利用人工鱼群算法优化前向神经网络

人工鱼群算法(AFSA)是一种最新提出的新型的寻优策略，文中尝试将人工鱼群算法用于三层前向神经网络的训练过程，建立了相应的优化模型，进行了实际的编程计算，并与加动量项的BP算法、演化算法以及模拟退火算法进行比较，结果表明AFSA具有鲁棒性强，全局收敛性好，以及对初值的不敏感性等特点。     

人工鱼群算法优化神经网络的网络入侵检测

为了提高网络入侵检测率,提出一种人工鱼群算法（AFSA）优化ELM神经网络的网络入侵检测模型。首先将ELM神经网络参数编码成人工鱼的位置,然后利用人工鱼群算法通过模拟鱼群的觅食、聚群及追尾行为找到最优ELM神经网络参数,最后利用最优参数的ELM神经网络建立网络入侵检测模型,并采用KDD CUP 99数据集进行仿真测试。仿真结果表明,模型不仅提高了入侵检测正确率,而且加快了网络入侵检测速度。     

人工鱼群算法的简介及应用

人工鱼群算法是一种基于行为的人工智能思想,通过鱼在水里的行为方式模拟构建了一种鱼群模式,用来解决寻优问题,从而产生了一种新型的智能算法。本文首先通过介绍人工鱼群算法的原理来阐述其在各领域的运用。     

基于遗传算法的人工鱼群优化算法

人工鱼群算法(AFSA)是一种高效的群智能全局优化技术.通过对人工鱼群算法(AFSA)不足的研究,在遗传算法的基础上,提出了基于遗传算法的人工鱼群优化算法.该算法保留了人工鱼群算法(AFSA)简单、易实现的特点,同时克服了人工鱼漫无目的的随机游动或在非全局极值点的大量聚集,显著提高了算法的运行效率和求解质量.最后通过大量的函数和实例测试结果表明,与其它算法相比,该算法是可行和有效的,具有运行速度快和求解精度高等特点.     

引入贪心鱼群的改进人工鱼群算法

针对人工鱼群算法(AFSA)局部寻优不精确等问题,提出一种引入贪心鱼群改进人工鱼群算法(IAFSASF)的方法.贪心鱼群具有不同于普通鱼群的行为策略,在觅食行为中贪心鱼群紧紧跟随在最优适应度的人工鱼的附近进行食物搜索,而不执行追尾和聚群行为,因此,贪心鱼群具有更好的局部寻优能力.实验证明:IAFSASF比原有算法在减少时间复杂度的同时有效提高了求解精度.     

基于改进人工鱼群算法与RBF神经网络的股票价格预测

股票价格受多种因素影响,这对股票价格预测造成了巨大挑战。近年来,机器学习方法被广泛用于股票价格预测的研究中,然而,现有方法存在相对误差较大、时间复杂度高等缺点。对此,提出基于引力搜索的改进人工鱼群算法AFSA＿GS。该算法将引力搜索中计算质量和加速度的策略分别用于调节人工鱼的视野和步长,从而提高了人工鱼群算法在优化过程中的自适应能力;AFSA＿GS算法还优化了RBF神经网络的相关参数,并使用优化后的网络预测股票价格。在多家上市公司股票数据上进行了实验,实验结果表明,相对于传统的优化算法,采用AFSA＿GS算法优化的RBF神经网络,可以获得更好的股票预测性能。     

人工鱼群算法优化的PID神经网络解耦控制

针对多变量系统解耦控制的要求和特点,传统的PID神经网络在选取初始权值难以确定,往往是随机得到,容易导致采用的BP学习算法陷入局部极值.提出了一种人工鱼群算法优化PID神经网络初始权值.通过对多变量控制对象的mat-lab仿真验证,把人工鱼群算法优化得到的最优初始权值带入PID神经网络,结果显示加快了PID神经网络的收敛速度,使控制量迅速地接近控制目标,保证了系统稳定性,取得了满意的控制效果.     

基于双混沌映射改进的人工鱼群算法

针对人工鱼群算法(AFSA)易陷入局部最优的问题,提出一种基于双混沌映射的人工鱼群算法(CAFSA)。该方法利用Tent映射的均匀分布性产生混沌初始鱼群,增加搜索的多样性;其次在人工鱼群演化陷入局部最优时,利用局部分布均匀的Logistic映射生成混沌变异算子对其产生扰动,使其跳出局部最优值,向全局最优值靠近。仿真实验表明,改进后的算法比基本人工鱼群算法的全局寻优能力更强,搜索精度更高。     

人工鱼算法优化神经网络的网络入侵检测

为了提高入侵检测率,降低误检率,提出一种人工鱼算法优化神经网络的网络入侵检测模型。首先收集网络入侵数据并进行预处理,然后输入到神经网络进行学习,并采用人工鱼群算法对网络参数进行优化,最后采用KDD CUP 99数据集进行仿真实验。结果表明,本模型可以获得理想的网络入侵检测率和误检率。     

改进人工鱼群算法在SVM参数优化中的应用

支持向量机的参数优化一直是一个重要的研究方向。参数的好坏很大程度上决定了支持向量机的分类精度和泛化能力。针对人工鱼群算法优化支持向量机参数时,容易在后期徘徊于最优解附近、难以逼近的问题,提出了人工鱼群加速算法,使用速度参数代替人工鱼步长,从而求得最优目标并得到SVM的最优参数组合。仿真实验结果表明：该算法收敛速度快,求解数值精度高,对初值的依赖程度低,在SVM参数优化中具有更好的性能、更高的分类准确率,是一个极其有效的参数优化方法。     

基于混合神经网络与遗传算法方法的注塑参数优化

建立了基于混合神经网络与遗传算法方法的注塑工艺参数优化系统,用Matlab语言编制了应用程序,对神经网络的参数预测与遗传算法的优化过程进行求解。将网络预测结果与CAE模拟结果进行比较和误差分析,显示出BP网络的稳定性和可靠性;优化结果经CAE模拟和实验验证,证明是正确的,表明基于混合神经网络与遗传算法方法的注塑工艺参数优化方法是可行的。     

MC-CDMA系统的神经鱼群算法检测器

为使人工鱼群算法在最短的时间内取得多用户检测问题的最优解,在MC-CDMA系统基础上设计一种神经网络人工鱼群算法。人工鱼的3种神经网络行为使神经网络人工鱼群算法在解决多用户检测该类组合优化问题时,减少搜索的随机性和任意性,加快原鱼群算法的收敛速度。仿真结果证明,该算法能够快速收敛,且其抗多址干扰能力和抗远近效应能力优于已有应用智能算法的多用户检测器。     

基于LMBP改进算法的神经网络结构优化

提出了一种基于增长法的神经网络结构优化算法。在函数逼近的BP神经网络中引入一种改进的BP算法(LMBP算法),通过二次误差下降与梯度下降,利用误差变化规律分析网络结构的优化程度,自适应地增加隐层神经元或网络层次,从而得到一个合适的网络结构。进行了仿真实验及该算法与RAN算法用于逼近函数的对比实验,实验结果表明了该算法的有效性。     

基于改进遗传算法的神经网络优化方法

为了克服神经网络反向传播算法收敛速度慢,易陷入局部极小值,初始权值和阈值的选择缺乏依据,具有很大随机性等缺陷,采用基于自适应遗传算法的神经网络优化方法,方法结合了两者的优点,但是仍存在种群早期进化速度慢的缺点,于是提出了一种改进的自适应遗传算法,将其应用于神经网络的权值和阈值的优化设计中,并将此模型用于对某城市污水厂难测参数SVI的预测.仿真结果表明,算法不仅可克服BP算法的缺陷,而且与BP和GA-BP网络模型比较,大大提高了收敛速度与收敛精度,获得了良好的测量效果.     

改进鱼群算法在模拟机运动洗出优化中的应用

飞行模拟器是模拟和复现真实飞行活动的重要设备,一直以来模拟器的模拟效果也是备受关注的.但是,基于经典洗出算法来还原运动轨迹的运动平台存在参数设置保守、模拟效果不佳等问题,因此本文提出一种基于改进人工鱼群算法的滤波器参数优化方法.该方法基于人体前庭感知误差模型得到相应的目标函数,再利用改进后的鱼群算法对滤波器中的自然截止频率进行寻优,最后通过在Simulink中建立的仿真模型对优化后的滤波器参数进行仿真验证.结果表明:相比于经典洗出算法与基本人工鱼群算法,经改进后算法得到的新参数在算法洗出中可以有效提高运动的感知效果,减小运动误差,并且能够节约更多的运动空间.     

遗传算法优化小波神经网络的网络流量预测

为了提高网络流量的预测精度,克服小波神经网络收敛速度慢、易陷入局部最优的缺点,提出一种遗传算法优化小波神经网络的网络流量预测模型.首先计算延迟时间和嵌入维数,构建小波神经网络的学习样本,然后采用小波神经网络对网络流训练集进行学习,并采用改进遗传算法对小波神经网络参数进行全局寻优,提高收敛速度和网络学习精度,最后采用网络流量数据对模型性能进行仿真分析.结果表明,相对于对比模型,本文模型的平均误差大幅度降低,训练次数急剧减,减小了二次优化训练的次数,具有更大的实际应用价值.     

改进神经网络的无线网络室内定位

受到多种因素的干扰,室内定位一直是无线网络研究中的热点,为了提升无线网络室内定位的效果,针对当神经网络存在无线网络室内定位精度的难题,设计了一种基于改进神经网络的无线网络室内定位方法. 首先收集无线网络室内相关信息,提取室内定位的数据,然后采用神经网络对数据进行学习,建立无线网络定位模型,并对神经网络的缺陷进行改进,最后在Matlab平台上进行了仿真实验. 结果表明,改进神经网络克服传统室内定位方法存在的局限性,获得了更高的无线网络室内定位精度,而且室内定位效率也得到了明显的改善.     

基于进化神经网络的短期电网负荷预测算法

本文提出了一种基于进化神经网络的短期电网负荷预测算法。该算法使用了改进的人工蜂群算法与BP神经网络融合生成的进化神经网络,并且使用改进的人工蜂群算法对进化神经网络的偏置和权重进行优化。该算法将火电历史负荷数据作为输入,使用进化神经网络训练预测模型,预测未来一段时间内的电网负荷。首先获取历史负荷数据,然后将收集到的数据应用于进化神经网络模型训练。人工蜂群算法作为一种全局搜索算法,可以有效地探索模型参数空间,寻找最佳的模型参数组合以提升预测精度。为了验证所提出的负荷预测方法的有效性,本文使用了火电网负荷数据进行测试。实验结果表明,在短期电网负荷预测方面,本文提出的进化神经网络比传统方法预测结果更加准确可靠。     

基于蚂蚁算法的RBF网络参数的两阶段优化

提出了一种径向基函数(RBF)网络中心参数仿生优化算法,该算法基于改进的蚂蚁算法分两阶段完成。第一阶段为:首先进行网络参数范围估算,然后根据一定的步长对网络参数区间取离散点,最后蚂蚁根据在各个离散点的信息素的多少来选择路径,从而进行网络参数优化。第二阶段为:利用第一阶段的结果进行局部区间扩张,从而进行进一步优化。用蚂蚁算法优化后的网络对典型的混沌时间序列进行预测,结果表明其预测的各项误差低于常规的优化方法。