RBF网络做函数逼近的改进研究

阐述了利用神经网络做函数逼近研究的必要性和合理性.通过实验发现：直接利用RBF网络（direct radial basis function networks,DRBFN）做函数及其导函数逼近时的缺点,在对此结论合理分析的基础上,给出间接利用RBF网络（indirect radial basis function networks,IRBFN）做函数及其导函数的逼近方法.仿真实验表明：改进后的网络性能有了较大提高,同时,根据实验结果提出了一个猜想.     

自适应分层遗传算法在函数优化中的应用

通过分析基本遗传算法在函数优化中的应用，研究其不收敛和收敛慢的原因，并在此基础上提出了自适应分层遗传算法。通过实验，证明了改进算法的优越性。     

代数函数逼近及其应用

给出了一种代数函数逼近的定义，并且指出此种逼近可用来求实函数的零点和一阶常微分方程数值解。     

复合多层RBF网络及其在偏微分方程数值解中的应用

针对多层径向基函数网络具有很高的实函数逼近能力,但每个聚类上的逼近精度不高的特点,通过引进子网络,构造复合多层径向基函数网络。模拟实验表明:这种网络可提高逼近精度,尤其对于实函数逼近精度更高;将该网络应用于偏微分方程的求解,可以克服传统径向基函数插值法因为引入导数边界条件而精度大幅下降的缺点,使得数值解的精度提高3~4个数量级。     

自适应分层遗传算法在函数优化中的应用

通过分析基本遗传算法在函数优化中的应用,研究其不收敛和收敛慢的原因,并在此基础上提出了自适应分层遗传算法.通过实验,证明了改进算法的优越性.     

自适应遗传算法在多边多议题协商中的应用

为了使基于智能体电子商务中协商智能体最大限度地达到协商的最优解,并且提高协商的效率,提出将自适应遗传算法AGA应用于基于智能体电子商务的多边多议题同时出价的协商中. 经过1000次实验,标准遗传算法SGA平均需要210次才能达到协商的最优解,而AGA平均仅需要187次. 这表明,在基于智能体的电子商务中,自适应遗传算法可以使多边多议题协商中的智能体高效达到协商的最优解.     

改进自适应遗传算法在函数优化中的应用研究

为了改善传统自适应遗传算法的收敛速度以及局部收敛问题,根据种群适应度的集中程度,以种群的最大适应度、最小适应度以及适应度平均值这3个变量为基础,设计了改进的自适应交叉概率和变异概率来调整整个种群的交叉概率和变异概率,提出了一种基于种群适应度集中程度的改进自适应遗传算法.将该算法应用于函数优化中,仿真结果验证了其具有"快速收敛"的特点,且在很大程度上可避免遗传算法的早熟现象.     

遗传RBF网络在织物染色配色中的应用

讨论了具有非线性、不确定特性的织物染色配色过程建模与仿真问题。针对传统的织物染色配色方法效果差、精确度不高和难以达到期望结果的问题,结合RBF神经网络的特点,提出了用基于遗传算法训练的RBF神经网络,同时优化网络的参数,并利用遗传RBF神经网络建立织物染色配色模型。仿真结果表明,该模型不仅提高15%的精确度,而且具有全局搜索能力和很好的鲁棒性,在解决织物染色配色问题上取得了预期配色效果。     

改进自适应遗传算法在BP神经网络学习中的应用

针对遗传算法容易产生局值的问题,提出一种新的自适应遗传算法,改进遗传算子,通过比较两代之间的适应度评估值,选取适合的交叉率和变异率,保证了优秀个体进入下一代,而且避免了种群中最大适应度值的个体的交叉率和变异率为0的情况.最后,将改进后的算法应用于库存控制模型,实验表明,改进后的自适应遗传算法能避免局值,提高网络的收敛速度,改善了网络的学习性能.     

自适应遗传优化BP网络的研究与应用

针对遗传算法易出现种群多样性被破坏、早熟收敛的问题,在Srinivas的自适应遗传算法(AGA)的基础上,引入种群多样性的度量参数,提出一种改进的自适应遗传算法(MAGA),利用种群多样性和适应度的变化趋势调整交叉和变异概率,继而提出基于MAGA优化BP(back-propagation)神经网络的流量分类方法(MAGA+BP),兼顾了MAGA和BP算法分别在搜索全局和局部最优解方面的优势. 在剑桥大学共享的网络流量数据上进行了仿真实验,结果表明,MAGA较好地维持了种群的多样性,克服了AGA早熟收敛的问题,搜索到最优解的适应度提高了10.17%, MAGA+BP方法对流量数据具有较好的分类效果.     

基于实数编码的自适应遗传算法及应用

为了解决遗传算法(GA)存在的早熟收敛、收敛速度慢等不足,从编码方式及遗传算子操作等几个方面对其作了改进,提出了一种基于实数编码的自适应遗传算法(RAGA).基于典型复杂函数的优化仿真结果表明,该算法的全局收敛速度和命中全局最优值的几率相对标准遗传算法(SGA)有较大提高.     

工程车辆自动变速挡位决策的遗传径向基神经网络方法

为了能通过4个挡位的控制使液力变矩器在高效区工作,提高工程车辆自动变速传动系统的效率,利用径向基函数(RBF)神经网络较强的输入输出映射功能提出了一种基于径向基函数神经网络的工程车辆自动变速控制方法。以ZL50E装载机传动试验台换挡控制试验的数据为样本,采用遗传算法对RBF神经网络进行训练,并进行了验证性的仿真试验。仿真结果表明:该方法能够根据车辆运行状态确定最佳挡位,从而及时、准确地满足工程车辆自动换挡的要求。     

一种基于自适应迁移策略的并行遗传算法

分析了传统并行遗传算法的局限性,针对其迁移固定不变盲目性等缺点,提出了一种适合在当前多核计算机上运行的基于自适应迁移策略的并行遗传算法(AMPGA),该方法将遗传算法同当前个人计算机体系结构相结合,使新的并行遗传算法在主流计算机上并行执行,加快算法的收敛速度,充分挖掘出计算机的计算能力,很大程度地提高了传统并行遗传算法的计算性能。数据仿真实验表明,该算法与传统并行遗传算法相比,收敛速度快、求解精度高,并行效率也明显提升。     

一种自适应递阶遗传算法

针对简单递阶遗传算法的不足 ,首先提出了个体浓度的概念 ,以衡量种群的多样性 .结合个体浓度和进化代数 ,提出一种自适应递阶遗传算法 ,该算法不但可以提高种群的多样性 ,而且可以保证收敛性和快速性 .应用实例表明了本算法的有效性 .     

自适应分层交互式遗传算法及其应用

针对交互式遗传算法存在用户易疲劳问题，提出基于求同算子的自适应分层交互式遗传算法，给出分层的思想、分层时机的选择以及分层方法，分析算法的效率，将其应用于服装设计中，实验结果验证了方法的有效性。     

一种新型动态RBF网络自适应控制器

在选择节点激活的基础上,设计利用动态ＲＢＦ逼近非线性函数的神经网络自适应控制器,提出了催眠／唤醒（激活）技术,由于对动态网络中的某些节点进行了催眠,从而使网络规模最小。依此设计仿射非线性系统自适应控制器,得到了基于Ｌｙａｐｕｎｏｖ稳定性定理的网络权值更新律,同时引入了滑模控制,对由网络内在逼近误差、忽略不活动节点及暂时睡眠节点所引起的扰动项进行补偿,这样就确保了系统的稳定性。仿真结果表明,与仅采用选择节点激活技术的控制器相比,采用催眠／唤醒（激活）技术的控制器具有更优的跟踪性能、更小的网络规模和更短的执行时间。