一种小规模多种群萤火虫群优化算法

针对基本萤火虫群优化算法在求解多极值函数问题时,随着极值点增多,收敛速度低、精度不高的缺陷,提出了一种小规模多种群的改进萤火虫群算法,实验仿真表明,改进后的萤火虫群算法在求解多极值函数优化问题时,所花时间明显减少且精度也得到了提高。     

学习猴群爬过程的人工蜂群优化算法

针对人工蜂群算法迭代后期容易陷入局部的缺点,将猴群算法的爬过程引入到采蜜蜂采蜜的阶段,加强局部搜索。通过仿真实验测试,与参考文献中的改进算法进行比较,可以得到提出的改进算法比原人工蜂群算法及现有的部分改进算法性能优良,能够在一定程度上跳出局部最优,得到的近似解也更加接近测试函数理论最优解。     

一种群模式全局搜索算法

由于模式搜索算法易陷入局部极值且效率低。受群智能算法的启发,结合模式搜索算法,提出一种全局优化算法——群模式全局搜索算法。该算法引入群智能的思想,包含4个操作:模式探测、模式移动、模式学习、模式扩散,具有较强的局部-全局搜索能力,且收敛速度快、稳定性好。对benchmark函数集进行仿真并与其它多个算法对比,实验结果证实该算法的有效性。     

基于代数神经网络的不确定数据知识获取方法

定义了代数神经元、代数神经网络,讨论了不确定数据知识获取的数学机理,设计出一类单输入,单输出的三层前向网络来获取知识的代数神经网络模型,给出一种基于代数神经网络知识获取的方法,通过该网络的学习,能确定任意一组给定数据的目标函数的逼近式。     

层次泛函网络学习算法及其在时间序列分析中的应用

设计了一类单输入单输出泛函网络与双输入单输出泛函网络作为构造层次泛函网络基本模型。提出了一种层次泛函网络模型,给出了层次泛函网络构造方法和学习算法,而层次泛函网络的参数利用解方程组来进行逐层学习。以时间序列中典型的Hénon映射为例,通过比较分析看出,层次泛函网络更适合于时间序列分析。计算机仿真结果表明,这种层次学习方法,对时间序列具有收敛速度快和逼近精度高等特点。     

基于对分法求解线性规划问题的神经网络方法

从数值逼近的方法出发,结合对分法的思想,提出了一种新的神经网络计算模型,我们称为对分神经网络BNN(BisectNeuralNetwork)模型;给出了一种基于对分法思想的神经网络学习算法,并用于求解线性规划问题,其目的是给线性规划求解问题提供一个新方法。     

一种基于属性集重心的多概念层数据采掘方法

文章在属性测度空间和有序分割类概念基础上,仿照力学上的重心概念,定义了属性集的重心及属性重心的高阶中心矩,将属性集重心和多概念层次生成相结合,提出了一种基于属性集重心的多概念层的数据采掘算法,特别是属性集重心概念的引入,极大地方便了人们对属性数据的采掘,提高了数据采掘结果的可信度,符合人们思维推理的习惯。并以年龄概念为例,表明了这种方法直观、切实可行。     

基于多项式根最大模求解的二分搜索算法

传统多项式根最大模求解算法的求解效率低、计算复杂.针对该问题,提出一种基于多项式根的最大模求解的二分搜索算法.该算法通过选取模的上下界确定初始搜索区间,利用判定定理判断多项式的根与单位圆的关系,从而求得多项式任意精度的最大模.仿真结果表明,该算法收敛速度快、求解精度高.     

一种新型的启发式人工鱼群算法

单一结构和机制的算法一般难以得到满意的解。为此,提出一种新型的启发式人工鱼群算法。将进化策略、粒子群算法中的信息策略加入到人工鱼群算法中,并在理论上证明该算法的收敛性。函数仿真实验表明,该算法可以避免基本人工鱼群算法陷入局部极值,且具有收敛速度快、计算精度高等特点。