排序方式: 共有98条查询结果,搜索用时 15 毫秒
1.
自适应动态重组多目标粒子群优化算法 总被引:1,自引:0,他引:1
提出一种自适应动态重组粒子群优化算法. 该算法采用凝聚的层次聚类算法, 将种群分成若干个子群体, 用一个精英集对非支配解进行存储; 根据贡献度和多样性, 对各子群体的粒子和整个种群进行自适应动态重组; 同时引入扰动算子对精英集存储的非支配解进行扰动, 实现对精英集进行动态调整. 利用具有不同特点的测试函数进行验证并与同类算法相比较, 结果表明, 所提出的算法可加快收敛速度, 提高种群的可进化能力.
相似文献2.
为了提高粒子群算法的优化能力, 提出一种新的量子衍生粒子群优化算法. 该方法采用多比特量子系统的基态概率幅对粒子编码, 基于自身最优粒子和全局最优粒子确定旋转角度, 采用基于张量积构造的多比特量子旋转门实施粒子的更新. 在每步迭代中, 只需更新粒子的一个量子比特相位, 即可更新该粒子上的所有概率幅. 标准函数极值优化的实验结果表明, 所提出算法的单步迭代时间较长, 但优化能力较同类算法有大幅度提高.
相似文献3.
自适应分组混沌云模型蛙跳算法求解连续空间优化问题 总被引:1,自引:0,他引:1
针对经典混合蛙跳优化算法寻优精度不高和易陷入局部收敛区域的缺点,结合云模型在定性与定量之间相互转换的优良特性,提出一种自适应分组混沌云模型蛙跳算法.通过反向学习机制初始化种群,应用云模型算法对优秀子群组的收敛区域进行局部搜索更优位置,应用混沌理论在收敛区域以外空间探索全局最优位置.典型复杂函数测试表明,所提出的算法能有效找出全局最优解,适用于多峰值函数寻优. 相似文献
4.
一种量子神经网络模型学习算法及应用 总被引:4,自引:0,他引:4
提出一种量子神经网络模型及学习算法. 首先基于生物神经元信息处理机制和量子计算原理构造出一种量子神经元, 该神经元由加权、聚合、活化、激励四部分组成. 然后由量子神经元构造出三层量子神经网络模型, 其输入和输出为实值向量, 权值和活性值为量子比特. 基于梯度下降法构造了该模型的超线性收敛学习算法. 通过模式识别和函数逼近两种仿真结果表明该模型及算法是有效的. 相似文献
5.
自组织过程神经网络及其应用研究 总被引:5,自引:1,他引:5
针对与时间过程有关的模式分类问题,提出了一种自组织过程神经元网络模型.网络由输入层和竞争层组成,其输入和连接权可为与时间有关的函数,输入层结点与竞争层结点实行全互连接.网络提取输入函数所隐含的过程式模式特征,并对其进行自组织,在竞争层将分类结果表现出来.为简化计算,在输入空间中引入函数正交基,将输入函数和网络权函数表示为正交基的展开形式,利用基函数的正交性,使网络权函数的调整非时变化.给出了竞争学习和有教师示教两种学习算法,并以石油地质中沉积微相识别问题为例证明了模型和算法的有效性. 相似文献
6.
加权模糊推理网络及在水淹层识别中的应用 总被引:1,自引:0,他引:1
提出了一种加权模糊推理网络的结构模型和学习算法,该网络的基本信息处理单元为模糊推理神经元,融合了模糊逻辑能够较完整的表达领域规则和先验知识以及神经网络自适应环境的优点。根据模糊推理规则的量化表示形式和微分方程数值解的动力学思想推导出网络一种新的学习算法。该算法具有稳定,收敛速度快,且能较好避免网络学习陷入局部极值点。以油田生产复杂水淹层识别问题为例,验证了模型和算法的有效性。 相似文献
7.
8.
为提高神经网络的逼近和预测能力,提出一种各维输入为离散序列的量子衍生神经网络模型及算法。该模型为三层结构,隐层为量子衍生神经元,输出层为普通神经元。量子衍生神经元由量子旋转门和多位受控旋转门组成,利用多位受控旋转门中目标量子位的输出向输入端的反馈,实现对输入序列的整体记忆,利用受控旋转门输出中多位量子比特的纠缠获得量子衍生神经元的输出。基于量子计算理论设计了该模型的学习算法。该模型可从宽度和深度两方面获取输入序列的特征。仿真结果表明,当输入节点数和序列长度满足一定关系时,该模型明显优于普通神经网络。 相似文献
9.
10.
针对量子索引图像在量子计算机信息安全领域中的应用问题,本文提出一种基于分量和(sum of components, SoC)的量子索引图像信息隐藏算法。量子索引图像包括数据矩阵和调色板2种数据结构。基于SoC的量子索引图像信息隐藏算法首先根据颜色值分量和的奇偶性(1或0)和颜色值距离,为量子调色板中每一个颜色匹配一个符合条件的颜色组成颜色对;嵌入消息时,根据颜色对和消息比特对量子数据矩阵的像素索引值进行更新;提取消息时,量子索引图像每个像素颜色值分量和的奇偶性即为嵌入的消息,属于盲提取算法。此方法可在未来量子计算机上执行。根据经典计算机上的仿真结果从视觉质量、嵌入容量、鲁棒性和安全性4个方面验证了该方法的有效性。 相似文献