基于遗传算法的不同形状物体布局求解研究

通过对不同形状物体布局特点的分析,依据遗传算法的基本思想,选择通过对不同形状物体布局特点的分析,根据遗传算法的基本思想,选择合适的编码方法、遗传算子和适应性度函数,提出一种基于遗传算法的不同形状物体布局求解算法.该算法可实现对不同形状物体进行布局求解.计算机仿真实验表明,该算法具有收敛速度快,能够在较短时间内获得较佳的布局方案.     

进化策略算法在矩阵特征值求解中的应用

工程实践中多种振动问题的求解常常归纳为求矩阵特征值问题,另外一些稳定性分析问题及相关分析问题也可以转化为求矩阵特征值问题.为了有效求解此类问题,提出了一种新的求解矩阵特征值的进化策略算法,该算法可用于求解任意矩阵的特征值.实验结果表明,这种基于进化策略算法求解矩阵特征值的方法,与传统方法相比,表现出求解精度高,收敛速度快等优点.     

基于双种群的小生境差分进化算法

将非线性方程组的求解问题转化为函数优化问题,当方程组有多个解时,它的适应值函数就是具有多个最优解的多峰函数.为此,提出了基于双种群的小生境差分进化算法.在该算法中,进化在两个不同的子群间并行进行,通过使用不同的变异策略,实现种群在解空间具有尽可能分散的探索能力的同时在局部具有尽可能细致的搜索能力.通过子群重组实现子群间的信息交换,然后引入小生境淘汰机制.对典型测试函数的优化结果表明,该算法能找到全部解,而且精度好.     

泛函网络神经元构造理论与方法

泛函网络是近年提出的一种对神经网络的有效推广.与神经网络不同,它处理的是一般的泛函模型,它在各个神经元之间的连接没有权值,并且神经元函数不固定的,往往是一给定的基函数的组合,泛函网络学习的目的就是求出神经元函数的精确表达式或近似表达式. 迄今关于泛函网络神经元基函数的存在性和选取方法缺乏理论依据.文中基于Banach空间中偏序理论,分析了泛函网络神经元基函数的存在性,给出了泛函网络神经元基函数选取方法,对于完善泛函网络的基础理论具有参考价值.     

求多项式方程全部实根的混合差分进化算法

针对多项式方程求实根问题,提出了一种混合差分进化算法.在该算法中,先对标准差分进化算法进行了一些改进,对计算种群个体的适应度并排序,利用二分之一规则选取个体,并引入自适应变异算子和进化策略重组算子,用改进的差分进化算法对种群进行优化,然后引入模拟退火算法和小生境技术对生成的新个体进一步优化.通过典型算例的数值仿真表明,文中提出的算法克服了标准差分进化算法易陷入局部极优等缺点,可以求任意高次多项式方程的全部实根,而且求解效率高,是一种求解多项式方程全部实根的有效算法.     

基函数可递归的泛函神经元网络学习算法

将泛函神经元结构做了一个变形,给出了一种基函数可递归的泛函神经元网络学习算法,该算法借助于矩阵伪逆递归求解方法,完成对泛函神经元网络基函数的自适应调整,最终实现泛函网络结构和参数共同的最优求解。数值仿真实验结果表明,该算法具有自适应性、鲁棒性和较高的收敛精度,将在实时在线辨识中有着广泛的应用。     

基于代数神经网络的不确定数据知识获取方法

定义了代数神经元、代数神经网络,讨论了不确定数据知识获取的数学机理,设计出一类单输入,单输出的三层前向网络来获取知识的代数神经网络模型,给出一种基于代数神经网络知识获取的方法,通过该网络的学习,能确定任意一组给定数据的目标函数的逼近式。     

层次泛函网络学习算法及其在时间序列分析中的应用

设计了一类单输入单输出泛函网络与双输入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。以时间序列中典型的Hénon映射为例,通过比较分析看出,层次泛函网络更适合于时间序列分析。计算机仿真结果表明,这种层次学习方法,对时间序列具有收敛速度快和逼近精度高等特点。     

基于二进制数计算相似度的高属性维稀疏数据聚类方法

针对一种特定类型高属性维数据———区间变量型高属性维稀疏数据聚类问题,提出高属性维稀疏信息系统,稀疏特征编码,基于二进制数计算相似度概念,给出一种新的基于二进制数计算相似度的高属性维稀疏数据聚类算法,由于计算属性稀疏特征相似度所采用的是二进制数布尔AND运算,因此,相比目前人们所使用的聚类算法,它是一种计算简单、精度高、聚类质量较高的聚类算法。该算法在高属性维稀疏数据挖掘及聚类分析中有着重要的应用。通过数值算例分析表明该聚类方法有效。     

一种群体智能算法——狮群算法

基于狮群中狮王、母狮及幼狮的自然分工,模拟狮王守护、母狮捕猎、幼狮跟随3种群智能行为,提出群体智能算法——狮群算法.算法中不同种类的狮子位置更新方式不同.遵循自然界生物“适者生存”的竞争法则,狮王守护领土,优先享用食物,母狮合作捕猎,幼狮分为学习捕猎、饥饿进食和成年被驱逐.狮子位置更新方式的多样化保证算法快速收敛,不易陷入局部最优.最后,将算法应用于6个标准测试函数优化问题,并对比粒子群算法、骨干粒子群算法,测试结果表明,文中算法收敛速度较快,精度较高,能较好地获得全局最优解.