基于协作Hopfield网络的迭代立体匹配算法

针对立体匹配算法中求解能量函数全局最小问题,提出一种基于协作Hopfield网络的迭代立体匹配算法.它采用两个具有相似结构的Hopfield神经网络协作求解匹配问题,两个网络的不同之处是匹配过程中所采用的基准图不同.然后根据左右一致性约束实现两个Hopfield网络之间的协作,从而避免落入局部最小.为加快收敛速度,该算法将视差图的最优搜索问题转换为二值神经网络的迭代收敛过程.利用局部匹配算法的结果预标记初始视差,以设定神经网络初始权重.并根据局部匹配算法中隐含的假定条件,提出了局部匹配算法视差结果的评估准则,以确定各像素的视差搜索范围,从而减少各次迭代过程中状态待确定的神经元个数.实验表明该方法在性能和收敛速度上都要优于传统的Boltzmann机方法.     

基于差分和状态空间遗传混合算法的信号配时优化

为了最大限度地挖掘现有道路的承载能力,提出了一种基于差分进化算法和状态空间模型遗传算法的两阶段混合优化算法,建立以车辆平均等待时间最小为目标的数学模型进行优化。为了解决差分进化算法在后期收敛速度变慢,容易陷入局部最优的缺点,引入改进后的状态空间模型遗传算法形成一种混合算法。然后,用所提出的混合算法对5个经典测试函数进行寻优测试,并与定时控制、差分进化算法以及状态空间模型遗传算法进行对比,实验结果表明该混合算法不仅提高了收敛速度,并且在保证了算法收敛精度的前提下缩短了迭代次数。最后,以单交叉路口为例,验证该混合算法在求解信号灯配时问题时的优化效果。     

改进的量子遗传算法及应用

针对量子遗传算法在函数优化中迭代次数多,容易陷入局部最优解等缺点,提出新的量子遗传算法.该算法的核心是采用新的量子旋转门调整策略对种群进行更新操作,有效保证了种群的多样性,可以避免算法陷入局部最优解,提高了算法的全局寻优能力.同时能以更快的速度收敛于全局最优解.通过对典型复杂函数测试,计算结果表明,提出的算法优化质量和效率都要优于传统遗传算法和一般量子遗传算法.     

改进量子遗传算法及其应用

针对量子遗传算法在多维复杂函数优化中迭代次数多、易陷入局部极值等缺点,提出新的量子遗传算法。通过搜索各种群中各染色体的最优个体,组成一个新的种群,并以此种群作为当前最优种群来确定量子门的全局最优搜索方向。引入小生境协同进化策略初始化量子种群,使量子染色体均匀分布于初值空间。以非线性连续优化问题为例所进行的仿真结果表明,该方法具有收敛速度快、寻优能力强等优点。最后,将该算法应用于化工过程的优化,取得良好的效果。     

并行遗传算法收敛性分析及优化运算

经典遗传算法（Canonical Genetic Algorihms)利用单一种群对种群个体进行交叉、变异和选择操作，在进行过程中的超级个体易产生过早收敛现象，粗粒度并行遗传算法利用多个子群进行进化计算，各子群体分别独立进行遗传操作，相互交换最优个体后继续进化。文证明了该算法的搜索过程是一个有限时齐遍历马尔柯夫链，给出粗粒度并行遗传算法全局最优收敛性证明。对于旅行商问题TSP（Traveling Salesman Problem)利用粗粒度并行遗传算法进行了求解，以解决经典遗传算法的收敛到局部最优值问题。仿真结果表明，算法的收敛性能优于经典遗传算法。     

基于混合神经网络的车辆路径模型研究

为有效解决现代物流配送中的车辆路径问题,发挥BP神经网络在解决分类问题和Hopfield神经网络在解决组合优化问题中的优势,依据"分而治之"策略提出了基于混合神经网络的优化模型。通过BP神经网络对一个配送中心范围内的多个配送点进行区域划分,在各子区域内使用Hopfield神经网络求得最优配送路径,从而得到质量较高的解和较快的收敛速度。基于Matlab的仿真实验结果表明,与传统的爬山算法、遗传算法相比,该模型能够获得性能更好的全局最优解。     

基于协同进化遗传算法的神经网络优化

人工神经网络的结构设计没有系统的规律可循,而基于梯度的神经网络参数优化又易于陷入局部最优解.该文研究了用带退化的协同进化遗传算法来优化神经网络结构,同时优化网络参数.将网络参数作为实数编码基因进行遗传选择,参数个体的受损率超过退化阀值时发生结构退化.退化进程由协同进化的控制个体动态控制.实验证明,该方案能够有效简化神经网络的结构和得到最优网络参数,收敛速度比常规遗传算法快.     

一种新的遗传混沌优化组合方法

在分析了遗传算法与混沌优化方法的优缺点的基础上, 提出了一种新的遗传混沌优化组合方法. 该算法能克服混沌优化在大范围内失效的缺点, 并能提高遗传算法的局部搜索能力和搜索精度. 同时证明该算法能以概率 1收敛到全局最优值. 应用该方法对 6个测试函数进行优化计算得到了比较满意的结果.     

基于改进的BP神经网络入侵检测方法研究

针对遗传算法局部搜索能力弱和收敛速度慢,在选择操作之后加上了禁忌搜索算法,并对交叉操作进行改进,最后用禁忌搜索作为变异操作,从而加快算法的收敛速度,并用此改进的遗传算法来优化BP神经网络的权值。实验证明,采用该方法优化BP神经网络权值,能克服BP神经网络收敛速度慢、局部极小问题。     

一种新的遗传混沌优化组合方法

在分析了遗传算法与混沌优化方法的优缺点的基础上,提出了一种新的遗传混沌优化组合方法.该算法能克服混沌优化在大范围内失效的缺点,并能提高遗传算法的局部搜索能力和搜索精度.同时证明该算法能以概率1收敛到全局最优值.应用该方法对6个测试函数进行优化计算得到了比较满意的结果.     

用均场退火算法解四色问题

论文首先给出了用均场退火算法(AFA)求解四色问题的神经网络结构和能量函数,为了避免网络陷入局部极小的缺陷,在均场的基础上增加了“爬山”项,使网络最终能收敛到一个全局最优或近似全局最优解。仿真结果表明,该方法较文献[4]中的离散的二元Hopfield-型神经网络和文献[7]中的瞬态混沌神经网络在收敛速度方面有明显的提高,效果较好。     

基于混沌神经网络的最短路径路由算法

飞速发展的计算机网络对路由算法的反应速度提出了更高的要求．神经网络作为一种新的组合优化计算工具。在网络路由方面的应用得到较大关注．与传统的采用串行执行方式的算法相比，神经网络路由算法以其固有的并行执行方式，以及潜在的硬件实施能力，将成为这一领域的有力竞争者．由此提出了一种基于混沌神经网络的最短路径路由算法．仿真结果表明，该算法能有效克服Hopfield神经网络易陷入局部最优解的缺点，并且在收敛速度方面有了很大改进．     

一类求解最大独立集问题的混合神经演化算法

提出一类求解最大独立集问题(MIS)的混合型神经演化算法．该算法基于空间剖分与“排除”策略，有效综合了神经网络快速收敛及遗传算法稳健全局搜索的特别优点．与标准遗传算法和神经网络算法相比，该算法显示了极高的全局优化性态与计算效率．     

基于实数编码遗传算法的混合神经网络算法

该文比较了神经网络与遗传算法的特点，提出了一种融合遗传算法和BP算法的神经网络算法设计。该方法采用了基于实数编码的改进遗传算法来替代随机设定神经网络的初始权阈值，然后由改进的LMBP算法在已由遗传算法确定了的搜索空间中对网络进行精确训练。仿真结果表明神经网络的逼近能力和泛化能力得到了综合提高，能够有效抑制遗传算法初期收敛的发生，确保了快速达到全局收敛，克服了传统BP算法精度低、收敛速度慢、容易陷入局部极小的缺陷。     

基于区间优化的神经网络全局优化方法

Hopfield神经网络被广泛应用于优化问题的求解中,而传统的Hopfield网络通常基于梯度下降法,此方法容易陷入局部极小而得到次最优解或收敛到问题的不可行解。另外,当用于训练网络样本的输入/输出数据无法精确给出,而只能以一定的范围的形式给出时,传统的神经网络学习方法就无能为力了。论文提出了一种基于区间优化的神经网络学习算法,可以很好地解决上面所提到的传统神经网络学习算法的缺点。     

一种新的基于混沌神经网络的组播路由算法

探讨了在高速包交换计算机网络中,具有端到端时延及时延抖动限制的组播路由问题,提出了基于混沌神经网络的组播路由优化算法。所提出的方法具有许多优良特性,即暂态混沌特性和平稳收敛特性,能有效地避免传统Hopfield神经网络极易陷入局部极值的缺陷。它通过短暂的倒分叉过程,能很快进入稳定收敛状态。通过计算机仿真,和其它的一些方法进行了对比,结果表明：该算法能根据组播应用对时延和时延抖动的要求,快速、有效地构造最优组播树,具有较强的实时性。     

遗传BP神经网络在大宗商品市场风险预警中的应用

研究利用遗传BP神经网络预警大宗商品电子交易市场风险的应用方法,将定量分析的思维方式引入大宗商品市场风险评价管理中.为此目的,建构了一个基于遗传BP神经网络的预警模型（GA-BPNNM）,在市场调研的基础上建立了大宗商品电子交易市场风险评价指标体系,并通过实验确定了预警模型的最佳训练函数和隐层的最佳节点数.GA-BPNNM借助BP神经网络强大的自学习能力和非线性映射能力,克服传统手段在分析大宗商品电子交易市场风险时因其定义的模糊性和诱发因素的多样性所带来的困难;同时通过遗传算法与BP网络两者相互融合优化,解决BP神经网络易落入局部最优、收敛速度慢以及遗传算法易早熟等问题.仿真测试实验表明,GA-BPNNM预测结果优于标准BP神经网络预测方法,用于大宗商品电子交易市场风险损失程度预警是有效可行的.     

A hybrid approach based on stochastic competitive Hopfield neural network and efficient genetic algorithm for frequency assignment problem

This paper presents a hybrid efficient genetic algorithm (EGA) for the stochastic competitive Hopfield (SCH) neural network, which is named SCH–EGA. This approach aims to tackle the frequency assignment problem (FAP). The objective of the FAP in satellite communication system is to minimize the co-channel interference between satellite communication systems by rearranging the frequency assignment so that they can accommodate increasing demands. Our hybrid algorithm involves a stochastic competitive Hopfield neural network (SCHNN) which manages the problem constraints, when a genetic algorithm searches for high quality solutions with the minimum possible cost. Our hybrid algorithm, reflecting a special type of algorithm hybrid thought, owns good adaptability which cannot only deal with the FAP, but also cope with other problems including the clustering, classification, and the maximum clique problem, etc. In this paper, we first propose five optimal strategies to build an efficient genetic algorithm. Then we explore three hybridizations between SCHNN and EGA to discover the best hybrid algorithm. We believe that the comparison can also be helpful for hybridizations between neural networks and other evolutionary algorithms such as the particle swarm optimization algorithm, the artificial bee colony algorithm, etc. In the experiments, our hybrid algorithm obtains better or comparable performance than other algorithms on 5 benchmark problems and 12 large problems randomly generated. Finally, we show that our hybrid algorithm can obtain good results with a small size population.     

一种神经网络参数扰动算法及其在机械手控制中的应用

基于Ｈｏｐｆｉｅｌｄ型网络的收敛特性和Ｋｉｒｐａｔｒｉｃｋ等的模拟退火算法的思想，提出了一种克服Ｈｏｐｆｉｅｌｄ网络的局部极值问题的网络参数扰动算法，它具有类似ＳＡ算法的随机退火的特性。文中通过大量数字模拟分析了该算法的退火性能。