求解TSP问题的社会演化算法

将社会演化算法和蚁群算法相结合,以蚁群算法作为认知主体的推理过程,再以范式的学习和更新方式获得最优解,提出一种求解TSP问题的社会演化算法。最后通过两个算例实验仿真与TSP已知最优解进行对比分析,结果表明,社会演化算法在种群规模较小,迭代次数较少的情况下也可获得TSP最优解。     

基于AP聚类的约简孪生支持向量机快速分类算法

孪生支持向量机TWSVMs分类过程的计算量和样本的数量成正比,当样本个数较多时,其分类过程将会比较耗时。为了提高样本集的稀疏性,从而提高TWSVMs的分类速度,提出了一种基于AP聚类的约简孪生支持向量机快速分类算法FCTSVMs-AP。首先对原始数据集进行AP聚类操作。聚类的中心为约简后新的样本集,按照分类误差最小的原则构建优化模型,用二次规划方法求解新的决策函数的系数,并证明了当样本集压缩时,收紧新的快速决策函数和原始决策函数之间的误差等价于在样本空间对原始数据集进行AP聚类操作。在人工数据集和UCI数据集上的实验表明,保持分类精度的损失在统计意义上不明显的前提下,FCTSVMs-AP可以通过有效压缩样本数量的方式提高分类速度。     

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.     

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...     

基于ROC曲线的两类分类问题性能评估方法

为了克服传统分类算法指标存在的不足,即分类准确度、精确度和检测概率等指标对类别先验概率不具有稳健性,采用基于雷达接收机工作特性曲线即ROC曲线的评估方法来评估两类分类算法,通过参数法或非参数法建立ROC曲线,使用几率点欧氏距离、曲线下面积、最佳阈值点等指标对两类算法进行性能评估.实验结果表明,相对于传统算法,基于ROC曲线的评估方法的性能得到了很大的提高,在分类器识别算法性能评估中是一种有效的评估方法.     

融合Jaya高斯变异的自适应乌鸦搜索算法

针对标准乌鸦搜索算法存在收敛速度慢、寻优精度低、位置更新具有盲目性的不足,提出一种融合Jaya高斯变异的自适应乌鸦搜索算法(adaptive crow search algorithm with Jaya algorithm and Gaussian mutation, GMJCSA)。通过高斯变异优化全局最优个体和自适应步长的合理变化,提高算法的收敛能力和寻优精度。在引导者发现自己被跟随的情况下引入Jaya算法,克服位置更新具有盲目性的不足。将GMJCSA用于16个基准函数优化和减速器设计问题,与其他智能算法进行试验对比,GMJCSA能取得更好的解。试验结果表明,GMJCSA对于函数优化和减速器设计问题能够较好地寻优求解,总体性能良好。     

层次泛函网络构造理论及其在多重数值积分中的应用

对层次泛函网络的全局逼近理论进行研究,证明了层次泛函网络是一全局逼近器。利用这个特性,将层次泛函网络的构造方法和过程应用于多重数值积分计算。最后,通过6个典型的多重数值积分算例,计算机仿真结果表明,这种方法可行有效,具有较高的计算精度。     

改进果蝇算法优化BP神经网络预测汽油辛烷值

针对BP神经网络存在预测精度不佳、预测结果不稳定的问题,提出改进果蝇算法优化BP神经网络(back propagation neural network)预测模型。将混沌映射、判别因子与变步长机制引入果蝇优化算法(fruit fly optimization algorithm, FOA)中,得到改进后的自适应混沌果蝇优化算法(fruit fly optimization algorithm with chaos and discriminant factors, CDFOA),并利用测试函数对算法进行性能验证。利用CDFOA优化BP神经网络的初始权值与阈值,构建基于CDFOA优化BP神经网络对于汽油辛烷值的预测模型CDFOA-BP。将采集到的60组汽油数据输入预测模型进行测试分析。预测结果表明,与FOA-BP模型、PSO-BP模型、SSA-BP模型和BP神经网络模型相比,CDFOA-BP模型在预测精度与预测稳定性上均优于其他4种模型,验证该模型的有效性与可行性。     

云人工鱼群算法

借鉴人工鱼群算法的思想,利用云模型云滴的随机性和稳定倾向性的特点,提出了一种新的人工鱼群算法——云人工鱼群算法,并用于求解具有变量边界约束的非线性的复杂函数最优化问题。计算机仿真结果表明,云人工鱼群算法具有计算精度较高,搜索速度较快等特点,具有一定的参考和应用价值。     

云自适应粒子群优化算法在数值积分中的应用

为了提高传统自适应粒子群优化算法的鲁棒性,由X条件云发生器自适应调整粒子的惯性权重,提出云自适应粒子群优化算法。由于云滴具有随机性和稳定倾向性的特点,使得惯性权重既具有传统的趋向性,满足快速寻优能力,又具有随机性,有利于提高种群的多样性,提高了收敛速度。通过对求解任意函数数值积分的实验表明,该算法计算精度高、求解速度快,是求解数值积分的一种有效的方法。