基于神经网络的二次测爆仪传感器故障诊断方法

在全面分析智能二次测爆仪中传感器主要故障的基础上,提出了基于L-M算法的神经网络诊断方案.通过模拟矿井中各种气体体积分数所占比例的仿真实验证明:基于L-M算法的神经网络故障诊断系统具有良好的故障监测与诊断能力.     

基于粗糙集的图像感兴趣区域自动提取算法

在分析常规区域生长算法的基础上,提出一种基于粗糙集理论的感兴趣区域自动提取算法．在显著度图和相对位置指示图的基础上,以像素点的显著度、相对位置及颜色信息构成知识表达系统,通过属性约简和值约简,导出了有用的区域生长决策规则。实验结果表明：该方法与现有算法相比,它能够更好地提取图像感兴趣区域。     

头驱动句法分析中的直接插值平滑算法

在头驱动句法分析模型下,基于经典插值平滑算法,提出了以统计空间中平均事件数为基础的直接插值平滑建模原则,并应用经典的误差理论分析了该原则的合理性.基于该原则并借鉴语言模型中其他插值平滑算法对模型的零点进行假设的方法,在头驱动句法分析模型下,重新构造了4种平滑算法.实验数据显示,新平滑算法在高于经典平滑算法性能的同时,显著降低了自由参数的扰动程度,从实验的角度证明了该平滑建模原则的有效性.     

一种基于GPU加速的细粒度并行蚁群算法

为改善蚁群算法对大规模旅行商问题的求解性能,提出一种基于图形处理器(GPU)加速的细粒度并行蚁群算法.将并行蚁群算法求解过程转化为统一计算设备架构的线程块并行执行过程,使得蚁群算法在GPU中加速执行.实验结果表明,该算法能提高全局搜索能力,增大细粒度并行蚁群算法的蚂蚁规模,从而提高了算法的运算速度.     

一种基于GPU加速的细粒度并行蚁群算法

为改善蚁群算法对大规模旅行商问题的求解性能,提出一种基于图形处理器(GPU)加速的细粒度并行蚁群算法.将并行蚁群算法求解过程转化为统一计算设备架构的线程块并行执行过程,使得蚁群算法在GPU 中加速执行.实验结果表明,该算法能提高全局搜索能力,增大细粒度并行蚁群算法的蚂蚁规模,从而提高了算法的运算速度.

     

求解多目标优化问题的分级变异量子进化算法

分析量子进化算法和免疫算子的特点,提出一种分级变异的量子进化算法,用于求解多目标优化问题.算法主要基于两个策略:首先,利用快速非受控排序和密度距离计算种群抗原-抗体的亲和度;然后,基于亲和度排序将个体进行分级,最优分级中的个体作为算法中的最优个体,大部分实施量子旋转更新和免疫操作,而剩余分级中的个体实施免疫交叉操作以获得新的个体补充种群.求解多目标0/1背包问题的实验结果表明了该算法的有效性.

     

适应性粒子群寻优算法Ⅱ

适应性粒子群寻优算法Ⅰ(APSO-Ⅰ)是在有序的决策中始终引入随机的、不可预测的决定.为解决APSO-Ⅰ算法收敛深度不够的问题,提出适应性粒子群寻优第Ⅱ代算法(APSO-Ⅱ).APSO-ⅡⅢ算法是将有序(标准PSO粒子群寻优)和无序(自适应寻优)进行适当的分离.以发挥各自的优势.在自适应寻优阶段,通过在最优柱子邻域空间探寻更优化的解.一但新的优化解被发掘,便利用标准PSO快速寻优.典型复杂函数优化的仿真结果表明,APSO-Ⅱ在收敛速度和收敛深度上均优于DPSO(耗散型PSO),HPSO(自适应层次PSO),EPSO(自适应逃逸PSO)和APSO-I.     

蚁群算法滚动优化的LS-SVM预测控制研究

针对非线性过程预测控制的模型预测和滚动优化问题,提出一种蚁群算法滚动优化的最小二乘支持向量机(LS-SVM)新型预测控制器.该控制器以建模简单,精度高的LS-SVM作为预测模型,蚁群算法作为滚动优化策略,避免了滚动优化中复杂的梯度计算.仿真研究表明,该控制器具有良好的非线性控制效果.

     

多目标混沌差分进化算法

将差分进化算法用于多目标优化问题,提出了多目标混沌差分进化算法(CDEMO).该算法利用混沌序列初始化种群,并用混沌备用种群进行替换操作.该操作不仅起到了维持非劣最优解集均匀性的作用,而且增强了算法的搜索功能.对CDEMO的性能进行研究,数值实验结果表明了CDEMO的有效性.

     

基于微粒群算法的非线性系统建模方法研究

针对非线性系统多模型自适应控制中的模型覆盖问题,提出一种基于微粒群算法的多模型建模方法.首先,对非线性系统定义了基于混合逻辑模型的多模型描述,建立了非线性系统的混合线性多模型;然后,基于微粒群优化算法对非线性系统进行优化建模,在保证建模准确性的同时采用最少的子模型逼近非线性系统;最后,通过一个仿真算例表明了该建模方法的有效性.