可调参数前馈神经网络及其启发式模拟退火法

针对传统BP神经网络权值算法速度慢、易陷入局部极小等缺陷,在权值平衡算法的基础上,提出一种激励函数参数可调的前馈神经网络,并给出了相应的权值和参数快速学习算法;该算法运用文章提出的非单调启发式模拟退火搜索法实现网络权值和参数的快速搜索;实验表明,该算法不仅能明显提高网络的学习速度。而且可较好地避免学习过程陷入局部极小点而导致学习失败。     

基于遗传优化神经网络的故障诊断研究

针对BP神经网络具有收敛速度慢、易陷入局部极小的缺点，利用具有全局搜索能力的遗传算法来优化BP神经网络的权值和阈值，并用遗传优化BP网络实现故障诊断。基于MATLAB实现该算法，仿真实验表明，该算法具有明显的优越性，可以避免BP算法的不足，极大地提高了网络的学习性能，具有一定的实用性。     

一种权值直接确定及结构自适应的Chebyshev基函数神经网络

基于函数逼近理论,构造一种Chebyshev基函数神经网络模型.推导出该网络模型的权值直接确定方法,可一步计算出权值,克服了传统BP神经网络学习率选取困难、学习过程冗长和易陷入局部极小等缺点.在此基础上,设计了基于二分搜索的结构自适应算法,根据精度要求自动确定网络最优结构.理论分析及仿真验证均表明,该网络不仅能够快速地完成网络权值确定和结构自适应,且具有优异的学习与逼近能力,而且对随机加性噪声也具有较好的抑制作用.     

基于改进AFSA算法的BP神经网络的研究

针对BP神经网络收敛速度慢、易陷入局部极小的缺点,提出将改进的人工鱼群算法与BP算法相结合的混合算法训练人工神经网络,建立了相应的优化训练模型及训练过程.通过基于生物免疫机制改进的人工鱼群算法优化训练多层前向神经网络,使神经网络对训练初值和参数要求不高,扩大了权值的搜索空间,提高了收敛速度和学习精度,有效地协调全局和局部搜索能力.仿真结果表明,该算法性能优于其它算法,具有均方误差值小,收敛速度快和计算精度高等特点,是一种更有效的神经网络训练算法.     

基于改进BP网络算法的故障诊断分析

介绍BP神经网络结构和学习方法,针对误差反向传播神经网络模型学习收敛速度慢、容易陷入局部极小点等缺点,本文对BP网络模型进行了改进。对原始数据采用非线性的归一化函数,提出一种更加有效的学习率改进算法,提高了网络的收敛速度,采用了一种新的权值及阈值初始化方法,以避免训练时误差陷入局部极小解,并对改进BP算法与传统的BP算法进行比较,验证了该算法的优越性。     

一种基于多目标优化的神经网络快速学习算法

本文根据多目标优化理论、认知科学和神经科学等学科的最新成果，提出了一种基于多目标优化的神经网络快速学习算法．实验结果表明，该学习算法可以解决目前神经网络普遍存在的学习时间长、容易陷入局部极小和网络结构优化难等问题.     

基于Metropolis准则的BP神经网络学习算法研究

本文针对BP神经网络训练学习过程中，连接权在调整时容易陷入局部极小使得进一步调整失去作用的问题，提出了一种有助于提高BP神经网络逼近精度的方法——基于M!缸。酬逸准则的神经网络学习算法。该算法整体采用传统的BP算法，但在一定条件下依据概率进行连接权的调整，使权值以一定的概率跳跃，跳出局部极小区，最终达到全局极小。仿真结果表明了这一算法的有效性。     

机械手轨迹规划的神经网络逆模控制

针对二自由度机械手动力学模型的非线性和参数的不确定性,提出了一种神经网络与逆模控制相结合的控制策略。针对传统BP算法在神经网络训练后期收敛速度慢且容易陷入局部极小的缺点,提出一种快速启发式学习算法。采用所提出的快速启发式网络学习算法训练多层前馈神经网络,建立机械手的逆动力学模型,实现对机械手的非线性控制。仿真结果表明了所提出控制策略的有效性和快速启发式网络学习算法的快速收敛性。     

基于人工蜂群的 BP 神经网络算法

传统BP神经网络存在容易陷入局部极小点、收敛速度慢等缺点。人工蜂群算法是基于蜜蜂群体的觅食行为而提出的一种新的启发式仿生算法,属于典型的群体智能算法。它为全局优化算法,该算法简单、实现方便、鲁棒性强。针对BP神经网络算法的不足,提出利用人工蜂群算法交叉优化BP网络参数的权值和阈值,实验证明该优化算法确实提高了解的精度,加快了网络收敛速度。     

基于免疫神经网络的故障诊断方法研究

设计了一种免疫神经网络故障诊断方法,将神经网络权值进行编码作为抗体,将网络误差作为抗原,算法首先利用免疫算法的全局收敛特性,对网络权值进行全局搜索,然后再利用BP算法的局部搜索性能对网络权值进行局部搜索;以抽油机井为对象进行了仿真研究,并与BP神经网络故障诊断方法进行比较分析,表明免疫神经网络故障诊断方法能够有效避免陷入局部极小值的现象,并且在一定程度上加快了算法的运行速度。     

基于局部远亲差分增强的扰动粒子群优化算法

针对粒子群优化（PSO）算法在搜索过程中因个体间缺乏交互,使种群逐渐丧失多样性、导致算法陷入局部极值的问题,提出了一种基于局部远亲差分增强的扰动粒子群优化算法（LFDE-PPSO）。首先,为扩大种群搜索空间,在速度更新过程中引入扰动因子,使惯性权重、学习因子在小范围内波动;其次,引入重构概率,选择适应度值低的个体重建中间种群;最后,为增加种群多样性,使较差个体的优秀基因得以保留,引入粒子不相关性及远亲个体,利用不相关性选择与差分个体基因差异性较大的远亲进行差分增强。实验结果表明,所提算法能够使中间种群中适应度值高的个体得以保留,有效增加种群多样性,使种群具备较强的跳脱局部极值能力,加快粒子逼近全局最优,同时具有收敛快、精度高等优点。     

基于社会学习机制的改进人工鱼群算法

针对人工鱼群算法后期搜索速度慢、不易得到精确解等问题,结合社会学习机制提出一种改进算法。当人工鱼群算法进行到优化后期时,使用群体社会学习机制中的趋同和趋异行为进行寻优。两种行为搜索速度快,寻优精度高,且趋异现象提高了群体的多样性,增强了跳出局部极值的能力,在一定程度上改善了原算法的搜索性能。仿真实验结果表明了改进算法的可行性和有效性。     

用于二维源搜索的梯度自适应极值搜索算法

基于正弦扰动的二维源极值搜索算法存在着适应性差和快速性与准确性相互制约的缺点。针对这一问题,提出一种基于梯度估计的参数自适应极值搜索算法,该算法在传统极值搜索算法基础上,通过三个历史采样点估计当前区域的梯度,并依据当前区域梯度值自适应调整反馈增益参数。此外,利用平均值理论对所提算法进行了理论分析和收敛性证明。不同环境下的仿真对比表明本方法提高了源搜索效率和对复杂梯度环境的适应性。     

一种具有初始化功能的自适应惯性权重粒子群算法

提出了一种改进的具有初始化功能的自适应惯性权重粒子群优化(PSO)算法.该算法首先引入自适应惯性权重策略均衡全局和局部搜索能力,并针对运行过程中出现停滞现象的粒子群,围绕其加权重心位置重新初始化,引导粒子突破了局部极值的限制,提高了算法的收敛速度.最后,将此算法、PSO算法及惯性权重线性递减的PSO(LDW-PSO)算法进行了比较.实验结果表明,该算法不仅有效地增强了粒子突破局部极值的能力,而且算法的收敛速度和稳定性也有了一定的提高.     

带极值抖动的变尺度粒子群优化算法

为克服粒子群优化算法容易陷入局部最优解的问题,提出一种带极值抖动的变尺度粒子群优化算法,该算法在粒子进化过程中动态调整学习因子,改善粒子的搜索性能,利用极值抖动方法帮助粒子逃离局部最优解,采用变尺度方法逐步缩小算法的优化范围,提高算法搜索密度。实验表明,该算法对9个具有代表性的基准测试函数,其优化效率及优化精度均优于以往提出的典型粒子群优化改进算法。     

基于遗传算法的FNN-PID控制技术在溶解氧控制中的应用

构建一种基于多层神经网络结构的模糊PID参数自整定系统,将模糊规则和隶属函数的选取转化为神经网络中连接权系数和网络结构的优化问题;以氧化沟内溶解氧偏差最小为目标函数,采用改进的遗传算法作为模糊神经网络的学习算法对网络的参数和结构进行优化,实现PID参数的在线自整定;仿真实验表明此方法较好地提高了氧化沟溶解氧系统的自学习能力和鲁棒性,使控制系统的动、静态性能都有较大的改善。     

Application of improved bat algorithm for solar PV maximum power point tracking under partially shaded condition

The power output curves of solar photovoltaic (PV) system have multiple peaks under partially shaded condition. As the same as traditional MPPT (Maximum Power Point Tracking) search methods, bat algorithm often makes optimized results fall into local extremum. So an improved bat algorithm is proposed. Chaos search strategy is introduced in initial arrangement to improve the uniformity and ergodicity of population. Adapting weight is introduced to balance the global searching ability and the local searching ability. Dynamic contraction regain decreases the search range more effectively. Compared with the original algorithm, the rapidity and accuracy of algorithm have been improved. The simulation shows that improved bat algorithm can find the globally optimal point fast, with high precision, under the partially shaded condition.     

基于粒子群优化算法的支持向量机参数选择

由于支持向量机的主要参数的选择能够在很大程度上影响分类性能和效果,并且目前参数优化缺乏理论指导,提出一种粒子群优化算法以优化支持向量机参数的方法.该方法通过引入非线性递减惯性权值和异步线性变化的学习因子策略来改善标准粒子群算法的后期收敛速度慢、易陷入局部最优的缺陷.实验结果表明,相对于标准粒子群算法,本方法在参数优化方面具有良好的鲁棒性、快速收敛和全局搜索能力,具有更高的分类精确度和效率.     

基于Jaya的贝叶斯网络结构学习算法研究

基于评分搜索的贝叶斯网络结构学习算法通常需要调参,导致计算量增大且不当的参数易使算法陷入局部最优。针对这一问题,将无需调参的Jaya算法应用于贝叶斯网络结构学习。在Jaya算法的框架下,结合遗传算法的交叉变异思想重新设计了个体更新策略,使Jaya算法能够应用于结构学习这一离散优化问题,并结合马尔科夫链的相关理论讨论了所提算法的敛散性。实验结果表明,该算法能有效应用于贝叶斯网络结构学习。     

遗传算法优化神经网络权值盲均衡算法的研究

将遗传算法与神经网络盲均衡算法相结合,提出了两段式优化神经网络权值的方案。首先利用遗传算法全局搜索能力强的特点优化初始权值,然后发挥BP算法局部搜索速度快的特点得到最佳权值。经计算机仿真表明,该算法与传统BP神经网络盲均衡算法相比,收敛速度加快,稳态剩余误差减小,误码率降低。