一种新的差分进化约束优化算法

对于约束优化问题,目前提出的差分进化算法大多采用罚函数法,但此方法对罚参数有很强的依赖性.基于此,把约束优化问题中的约束条件当作一个目标函数,从而把约束优化问题转化为有两个目标函数的多目标优化问题.借鉴多目标优化中的Pareto的概念,对种群中的个体规定等级,便于在优胜劣汰过程中确定选择概率.同时,在算法陷入局部最优时,采用一种不可行解替换机制来提高算法搜索能力.对13个标准测试问题的测试结果表明,与动态惩罚函数的进化算法、可行性规则的差分进化算法、采用随机排序的进化策略以及人工免疫响应约束进化策略相比,新算法在求解精度上均具有一定的优势.     

基于线性最小二乘估计的双基地声纳定位优化算法

针对双基地声纳系统存在冗余信息的问题,基于线性最小二乘估计理论提出了一种定位优化算法,建立了T/R？R型声纳系统水下定位的数学模型。通过MATLAB软件的仿真分析,给出了影响该算法性能的各个因素,并与传统TOL算法进行了对比。仿真结果表明,采用线性最小二乘估计算法能更好地利用系统测量的冗余信息,显著提高双基地声纳基线区和侧边区的定位精度。该算法具有受基线长度和站址误差影响小等优点,是一种具有工程应用价值的双基地声纳定位算法。本文的研究可为多基地声纳定位优化问题的研究提供理论基础。     

免疫多克隆策略

基于细胞克隆选择学说，系统阐述了用于人工智能的多克隆算子。将多克隆算子用于进化算法，提出了改进的进化策略算法——免疫多克隆策略算法，并基于Markov链的有关性质，证明了该算法的收敛性。理论分析和仿真实验表明，与传统的进化策略算法相比，该算法有效克服了早熟问题，保持了抗体的多样性，而且收敛速度快。     

一种免疫克隆选择网络及其学习算法

基于生物免疫学抗体克隆选择学说,本文探讨了免疫克隆选择算法(Immune Clonal Selection Algorithm,ICSA)的网络拓扑结构,然后基于李亚普洛夫稳定性定理,分析了算法的动态特性.并构造了一种基于伪梯度的混合免疫克隆网络算法,相应函数优化的试验表明,增加基于伪梯度的搜索后,在一定程度上对ICSA的性能有较大改善.     

基于柯西变异的免疫单克隆策略

系统地阐述了基于细胞克隆选择学说的克隆算子，将其应用于进化策略，并利用柯西变异替代传统进化策略中的高斯变异，提出了改进的进化策略算法——基于柯西变异的免疫单克隆策略算法，并利用Markov链的有关性质，证明了该算法的收敛性．理论分析和仿真实验表明，与传统的进化策略算法以及免疫克隆算法相比，基于柯西变异的免疫单克隆策略算法不仅有效克服了早熟问题、保持了解的多样性，而且收敛速度比前两者都快．     

一种改进的双基地声纳马尔可夫定位算法

借鉴岭估计的思想,通过对加权矩阵特征值基准修正,提出了一种改进的马尔可夫定位算法,实现了测量误差协方差阵逆的全域性存在,解决了马尔可夫估计算法在双基地声纳定位应用中的奇点问题.利用该算法对某双基地声纳系统进行了针对定位精度的几何分布的实例仿真,定量分析利比较了3种不同组合方式下算法的定位精度.仿真实例表明,与最佳线性数据融合定位算法相比,运用改进的马尔可夫定位算法对水下目标进行定位可以获得更高的定位精度,同时在基线附近和发射站接收站两侧区域内定位性能亦有较大的提高.算法拓展了冗余数据组合估计在声纳系统中的应用范围.     

免疫优势克隆算法

借鉴生物免疫学的有关理论,该文阐述了用于人工免疫系统的免疫优势概念,包括抗体免疫优势和抗原免疫优势。进一步地,构造了不同的免疫优势算子,并结合抗体克隆选择机理,提出了一种新的混合人工免疫系统算法一免疫优势克隆算法。0-1背包问题和复杂函数优化问题的仿真试验表明,新算法具有处理类似复杂问题的能力,且性能要优于相应的遗传算法。     

一种免疫单克隆策略算法

本文系统地阐述了基于细胞克隆选择学说的单克隆算子.并将其应用于进化策略,提出了新的人工智能算法-一种免疫单克隆策略算法,该算法模拟免疫系统的自我调节、学习、自适应等机制,实现全局优化计算与局部优化计算机制的有机的结合,而且通过抗体与抗原间的亲合度计算,促进和抑制抗体的产生,自适应地调节抗体群的克隆规模.理论分析证明该算法以概率1收敛,同时利用4个标准函数对其进行全面测试,测试结果表明其收敛速度快、种群多样性好、并可有效抑制早熟现象.     

一种免疫记忆动态克隆策略算法

基于对克隆选择及免疫记忆动态过程的模拟,本文提出了一种人工智能算法,免疫记忆动态克隆策略算法,该算法模拟免疫系统的自我调节、记忆学习、自适应等机制,实现全局优化计算与局部优化计算机制的有机的结合,通过抗体与抗原的亲合度和抗体间亲合度的计算,促进和抑制抗体的产生,自适应地调节抗体群和记忆单元的克隆规模.理论分析证明该算法以概率1收敛,对多峰函数优化及货郎担问题的仿真试验表明,算法有效,而且具有全局搜索能力强,种群多样性好及收敛速度快等特点.     

一种改进的Laplacian SVM的SAR图像分割算法

当有标识的样本数量有限时,Laplacian SVM算法需要加入尽量多的无标识样本,以提高分类精度.但同时当无标识样本数很大时,算法的时间和空间复杂度将难以接受.为了将Laplacian SVM应用于SAR图像分割这样的大规模分类问题中,提出了一种改进的Laplacian支持向量机算法(Improved Laplaci...