基于粒子群算法的二重积分方法研究

提出了一种基于粒子群算法的不等距节点数值积分方法,该方法初始时在矩形积分区域两个方向的区间内各自任意选取一定的节点,通过粒子群算法优化这些节点,以优化后的节点为分割点求数值积分的值,最后得到比较精确的积分结果.数值积分算例表明,该算法得到的积分值精度高,自适应强,是一种有效的数值积分方法,在数值计算和工程实际应用中具有一定的参考和应用价值.     

基于GA的MTSP问题实现

多旅行商问题(Multiple Traveling Salesperson Problem,简称MTSP)是讨论m位旅行商如何访问n座城市,要求每个城市都被访问,且仅被访问一次,求得所有旅行商经过的路径和最小。本文通过对MTSP特点的分析,依据遗传算法的基本思想,对编码和遗传算子进行合理选取。通过仿真表明,该优化方法能够取得较优解。     

一种基于泛函网络求数值积分方法研究

提出了一种基于泛函网络求教值积分新方法,给出了一种泛函网络模型及学习算法,并将该模型用于求任意函数的数值积分,理论上证明了泛函网络用于逼近数值积分定理.最后通过5个数值积分算例,并与传统计算方法作了比较分析,仿真结果表明,提出的数值积分方法精度高,适应性强,且不需要确定被积函数的原函数,因此该方法在工程技术中有较大的应用价值.     

一类自适应泛函网络循环结构与算法

Banach压缩映射原理不仅在泛函分析中占有举足轻重的地位,同时也是数值分析中求解代数方程、常微分方程解存在唯一性,以及数学分析中积分方程求解的重要理论依据。它是数学和工程计算中最常用的方法之一。基于Banach压缩映射原理,提出一种自适应泛函网络循环结构和算法,通过训练该结构使其逼近于目标函数的不动点。通过算例分析表明,该算法具有计算精度高、收敛速度快等特点。所获结果对于神经计算方法的研究具有参考价值。     

求解矩阵特征值及特征向量的新方法

提出一种基于进化策略求解矩阵特征值及特征向量的新方法。该方法在进化过程中通过重组、突变、选择对个体进行训练学习,向最优解逼近。当达到预先给定的误差时,程序终止,得到最优解。实验结果表明,与传统方法相比,该方法的收敛速度较快,求解精度提高了10倍。该算法能够快速有效地获得任意矩阵对应的特征值及特征向量。     

一种基于Lévy飞行轨迹的蝙蝠算法

针对新型元启发式蝙蝠算法存在收敛速度慢、求解精度低的现象,文中提出一种基于Lévy飞行轨迹的蝙蝠算法.该算法具有易跳出局部最优,收敛速度快且求解精度高等特点.通过对12个典型的测试函数进行仿真实验,结果表明该算法是有效、可行的,且在求解高维空间问题中也表现出优越的逼近性能.     

层次泛函网络整体学习算法

文中设计了一类单输人单输出泛函网络与双输人单输出泛函网络作为构造层次泛函网络基本模型,提出了一种层次泛函网络模型,给出了层次泛函网络构造方法和整体学习算法,而层次泛函网络的参数利用解方程组来进行逐层学习．以非线性代数方程组为例,指出人们熟知的一些数学解题方法可以用层次泛函网络来表达,探讨了基于层次泛函网络求解非线性代数方程组学习算法实现的一些技术问题．相对传统方法,层次泛函网络更适合于具有层次结构的应用领域．计算机仿真结果表明,这种层次学习方法具有较快的收敛速度和良好的逼近性能．     

一种基于AFSA与RST分类规则挖掘算法

利用人工鱼群算法对信息系统的数量型属性进行离散化,然后用RST进行分类规则挖掘,再将AFSA与RST相结合,提出了一种基于AFSA与Rsr分类规则挖掘新算法,该算法不仅有效地解决了利用粗糙集进行分类规则挖掘时数量型属性的离散化问题,而且可挖掘出所要解决问题的一般分类规则.实验表明该算法是有效和正确的.     

光滑孪生参数化不敏感支持向量回归机

作为机器学习方法之一的孪生参数化不敏感支持向量回归机(TPISVR)有着简洁的数学模型,良好的学习性能,特别适合于求解带有结构异方差噪声的数据回归问题,然而TPISVR的训练速度较低,训练效率有待提高。TPISVR的传统算法可以归结为通过转化对偶问题的方法求解2个带有不等式约束的二次规划问题,然而这种求解二次规划问题的方法对于样本数目较大的问题将受到时间和内存的制约,这是导致TPISVR训练效率低的关键所在。针对此问题,首先,引入正号函数,将TPISVR的2个二次规划问题转化为2个不可微的无约束优化问题;其次,引入CHKS光滑函数和正则项,对TPISVR模型进行正则化,并对不可微的无约束优化问题进行光滑逼近,从而将不可微的模型转化为可微的无约束优化问题,并用收敛速度快的Newton-Armijo方法求解新模型,提出光滑孪生参数化不敏感支持向量回归机(STPISVR);最后,从理论上证明了STPISVR模型是收敛的,并具有任意阶光滑性。为了验证所提算法的有效性和可行性,对机器学习常用的人工数据集和UCI数据集进行仿真实验。实验结果表明：和其他机器学习方法相比,STPISVR在保证精度不下...