遗传神经网络在求解初等函数高阶导数值中的应用

传统的求解函数高阶导数值的方法就是先求出高阶导数的函数表达式,然后将自变量值代入,就得到了此点的高阶导数值。高阶导数的函数表达式的推导比较的烦琐,尤其对于复合函数来说。利用改进的遗传算法和神经网络各自的优点,提出求解函数高阶导数值的GA-Network法。算法采用多目标优化的思想,使用“动态自适应策略“和“罚函数法“。利用神经网络来构造函数泰勒展式的网络结构,用遗传算法对网络进行学习,最后得到网络的输出结果即高阶导数值。通过对初等函数的仿真实验,可以看出此方法有比较高的精度,它也为函数导数值的求解提供了一种方法。     

一类食饵种群具有常数收获率系统的定性分析

对一类食饵具有常数收获率的Kolmogorov系统进行了研究,分析了系统的平衡点的性态,得到了该系统极限环不存在与存在的充分条件,并对系统进行了数值模拟,最后讨论了此模型的生态意义.     

基于区间优化的实根隔离遗传算法

提出了一种通过改进遗传算法求函数驻点值作为实根的隔离点,进而使用改进的二分法来求解近似根的方法.通过比较,该方法是可行、有效的,且具有较高的精度,并给出了相应的算例.对于该方法得到的隔离点,还可以应用其它的优化方法进行求解,这将是下一步研究的主要工作.     

基于泛函网络的非线性回归预测模型及学习算法

在非线性回归预测中,预测函数的拟合是其难点和关键,直接影响预测精度。当系统非线性较强时,传统方法不易于处理,拟合和预测结果不理想。泛函网络是最近提出的一种对神经网络的有效推广,在处理非线性问题时有一定的优势。为此提出了基于泛函网络的非线性回归预测模型和相应的学习算法。并分别就一元非线性回归预测和多元非线性回归预测给出了相应的实例。计算机仿真结果表明,泛函网络预测模型拟合度和预测精度都明显高于某些传统的方法,有较好的理论和应用价值。     

求矩阵复特征值的双种群改进遗传算法

针对矩阵复特征值的特点,提出采用双种群改进遗传算法并行求解复特征值的近似值.该算法中双种群采用实数编码,在遗传过程中每个种群都根据适应度自动选择其交叉概率和变异概率,使个体对环境变化具有自适应调节能力.变异中采用了柯西变异,可以使个体很快跳出局部极小.仿真结果表明,此算法可以达到一定的精度,具有一定的通用性,并给求矩阵复特征值提供了一种快速的方法.