分布时滞的脉冲神经网络的稳定性分析

讨论了具有无穷分布时滞的脉冲神经网络的全局指数稳定性.利用Lyapunov-Krasovskii泛函和线性矩阵不等式,得到了神经网络的全局指数稳定的充分条件.同时,推广了已有文献的结果,降低了系统的保守性.通过实例说明了所得结论的实用性.     

基于子空间优化的l2-总变分图像恢复

交替方向法被广泛用来求解总变分图像恢复问题, 鉴于其搜索方向的不精确性对算法效率和图像恢复质量有着一定影响, 提出了一种矫正方法。该方法以子空间优化为基础,结合能量函数泰勒展式及可微函数性质, 利用先前搜索方向对当前方向进行有效矫正, 提高了搜索方向的精确性。数值实验利用算法运行时间和峰值性噪比分别说明了该修正方法的效率和图像恢复质量。     

基于l1-非凸非光滑函数的图像恢复方法

针对有整齐边界且加性噪声满足均匀、椒盐、拉普拉斯等非高斯分布的图像,根据逐步拟合及变量转换思想,提出一种基于l1-非凸、非光滑函数的逐步非凸图像恢复方法。根据原始非凸、非光滑函数建立一组拟合函数,获得原始问题的优良初始值,利用变量转换解决l1-非凸、非光滑函数的非可微性问题。实验结果表明,该方法恢复的图像效果较好,峰值信噪比较高。     

一种基于GNC和增广拉格朗日对偶的非凸非光滑图像恢复方法

逐步非凸方法（GNC）和增广拉格朗日对偶在非凸非光滑图像恢复中有较高的恢复性能.然而分别使用这两种方法时GNC不能够保证全局收敛,增广拉格朗日对偶不能获得有效的初始值.为克服上述缺陷,本文通过转换原始问题为等式约束优化问题推出了一种基于GNC和增广拉格朗日对偶的组合图像恢复方法,并对其收敛性严格证明.该方法不仅可以获得有效的初始值,同时不要求问题具有凸性和光滑性.更多地,一个自适应能量函数通过对偶迭代而得到.实验结果表明推出的方法可以有效地提高图像恢复质量和算法效率.     

解一类变分不等式问题的神经网络

基于射影方法，给出了求一类变分不等式问题的一个神经网络，该模型结构简单，并能全局一致不近稳定地收敛于原问题的精确解，最后将该网络应用于最小距离问题，并作了模拟实验，结果表明该模型是可行的和有效的。     

测斜计算中插值算法优化

测斜计算中插值算法在石油工程中应用的十分广泛,而且与一般的数学插值问题不同。伴随石油开采发展,出现了各种特殊井型,而原始的插值方法不能满足现场作业的需求。根据经典插值模型的插值算法,提出了曲率半径、最小曲率和自然曲线三种典型的插值算法优化模型。理论分析和数据表明,这些插值优化公式可以满足各种测斜插值计算的需求。     

解一类非线性极大极小问题的神经网络

考虑了一类非线性极大极小问题，通过将其转化为等价非线性凸规划提出了求解它的一个神经网络模型，严格证明了新模型是Lyapunov稳定的，并且在有限时间内收敛到原问题的一个精确解。与已有模型相比，新模型结构简单，更适合硬件实现。数值实验表明，该模型不仅可行而且有效。     

双评价粒子群优化算法

提出了双评价粒子群优化算法．该算法可对迭代后的粒子进行位置和适应值的双评价,并可根据评价结果对适应值和位置不好的粒子进行柯西变异或者高斯变异,克服了标准粒子群优化算法因对迭代后粒子的优劣不进行评价而使部分粒子进行无意义的探索和开发的缺陷．实验结果表明改进的算法加快了粒子群的探索速度,提高了开发全局最优解的精度．     

差分演化算法在约束优化问题中的应用

差分演化算法的变异机制没有充分利用种群的信息,导致变异是盲目的.受到粒子群算法信息共享机制的启发,文中提出了一种多群体差分演化算法,新算法将整个种群分成多个子种群,每个子种群通过借鉴本种群的内部经验与整个种群的外部经验对变异进行指导.一方面,由于变异操作借鉴了子种群的局部信息和整个种群的全局信息,提高了算法收敛的速度;另一方面,多个子群体增强了种群的多样性,提升了算法的全局搜索能力.数值实验表明新算法具有很强的稳定性和全局搜索能力,在相同计算复杂度情况下的全局搜索能力较原始差分演化算法有明显提升,可以有效求解约束优化问题.