A new SQP algorithm based on semidefinite programming

The paper gives a new filter-SQP algorithm of the semidefinite programming through combining the sequence nonlinear algorithm of solving the semidefinite programming, low rank conversion, and filter method, which, under certain conditions, proves that the algorithm is global convergence.     

基于样本期望训练数的BP神经网络改进研究

BP算法是神经网络中最常用的算法之一.标准BP算法存在的最主要问题就是易于陷入局部极小、收敛速度慢等问题.针对BP算法的这些问题,出现了许多改进的措施,如引入变步长法、加动量项法等.提出了一种基于样本期望训练数的改进BP算法,仿真实验说明了该算法可以明显提高BP网络学习速度,并且具有简单通用性,可以和其他方法结合,进一步提高算法的收敛速度.     

理性用户——交互式进化计算全局收敛的一个充分条件

用户对个体的评价和用户满意度之间的关系是影响交互式进化计算(IEC)全局收敛性的重要因素.首先,基于用户对个体评价和用户满意度占优关系,把IEC中的用户分为4类:绝对理性用户、有限理性用户、有限非理性用户和绝对非理性用户.其次,给出关于IEC全局收敛的4个定理及理性用户是IEC全局收敛的充分条件这一结论,并指出IEC的全局收敛需要保留两个最优:适应值最优和满意度最优.最后,通过实验进一步验证上述结论.结论表明,在IEC中,当其它保证算法收敛的条件具备时,用户只要保证理性条件,就能保证算法全局收敛.     

基于线性预测的自适应递归最小二乘盲源分离

为了分离具有时序结构的信号,将线性预测均方误差作为代价函数.使分离出信号的可预测性最大,这样就可以分离出源信号.这种最小均方误差型算法,其在线形式采用瞬时预测误差代替预测误差的期望值.导致收敛速度较慢.为了提高这类算法的收敛速度,本文将线性预测误差的加权平均作为代价函数,提出了递归最小二乘型线性预测盲源分离算法.计算机仿真和实际语音分离试验均表明:提出的算法与最小均方误差型线性预测盲源分离算法相比具有更快的收敛速度,且增加的计算量不大.     

多目标混合遗传算法求解流水车间调度问题

为高效地求解多目标流水车间调度问题,提出了一种多目标混合遗传算法,此算法将局部搜索融入进化计算中,采用非劣解并行局部搜索策略,并依据基于Pareto支配关系的个体排序数和密度值进行适应度赋值,以加速算法的收敛,保持群体多样性.仿真结果表明,新算法能够有效地解决多目标流水车间调度问题.     

基于改进的免疫克隆算法的装箱问题研究

提出了一种基于聚类竞争的改进免疫克隆算法,保证了抗体种群的多样性,有效地提高了算法的收敛速度,避免了不成熟收敛,将该算法应用于装箱问题中,取得了较好效果.     

利用粒子群算法实现信号OMP稀疏分解

稀疏表示在信号处理的许多方面都有着重要的作用,但是其计算量巨大难以应用在实时信号处理上.本文使用粒子群优化算法实现基于正交匹配追踪算法(OMP)的信号稀疏分解,粒子群算法能有效寻找OMP分解每一步中的最优原子,OMP是对匹配追踪算法(MP)的改进,收敛效果更好.实验结果验证了此算法的有效性.     

The learning convergence of CMAC in cyclic learning

In this paper we discuss the learning convergence of the cerebellar model articulation controller (CMAC) in cyclic learning.We prove the following results.First,if the training samples are noiseless,the training algorithm converges if and only if the learning rate is chosen from (0,2).Second,when the training samples have noises,the learning algorithm will converge with a probability of one if the learning rate is dynamically decreased.Third,in the case with noises,with a small but fixed learning rate ε the mean square error of the weight sequences generated by the CMAC learning algorithm will be bounded by O(ε).Some simulation experiments are carried out to test these results.     

基于预设时间收敛的分布式优化算法

考虑一类分布式优化问题,其目标是通过局部信息交互,使得局部成本函数之和构成的全局成本函数最小.针对该类问题,通过引入时基发生器(TBG),提出两种基于预设时间收敛的分布式比例积分(PI)优化算法.与现有的基于有限/固定时间收敛的分布式优化算法相比,所提出算法的收敛时间不依赖于系统的初值和参数,且可以任意预先设计.此外,在全局成本函数关于最优值点有限强凸,局部成本函数为可微的凸函数,且具有局部Lipschitz梯度的条件下,通过Lyapunov理论证明了所提算法都能实现预设时间收敛.最后,通过数值仿真验证了所提出算法的有效性.     

双收敛因子策略下的改进灰狼优化算法

针对标准灰狼优化算法（GWO）的收敛速度慢、易陷入局部最优等缺点,提出一种在非线性双收敛因子策略下基于双头狼引领的改进灰狼优化（GWO-THW）算法。首先,利用混沌Cubic映射初始化种群,提升种群分布的均匀性和多样性,并通过平均适应度值将狼群分为捕猎狼和侦察狼,两类狼群采用不同的收敛因子,在各自的头狼带领下寻找和围捕猎物;其次,为提升搜索速度和精度,设计了一种位置更新的自适应权重因子;同时,为跳出局部最优,当一定时间内未发现猎物时,狼群采用莱维（Levy）飞行策略随机更新位置。在10个常用的基准测试函数上验证GWO-THW的有效性。实验结果表明,与标准GWO及相关变体相比,GWO-THW在8个基准测试函数上都取得了较高的寻优精度和收敛速度,尤其在多峰函数上,200次迭代内就能收敛到理想最优值,从而验证了GWO-THW具有更好的寻优性能。