测中电离层杂波的干扰问题,提出了一种基于改进混合蛙跳算法优化Elman神经网络预测抑制电离层杂波的策略。为解决混合蛙跳算法初始种群分布不均匀、收敛精度低、易陷于局部极值等问题,引入Cubic混沌映射、莱维飞行策略、非线性平衡因子和复制操作,增强种群多样性,提高算法搜索能力。利用改进后的算法和其他算法分别优化Elman神经网络预测抑制模型,结果表明,改进后的算法无论是在收敛精度和稳定性上,还是在临近距离单元电离层杂波的预测抑制上,都取得了显著的提升。在基本保留目标信号的基础上,平均信杂比较原始回波提升18.52 dB,较原始混合蛙跳算法提升1.08 dB,对于电离层杂波的抑制具有较高应用价值。     

神经网比例式学习算法

本文提出一种适用于训练大型BP神经网的学习算法,即比例式学习算法。通过理论分析和计算机模拟结果表明,比例式学习算法学习速度快,是一种可行的学习算法。     

多层前馈神经网络快速学习算法的实现

本文评述优化学习率BP(Back Propagation)算法,给出应用研究中几种常用网络结构的优化学习率的计算公式,讨论与算法实现相关的一些问题.模拟实验结果进一步揭示算法的快速性质.