求解多峰优化问题的改进布谷鸟算法

布谷鸟算法是一种简便而高效的元启发式算法.然而,布谷鸟算法在求解复杂的多峰优化问题时通常存在易陷入局部最优解的缺点.针对布谷鸟算法的这种缺点,结合神经网络算法和布谷鸟算法的特性,提出一种基于神经网络的布谷鸟算法.该算法的核心思想是借助改进神经网络算法的强大全局搜索能力和动态种群策略来平衡布谷鸟算法的全局搜索能力和局部搜索能力,从而减少布谷鸟算法陷入局部最优的可能性.该算法首先将种群中的个体依照适应度值的优劣进行排序,然后对种群中最好的一半个体通过布谷鸟算法进行优化,对种群中最差的一半个体通过改进的神经网络算法进行优化,最后将所有个体组成一个新的种群,并从中筛选出最优解.采用24个复杂基准测试函数检验所提出算法求解多峰优化问题的性能,并将优化结果与神经网络算法,布谷鸟算法以及一些改进的布谷鸟算法所获取的优化结果相比较.实验结果表明:所提出的算法充分地展现了神经网络算法和布谷鸟算法的优势,其在求解质量,求解效率以及求解稳定性上均显著优于其它算法.     

遗传RBF网络在织物染色配色中的应用

讨论了具有非线性、不确定特性的织物染色配色过程建模与仿真问题。针对传统的织物染色配色方法效果差、精确度不高和难以达到期望结果的问题,结合RBF神经网络的特点,提出了用基于遗传算法训练的RBF神经网络,同时优化网络的参数,并利用遗传RBF神经网络建立织物染色配色模型。仿真结果表明,该模型不仅提高15%的精确度,而且具有全局搜索能力和很好的鲁棒性,在解决织物染色配色问题上取得了预期配色效果。     

四向穿梭车系统的提升机调度优化

提升机作为四向穿梭车系统的瓶颈资源,其调度方案的优劣与系统作业效率密切相关。针对提升机的调度问题,提出了一种调度策略。首先,将提升机调度问题转化为含运输时间的柔性作业车间调度问题,并考虑同层任务的执行顺序约束,构建提升机调度数学模型。其次,提出了一种改进型混合遗传算法对模型进行求解,该算法以混合遗传算法为基础,针对混合遗传算法易产生不合法个体导致算法搜索能力下降的问题,提出了一种个体修正方法,以增强算法的搜索能力。最后,采用某农产品冷库的实际数据对模型及改进型混合遗传算法的可行性与有效性进行了验证。结果表明,相比于仓库中实际应用的策略,改进型混合遗传算法可使任务完成时间至少减少24.66%。     

人工免疫网络的改进及其在免疫神经控制中的应用

针对人工免疫网络(AIN)搜索能力不强的问题,通过引入新生抗体的进化环节,用遗传算子代替克隆变异作为主要的搜索手段,增强了网络的搜索能力.改进网络被用于免疫神经控制中抽取控制经验,形成知识库,并指导遗传算法在线搜索.仿真结果表明,改进后人工免疫网络的搜索能力得到较大提高;通过引入经验指导,能加快遗传算法的收敛速度,进一步增强了免疫神经控制的实时性.     

基于免疫量子算法的多用户检测技术研究

基于免疫算法和新的遗传量子算法,在码分多址通信系统中提出了一种解决多用户检测问题的进化计算方法--免疫量子算法(IQA).在IQA中,随机Hopfield神经网络被用于制作疫苗去提高IQA的收敛速度.另外,IQA为随机Hopfield神经网络提供良好的初始解会提高制作疫苗的性能,进一步改善每一代中量子种群中的适应度.通过在DS-CDMA系统进行Monte Carlo仿真,IQA算法的有效性和可行性被证实.仿真结果表明所提的IQA检测器的误码率性能优于其他的次优检测器,接近于最优检测器的理论下限.     

基于克隆遗传量子算法的多用户检测

基于免疫克隆选择理论和遗传量子算法,提出了一种解决CDMA系统多用户检测问题的克隆遗传量子算法.通过使用克隆选择算子和遗传量子算法的理论,新算法能执行随机搜索和经验学习.所提的算法把随机神经网络嵌入到克隆遗传量子算法的每一代中.通过结合随机神经网络到CGQA中,可以加快CGQA的收敛速度、减少计算复杂度.另外,CGQA所提供的好的初值可以改善SHNN的性能,嵌入的SHNN还提高了CGQA的性能.在讨论了使用新算法设计多用户检测器的性能特点后,在CDMA系统进行了计算机仿真并和一些多用户检测器进行了比较.仿真结果证明了文中所提多用户检测器的抗多址干扰能力和抗远近效应能力都优于一些应用以前算法的多用户检测器.     

基于免疫遗传算法的模糊神经网络在交流伺服系统中的应用

为了满足交流伺服系统高精度、快响应的要求，结合免疫遗传算法寻优速度快和模糊神经网
络控制不依赖于控制对象的优点，设计了一种基于免疫遗传算法优化的模糊神经网络控制的交流伺服系统
。采用免疫遗传算法优化模糊神经网络控制器中隶属函数的平均值、标准偏差以及隶属函数层与规划层的
连接权值。实验和仿真结果验证了该控制策略的可行性。该方法对于系统调节和设定值跟踪均具有很好的
控制效果，而且具有很好的抗干扰性能和较强的鲁棒性，使交流伺服系统具有良好的动、静态性能。     

HGA-COFFEE:多序列比对问题的混合遗传算法求解

针对生物序列分析中的多序列比对问题，设计了一个求解多序列比对问题的混合遗传算法（与之相应的软件称为HGA-COFFEE），该算法采用COFFEE函数作为个体的适应度函数，构造了5种新的遗传算子，包括1种选择算子，2种交叉算子和2种变异算子，其中一种变异算子基于COFFEE的一致性信息设计，以改善算法的整体搜索能力；另一种变异算子基于动态规划方法设计，以增强其局部搜索能力。最后，通过对BAliBASE中144个测试例的测试，证明该算法是有效的，与已有的算法相比，该算法对处于朦胧区和具有N／C末端延伸的序列比对问题有更强的问题求解能力。     

应用神经网络粒子群算法的多用户检测

为了减少最优多有户检测器的计算复杂度,提出了一种融合粒子群优化算法和神经网络的神经网络粒子群优化算法,并设计了一种解决CDMA通信系统的多用户检测问题的新方法。该方法是把神经网络嵌入到粒子群优化算法的每一代中以改进算法性能。通过混合神经网络到PSO中,还可以加快PSO的收敛速度,减少计算复杂度。仿真结果证明了所设计的检测器无论抗多址干扰能力和抗远近效应能力都优于应用Hopfield神经网络、遗传算法和粒子群算法的多用户检测器。     

基于罚函数与水波优化的WSN定位算法

为了提高启发式定位算法的搜索效率和定位精度,提出了基于罚函数和水波优化的无线传感器网络（WSN）定位算法.首先利用bounding-box方法构造罚函数,提高算法搜索的效率和定位精度;然后利用动态学习策略对传统水波优化算法的传播阶段进行改进,促使个体对周围优秀个体的学习,并通过动态波高提高个体在后期局部搜索的概率,进一步提高搜索效率和求解精度.仿真结果表明,罚函数策略与改进水波优化算法能提高搜索效率和定位精度,所提出的算法在WSN节点定位上有较好的可行性和有效性.     

面向协作机器人的零力控制与碰撞检测方法研究

为了解决协作机器人柔顺交互控制问题，本文对机器人的零力控制和碰撞检测方法进行了深入研究。首先将逆运动学问题转化为（Newton-MP）广义逆和牛顿下山法的迭代求解问题。其次，针对协作机器人的零力控制问题，建立了基于速度三次摩擦力模型的完全动力学方程。对摩擦力模型进行遗传算法多参数辨识。再次，提出了基于One-Class卷积神经网络的碰撞检测方法，构建了无碰撞数据集，解决了传统碰撞检测方法建模不准确的问题。最后，通过实验证明，本文提出的Newton-MP优化方法具有良好的性能，绝对误差达到0.00013mm。与理想摩擦力模型进行对比，采用基于速度的三次摩擦力模型拟合出的摩擦力能够更好适用于零力控制。将外力矩观测器与One-Class卷积神经网络碰撞检测进行优缺点分析，可以证明One-Class卷积神经网络可以在不依靠模型的情况下，准确地检测机器人的异常碰撞。     

EMD遗传神经网络方法

针对BP(back propagation)神经网络搜索速度慢、容易陷入局部最小的缺陷,提出了经验模态分解(EMD)遗传神经网络方法,首先用对带噪的信号进行分解,得到信号的各阶本征模函数分量,每个本征模函数分量对应着一个能量不同的频段,即一种故障特征,将各频段能量的特征向量作为优化神经网络的输入样本;其次用遗传算法对神经网络的初始权值和阈值进行优化.利用EMD遗传神经网络方法对滚动轴承多类故障信号进行分析,可提高故障识别能力.     

神经网络算法在多目的地通信问题中的应用

多源多目的地通信是现代通信网络服务中的基本问题之一.该问题可被模拟为找一棵包含特定源和多个目的地的最小代价生成树,使得在一个给定的通信网络中的特定约束被满足.在总结传统方法的优、缺点的基础上,应用神经网络算法对该问题进行了求解.     

基于变异学习的药物构效关系模式分类法

提出一类用于预测药物活性的神经元模式分类器及其神经网络进化学习新算法－－变异基遗传法。该算法仅采用变异算子进行局部优化搜索,并利用随机初始化技术使算法在局部搜索功能提高的同时仍有可能寻找到全局最优解。该研究以有机氟农药为例,将基于变异学习的神经元模式分类方法应用于药物构效关系的识别研究,实验结果表明,该方法能有效地辨识药物构效关系模式,模式分类识别正确率优于其他神经元模式分类法。     

用遗传算法求解网络最短路效率

为提高求解大型网络最短路问题(SP)的效率,采用遗传算法求解。应用可变长编码提高算法运行效率,通过构造杂交、变异算子,以其提供的一种全局搜索能力来提高解的质量及加快种群收敛速度,从而提高运算效率。因杂交及变异而产生的不可行解,则通过一个简单的修复函数,将其修复为可行解,并使它们加入遗传运算且保持种群的多样性,使遗传算法能更高效的运行。通过对大型网络最短路问题的数值实验,在同一网络中,遗传算法的运行时间明显少于Dijkstra算法,求解效率优于Dijkstra算法。     

一种大规模小波神经网络的拟牛顿学习算法

为解决大规模小波神经网络的优化问题,提出了一种快速的拟牛顿学习算法,即使用改进Wolfe线搜索的仅存储梯度向量拟牛顿算法．该算法每次迭代中最多计算两次梯度,并且计算中仅需存储递度向量,避开了近似Hessian矩阵的存储问题,从而大大降低了计算量和存储需求．仿真验证了算法的有效性和可行性．     

进化Elman神经网络模型与非线性系统辨识

建立了一种采用改进的自适应遗传算法实现动态递归的进化E lman神经网络模型。提出了对网络的结构、权重、结构单元的初始输入和自反馈增益因子同时进化的学习算法。用初始状态优化的E lman网络集成反馈学习算法和E lman网络在线训练两种动态辨识算法形成的集成化动态递归网络辨识算法,实现了超声马达的速度辨识。模拟结果表明,提出的算法不仅实现了动态递归网络的全自动优化设计,而且明显提高了动态递归网络模型辨识算法的收敛精度,为非线性系统辨识提供了一条新的途径。     

基于改进的遗传神经网络入侵检测系统

针对单独使用遗传算法不能在短时间内寻找到接近最优解的问题,采用改进的遗传算法来优化神经网络权值,能很好地与BP算法结合。用Matlab进行仿真实验,实验结果表明:改进的BP神经网络在入侵检测中有着巨大的应用潜力,识别率普遍达95%以上。     

一种求解N皇后问题的优化组合遗传算法

基于遗传算子优化组合思想,采用二进制编码方式,选择矩阵遗传算子和布尔遗传算子组合应用对N皇后问题求解,避免了常规遗传算法的杂交率和变异率选取.从N皇后问题的约束条件角度,构造适应度评价函数,保证了算法的全局收敛性.实验结果表明,本文算法具有良好的搜索效率和求解质量,运行一次在收敛代数内可以搜索到多个解,当皇后数N较大时,搜索到解的效率越明显好于常规遗传算法.     

基于模拟退火与遗传算法结合的神经网络图像分割

为解决运用Hopfield神经网络优化算法处理图像分割存在的收敛速度与局部最优的矛盾,采用模拟退火策略与遗传算法结合的优化方法来改进传统的优化算法,对迭代收敛后的Hopfield网络在局部范围内运用模拟退火遗传算法,以搜索阈值平面全局最优解,进行图像分割。实验证明,采用此方法可以得到较好的分割效果。