基于二重积分定义的神经网络求数值积分方法研究

针对x-型或y-型二重积分的数值计算问题,提出了一种求解二重积分的神经网络模型及学习算法.该方法初始时在积分区域内的两个方向上各自任意选取一定的节点,然后用神经网络来优化网络权值,最后得到比较精确的积分结果.通过3个典型算例,计算机仿真实验结果表明,提出的神经网络算法相比传统的计算二重积分的方法(如:复化Simpson法、复化Trapezium法),具有计算精度较高、收敛速度快等特点.     

基于优进策略的新差分进化算法动力学模型参数的估计

为准确估计反应动力学参数,针对标准差分进化算法(DEA)全局寻优效率偏低的弱点,提出一种优进策略的差分进化算法(EDEA).它将确定性寻优的单纯形(SM)算子引入随机的DEA中.DEA将依概率调用SM寻优操作,测试结果表明,EDEA克服了DEA的缺点,比其它方法全局寻优性能好.该法成功的用于重油热解三集总动力学复杂数学模型的非线性参数估计,效果良好,结果有改进,显出EDEA的优越性.     

基于Pareto最优解集的多目标粒子群优化算法

本文结合Pareto支配思想、精英保留策略、锦标赛和排挤距离选择技术,对传统的粒子更新策略进行改进,给出了一种新的粒子淘汰准则,提出了一种基于Pareto最优解集的多目标粒子群优化算法。最后,通过7个多目标标准测试函数进行测试。测试结果表明,该方法有效可行,其性能优于如NSGAII、SPEA2等多目标优化算法。     

基于GA的MTSP问题实现

多旅行商问题(Multiple Traveling Salesperson Problem,简称MTSP)是讨论m位旅行商如何访问n座城市,要求每个城市都被访问,且仅被访问一次,求得所有旅行商经过的路径和最小。本文通过对MTSP特点的分析,依据遗传算法的基本思想,对编码和遗传算子进行合理选取。通过仿真表明,该优化方法能够取得较优解。     

最优化问题全局寻优的AFSA-BFGS混合算法

针对人工鱼群算法在优化后期收敛速度变慢问题,利用BFGS算法快速的局部搜索能力来改进,提出了一种最优化问题全局寻优的AFSA-BFGS混合算法。通过8个标准函数测试结果表明,AFSA-BFGS混合算法,不仅具有全局收敛性能,而且还具有较快的收敛速度和更高的求解精度,是求解优化问题的一种有效方法。     

一种基于AFSA与RST分类规则挖掘算法

利用人工鱼群算法对信息系统的数量型属性进行离散化,然后用RST进行分类规则挖掘,再将AFSA与RST相结合,提出了一种基于AFSA与Rsr分类规则挖掘新算法,该算法不仅有效地解决了利用粗糙集进行分类规则挖掘时数量型属性的离散化问题,而且可挖掘出所要解决问题的一般分类规则.实验表明该算法是有效和正确的.     

基于混沌序列的多种群入侵杂草算法

针对入侵杂草优化算法存在的早熟现象,提出一种基于混沌序列的多种群入侵杂草优化算法。首先,算法初始化时,利用混沌序列初始化种群提高初始解的质量;其次,在算法迭代过程中,若个体的聚集程度小于阈值时,再次用混沌序列重新初始化种群,使得算法迭代过程中能够有效地跳出局部极小;最后,将杂草种群分为5个种群协同合作,可有效地避免算法早熟现象,提高算法的寻优精度和收敛速度。通过对8个测试函数的测试,结果表明,所提算法获得最优值比基本入侵杂草优化算法精度提高了25％~300％;标准差提高了50％~100％。     

一种基于Lévy飞行轨迹的蝙蝠算法

针对新型元启发式蝙蝠算法存在收敛速度慢、求解精度低的现象,文中提出一种基于Lévy飞行轨迹的蝙蝠算法.该算法具有易跳出局部最优,收敛速度快且求解精度高等特点.通过对12个典型的测试函数进行仿真实验,结果表明该算法是有效、可行的,且在求解高维空间问题中也表现出优越的逼近性能.     

用双种群进化策略算法求解复函数方程的根

分析了导致进化策略早熟收敛的原因,提出了一种新的双种群进化策略算法,进化分别在两个不同的种群间并行进行,两个种群采用不同的变异算子。将该算法用于求复函数方程的解,该方法具有计算精度高、自适应性强等特点,最后的实例表明该算法优于传统的迭代法、下山法等方法。其目的为求复函数方程的根给出一新算法,该算法在科学与工程计算中有着重要地应用。     

一种基于蜜蜂双种群进化的遗传算法

提出了一种基于蜜蜂双种群进化的遗传算法（BDPGA）。算法共有两个种群,一个是通过迭代进行遗传操作得到的,一个是在每代进化过程中随机引入的。每个种群中的最优个体作为蜂王分别以概率与其它个体（雄蜂）进行交配操作。既能增强对种群最优个体所包含信息的开采能力,又能提高算法的勘探能力,从而避免算法过早地收敛。实验结果表明,该算法对于改进和提高遗传算法性能是有效可行的。