一种改进型混合遗传算法的分析

针对遗传算法和BP算法的特点,提出了一种在改进型遗传算法的基础上引入BP算法的混合遗传算法。仿真结果表明,该算法不仅保证了全局收敛性,而且大大提高了算法的收敛速度和稳定性。     

实数编码人工免疫算法概率强收敛速度估计研究

取代传统的状态转移矩阵特征值估计方法,运用随机过程相关理论,对实数编码人工免疫算法的收敛速度估计进行了研究,该方法从满足人工免疫算法概率强收敛的必要条件出发,将其作为一般人工免疫算法符合的充分条件,提出了一种实数编码人工免疫算法指数速度概率强收敛的估计新方法.该方法以种群中最佳抗体的最终收敛为判断依据,避免了传统估计方法过于保守的不足,可用于一类人工免疫算法的收敛性和收敛速度的判断,在人工免疫算法实际应用中如何优化其收敛速度具有一定理论参考意义.     

基于克隆选择调节算法的IIR数字滤波器设计

在克隆选择算法的基础上．结合独特型免疫网络理论中抗体间的自适应动态调节思想,提出一种新的免疫算法——克隆选择调节算法（CSAA）．并用于IIR数字滤波器的设计．该算法能更好地保持解的多样性及收敛速度快．有效地避免了早熟现象．对多个典型系统进行随机仿真并与其他方法进行比较研究,结果表明．该算法在多模态搜索空间中具有更好的全局收敛性和稳定性．是一种有效可行的IIR数字滤波器设计方法．     

基于混合狼群算法的永磁同步电机状态反馈控制

为提高永磁同步电机的控制精确,减少超调带来的影响,提出了一种基于混合狼群算法的状态反馈控制。以通过电压前馈补偿的线性化的永磁同步电机模型为基础,构建含有转子转速误差和d轴电流误差的离散增广状态空间模型,并构建状态反馈控制器;利用混合狼群算法,通过优化寻求状态反馈控制增益矩阵的全部参数,添加超调惩罚项减少超调带来的影响;算法继承灰狼算法与郊狼算法的优点,同时保证算法的快速收敛性与全局性。基于Matlab/Simulink进行仿真验证,并与其它控制器进行比较,结果表明带有惩罚项的状态反馈控制器具有快响应,零超调的优越性。     

改进型人工免疫网络多模态函数优化算法

基于独特型免疫网络理论,提出一种改进的免疫网络算法。为克服传统免疫网络算法对抗体种群规模的过于敏感性,以及算法计算量过大的问题,新算法引进一种新的均匀对称抗体变异成熟机制和子群稳定判定方法;为提高种群的多样性,体现生物免疫网络动态平衡调节机制,算法采取一种基于抗体浓度和亲和度矢量距的选择方法。同时根据随机过程相关理论,对算法的全局收敛性进行了分析和证明,最后将算法应用于多模态函数优化问题,并同其他免疫网络算法进行了比较,实验结果验证了该算法的有效性。     

传感器网络中一种分簇的高能效路由算法

针对无线传感器网络中节点高耗能的工作特点,由于存在分簇结构不合理,造成负载不均衡。为此提出一种分簇的分布式能量高效路由算法HECRA。传感器节点根据节点ID(综合考虑剩余能量)自主地竞争簇首;通过优化分簇结构避免极小簇的存在,平衡了簇内能耗;簇首通过多跳方式将各个簇内收集的数据传送至sink节点,降低了簇首的能耗。仿真结果表明,HECRA比典型的分簇协议(PEGASIS),能提供更加均衡的能耗,延长网络的生存周期。     

免疫遗传算法在BP神经网络中的应用

提出了一种基于免疫遗传算法(IGA)的BP神经网络设计方法.该算法在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能.为了解决BP神经网络权值随机初始化带来的问题,用多样性模拟退火算法(SAND)进行神经网络权值初始化,并给出了算法详细的设计步骤.仿真结果表明,同混合遗传算法相比,该算法设计的BP神经网络具有较快的收敛速度和较强的全局收敛性能.     

一类克隆选择算法的收敛性方法研究

克隆选择算法收敛性研究是免疫计算领域中一个复杂而重要的问题,但是有关收敛性的研究结果还相对较少.本文综述有关克隆选择算法收敛性方法研究的近期理论成果,分别概述齐次马氏链模型、纯概率方法和鞅论三种算法收敛性研究方法的模型并分析它们的优缺点,以期推动克隆选择算法收敛性理论研究的更深入发展.     

腈菌唑的气相色谱定量分析

建立了腈菌唑的气相色谱定量分析方法,选用５％ＯＶ－２２５为固定液,邻苯二甲酸二辛酯为内标物。该方法标准偏差为０．４５％,变异系数为０．９６％,平均回收率为１００．１０％,且有良好的线性关系,其相关系数为０．９９９９,回归方程为Ｙ＝０．０００４３４＋１．１５６１Ｘ。