基于车辆路径问题的蚁群算法参数的优化

蚁群算法是一种解决组合优化问题的有效算法,已得到日益深入的研究,并逐渐得到应用。蚁群算法的一个不足是,算法参数的设置往往凭借经验,缺乏充足的依据。文章以车辆路径问题（vehicleroutingproblem,VRP）为例,从一个烟草配送的智能决策系统中抽取一定量的数据,对蚁群算法中各参数与算法收敛性之间的关系进行了大量的仿真实验,通过对实验结果的分析,给出了解决此类问题时的一种优化算法参数的方法。     

基于改进遗传算法的波束形成方法

研究传感器阵列信号优化问题,针对传统的简单遗传算法应用于传感器阵列的波束形成时,存在收敛速度慢和计算结果稳定性低的问题,提出了一种基于改进遗传算法的波束形成优化方法。算法对简单遗传算法的初始种群生成、适应度函数、交叉算子和异化算子等多个要素进行了改进,并融入了自适应技术。将改进的遗传算法应用于波束形成,并进行了仿真。仿真结果证明,有效地提高了收敛速度和计算结果的稳定性。证明改进遗传算的波束形成方法,获得了比原始方法旁瓣级更低的波束图,波束形成的性能更优。     

改进型的快速免疫遗传算法研究

作为一种有效的优化方法,遗传算法在实际中的应用非常普遍。但它用来解决实际问题时,其收敛速度慢和稳定性差成为需要解决的关键问题。为了克服这些问题,本文通过创建最初的人口,免疫选择操作,改进遗传算子等一系列的方面来改善免疫快遗传算法。实验表明该算法比许多现有的算法具有更快的收敛性和更好的稳定性。     

拟概率空间上学习理论的关键定理和学习过程一致收敛速度的界

进一步讨论了拟概率的一些性质,给出了拟概率空间上的拟随机变量及其分布函数、期望和方差的概念及若干性质;证明了拟概率空间上的Markov不等式、Chebyshev不等式和Khinchine大数定律;给出并证明了拟概率空间上学习理论的关键定理和学习过程一致收敛速度的界,把概率空间上的学习理论的关键定理和学习过程一致收敛速度的界推广到了拟概率空间,为系统地建立拟概率上的统计学习理论与构建支持向量机奠定了理论基础.     

基于信息几何的混沌支持向量机预测

复杂环境中存在大量的混沌现象,难以用传统的预测方法进行准确预测.针对这一问题,本文利用信息几何理论、支持向量机理论与重构相空间理论,提出混沌支持向量机CSVM,对含有混沌现象的时间序列进行预测;针对混沌环境下核函数难于构造,从信息几何角度,提出在混沌环境下,如何方便准确得进行构造核函数;最后将CSVM应用于Henon混沌系统实验.实验结果表明,误差随嵌入维数变化和延迟时间变化趋于恒定;与BP、RBF和SVM相比,CSVM具有所需支持向量少,收敛速度快,准确性高等特点.     

暂态混沌神经网络在蛋白质关联图预测中应用研究

蛋白质结构预测是生物信息学的一个主要研究方向,而蛋白质关联图预测是其中的一个重要内容.针对蛋白质关联图预测问题,提出一种暂态混沌神经网络实现方法,所提出的方法具有暂态混沌特性和平稳收敛特性,能有效避免传统Hopfield 神经网络极易陷入局部极值的缺陷.它通过短暂的倒分叉过程,能很快进入稳定收敛状态.仿真结果表明:暂态混沌神经网络解决蛋白质关联图预测问题时,总能收敛到全局最优或几乎接近全局最优,同时具有更高的搜索效率.这种方法预测精度达到0.27,比随机预测器高9倍.     

最小约简问题的一个免疫离散粒子群算法

把求决策表最小属性约简问题归结为一个不含非线性约束的0-1组合优化问题,证明了两个问题之间最优解的等价性.针对问题的特性,对原有的二进制粒子群算法进行改进,引入基于决策表差别矩阵的疫苗接种机制以及k-精英保优策略,由此提出一个免疫二进制粒子群算法并用于求解转化后的组合优化问题.仿真计算结果表明该算法有效地提高了获得最小属性约简的可能性,同时还具有较快的收敛速度.与其它类型的最小属性约简算法相比较,该算法取得明显的改进效果.     

多样性监控的免疫微粒群算法

标准微粒群算法的种群多样性随进化变差是造成陷于局部最优的主要原因,本文提出了一种多样性监控的免疫微粒群算法.利用多样性函数对种群的多样性进行监控,并在多样性下降到一定程度时,引入免疫机制中的克隆选择算子和免疫记忆特性来对粒子进行更新,从而有效地克服了微粒群算法易陷于局部最优以及对多峰值函数搜索效果不佳的缺点.用经典benchmark测试函数对算法进行仿真实验,实验结果表明该算法比标准微粒群算法有着更好的收敛性能.     

基于微粒群的K均值聚类算法在图像分类中的应用

提出一种新的图象分类算法椈谖⒘Ｈ旱腒均值聚类图象分类算法.将此算法和K均值聚类算法以及微粒群图像分类算法分别应用于MRI人脑图象的分类,并进行了比较.实验结果表明:基于微粒群的K均值聚类图象分类算法具有较好的全局收敛性,不仅能有效克服K均值算法易陷入局部极小值的缺点,且全局收敛性能优于微粒群图像分类算法.     

自适应变异的粒子群优化算法

针对粒子群算法的早熟收敛问题,提出一种新的基于群体适应度变化率自适应变异的粒子群优化算法。该算法根据群体适应度变化率自适应调整惯性权重的取值,根据当前种群的平均粒距对种群中部分粒子进行变异操作。自适应调整与变异操作能增强算法跳出局部最优的能力,增大寻找全局最优的几率。对几种典型函数的测试结果表明,新算法的全局搜索能力有了明显的提高,有效避免了早熟收敛问题。