基于模拟退火算法的Hopfield神经网络参数优化

为解决Hopfield神经网络应用过程中参数设置的问题,在研究Hopfield神经网络的工作原理的基础上,分析了神经网络模型在求解TSP(Traveling Salesman Problem)问题过程中参数的选取,通过对输出数据进行归一化处理建立网络的评价函数,然后引入模拟退火算法对参数进行最优化选取。实验结果表明,经过参数优化过的Hopfield神经网络模型能更有效,更快速地得到TSP问题的最优解。     

神经网络融合信赖域求解非线性规划的新方法

人工神经网络在解决优化问题方面具有速度和精度的优势，将一种新的Hopfield网络模型与信赖域技术融合起来，采用逐次二次规划方法将约束非线性规划问题转换成一系列的二次规划子问题，并采用信赖域技术协调计算速度与精度之间的矛盾，同时通过Hopfield网络求解各个二次规划子问题，得到原来规划问题的最优解，通过对大量函数进行仿真计算，取得了很好的仿真结果。     

一类求解八皇后问题的神经网络模型

通过研究离散的Hopfield神经网络模型,运用神经优化计算的方法,采用计算能量函数,建立了组合数学中八皇后问题的各类神经网络模型。并用V－C^ 语言进行计算机模拟,得到八皇后问题的不同解答。     

连续型Hopfield神经网络求解设备布置问题

主要利用连续型Hopfield人工神经网络进行了设备布置问题的优化求解计算。讨论了连续型Hopfield人工神经网络的模型，以及求解设备布置问题的一般方法。仿真结果表明，利用连续型Hopfield人工神经元网络进行设备布置优化计算，求解质量稳定、速率快，有较好的应用前景。     

连续Hopfield网络在热传导有限元计算中的应用

连续Hopfield网络是一个能收敛的稳定网络,如果一个系统的优化问题可以用"能量函数"作为目标函数,则总可以用连续Hopfield网络对其进行求解。依据热传导有限元特点,将有限元计算问题转化为带约束的非线性优化问题,找出了优化目标函数,并给出求解该问题的改进Hopfield(TH)网络;最后对一个简单温度场神经计算进行数值仿真,仿真结果表明连续Hopfield神经网络能完成有限元模型的求解。     

一种具有连续滞后神经元的Hopfield网络求解TSP问题的算法

提出了一种具有连续滞后神经元的Hopfield神经网络体系结构,有效地解决旅行商问题(TSP).对连续滞后神经元的Hopfield神经网络结构和整个网络的计算性能进行了研究.理论上通过模拟随机生成的具有连续滞后神经元的Hopfield神经网络证明网络的优越性.通过模拟TSP问题的应用来说明此算法的计算效率.仿真结果表明,具有连续滞后神经元的Hopfield神经网络在解决TSP问题时,无论从处理时间和解决质量上来看都优于传统的Hopfield神经网络和二元连续Hopfield神经网络.     

基于模拟退火的Hopfield网全局优化方法

为了改进Hopfield神经网络在多极点函数优化和组合优化中存在的某些缺陷,并影响着一些优化问题求解中的正确性和有效性的现实问题,将模拟退火智能优化算法与Hopfield神经网络有机结合,优势互补,提出了一种基于模拟退火的Hopfield神经网络混合全局优化算法(SA-HNN),新算法很大程度上避免了Hopfield神经网络优化陷入局部极小的缺陷,同时兼顾了算法的效率.通过典型的多极点函数优化和TSP组合优化问题求解,实验表明:SA-HNN混合优化算法具有帮助Hopfield网络摆脱局部极小点的能力并能得到较好的结果,有一定的工程实用价值.     

一种基于模拟退火和Hopfield神经网络求解TSP算法

针对Hopfield神经网络解旅行商问题（TSP）经常出现无效解和局部优化解。将模拟退火智能算法与Hopfield神经网络相结合,提出了一种混合优化算法（SA-HNN）,同时合理地修改了Hopfield神经网络的能量函数,确立网络参数。这种方法在很大程度上避免了Hopfield神经网络优化陷入局部极小的缺陷,大量实验证明了该算法具有收敛速度快,可避免无效解,易获得全局最优解等优点。     

禁忌搜索算法求解旅行商问题研究

设计了一种基于Matlab实现的禁忌搜索算法，用以求解组合优化难题中的典型代表旅行商问题（TSP）。分别对Hopfield原始10城市和中国旅行商问题进行了测试，所得结果都能达到或优于公布的最优解，与传统的Hopfield神经网络求解TSP相比，禁忌搜索算法具有强健，快速和高效的特点。     

应用Hopfield神经网络优化最大熵的图像恢复算法

基于图像最大熵分析,提出了一种基于Hopfield神经网络优化的图像恢复算法.将图像恢复问题转化为Hopfield神经网络优化问题,取恢复图像熵函数最大以及原始图像与恢复图像之间的误差平方和最小作为图像恢复的目标,构造能量函数连续型Hopfield神经网络模型,由Hopfield神经网络能量函数极小化可得到问题的优化解,其算法通过仿真实验,验证了算法的优越性.     

高速收敛混沌粒子群算法的云计算任务调度

针对传统粒子群算法在处理云计算任务调度问题时,存在求解精度不高、容易陷入早熟收敛等缺陷,提出一种改进的高速收敛混沌粒子群算法.首先,采用混沌序列对初始化过程进行优化;其次,利用适应度方差对早熟现象进行有效诊断,并对算法在负梯度方向进行修正,使其跳出局部最优,实现高速收敛.仿真实验表明:改进后的粒子群算法能有效地避免早熟,收敛速度及求解精度都明显提高,非常适合云计算任务调度.     

一种解决TSP问题的自适应协同演化计算方法

针对遗传算法和蚁群算法存在运行时都会出现停滞、早熟等现象,且容易陷入局部最小的特点,提出了一种将两者结合协同演化运行的方法,通过建立对这两种算法状态的评估函数来动态判断其运行状态是否正常,进而动态调整运行的算法,从而最大程度地避免了这两种算法运行时的缺点.对TSP问题进行了实验测试,结果表明：此方法在收敛速度、寻优结果上都较上述两种算法单独运行有着明显的优势.     

基于信息素改进的蚁群算法

蚁群算法是一种优秀的启发式算法,具有较强的鲁棒性。针对基本蚁群算法在求解过程中容易出现收敛时间过长以及容易陷入局部最优的不足。本文提出了一种改进的蚁群算法,该算法通过在信息素挥发系数上增加一个收敛函数,加快了收敛速度;通过信息素增量与优秀路径选择相结合,引导算法收敛到最优路径,实验结果表明,改进后的算法在收敛速度和全局寻优能力上有了较大的提高。     

基于同步扰动随机逼近的混合萤火虫算法

针对标准萤火虫算法(FA)中存在的种群过早收敛、容易陷入局部最优等不足,提出一种以memetic算法为框架、将同步扰动随机逼近和萤火虫算法相结合的混合算法(FA-SPSA),即首先使用萤火虫算法对种群进行全局寻优,然后使用同步扰动随机逼近算法对选出的部分最优个体进行局部搜索,从而增强萤火虫算法跳出局部最优解的能力。通过6个标准测试函数对FA-SPSA算法的性能进行检验,并与标准萤火虫算法、果蝇算法、改进的果蝇算法等其他4种算法进行比较,结果表明,FA-SPSA算法在寻优精度、收敛速度、鲁棒性等方面的性能总体上优于对比算法。     

基于K-means的改进差分进化聚类算法

K-means聚类算法简单,收敛速度快,但是聚类算法的结果很容易受到初始聚类种群的影响,往往导致局部最优。差分进化算法具有很强的全局收敛能力和鲁棒性,但其收敛速度较慢。为此,将K-means聚类算法和差分进化算法相结合,提出一种基于K-means的改进差分进化聚类算法。该算法设置在一定范围内随迭代次数动态增加的交叉算子,以使算法在迭代过程中先进行全局搜索,再进行局部搜索,这样有助于平衡算法的全局寻优和局部搜索能力,并且加快了算法的收敛速度。最后,通过实验测试了算法的有效性。     

Adaptive swarm-based routing in communication networks

Swarm intelligence inspired by the social behavior of ants boasts a number of attractive features, including adaptation, robustness and distributed, decentralized nature, which are well suited for routing in modern communication networks. This paper describes an adaptive swarm-based routing algorithm that increases convergence speed, reduces routing instabilities and oscillations by using a novel variation of reinforcement learning and a technique called momentum.Experiment on the dynamic network showed that adaptive swarm-based routing learns the optimum routing in terms of convergence speed and average packet latency.     

一种新的计算机视觉算法

受蚂蚁金服计算机视觉项目组委托,为了提高计算机视觉的识别效率和准确率,利用机器学习的思想开发自动进化图像学习机,将MATHEMATICA Cloud作为改学习机的计算云、搜索云,将学习函数和决策函数嵌入到学习机中,从而实现由学习机录入图像并导入MATHEMATICA Cloud进行计算和搜索的功能,利用搜索结果来锻炼学习机的学习函数,利用计算结果来锻炼学习机的决策函数,从而实现高效率的识别速度与高准确率的识别效果.基于蚂蚁金服提供的验算实例进行仿真实验,并从计算速度、收敛情况、识别精度等方面同现在常用的识别算法进行对比,结果显示:新算法的图像识别能力颇佳,与传统算法相比,新算法具有更快的计算速度、绝对收敛性和远高于传统算法的识别精度.     

融合正弦余弦算法的蝴蝶优化算法

针对蝴蝶优化算法存在收敛速度慢、求解精度差和易陷入局部最优等缺陷,提出一种融合正弦余弦算法的蝴蝶优化算法。首先在蝴蝶自身认知部分引入非线性自适应因子,其次重新定义香味浓度计算公式,最后在局部搜索阶段引入改进的正弦余弦算法。通过19个基准函数的测试,实验结果表明,本算法在收敛速度、寻优精度和鲁棒性方面均优于蝴蝶优化算法(Butterfly Optimization Algorithm,BOA)、正弦余弦算法(Sine Cosine Algorithm,SCA)、樽海鞘群算法(Salp Swarm Algorithm,SSA)、狼群算法(Grey Wolf Optimizer,GWO)和布谷鸟搜索算法(Cuckoo Search Algorithm,CS),与其他改进蝴蝶优化算法相比,在寻优精度方面也具有一定优势。     

基于二次插值的人工蜂群算法

人工蜂群算法是一种基于蜜蜂采蜜行为的一种优化算法.针对标准人工蜂群算法的收敛速度慢、搜索能力差、精度低的缺点。提出了一种基于二次插值的人工蜂群算法(QIABC)。保持全局搜索和局部搜索的平衡.数值实验说明了改进的人工蜂群算法在函数评价次数、收敛速度、精度和鲁棒性方面具有较大的优势,从而表明改进方法的有效性。     

遗传算法在低副瓣天线阵综合中的应用

应用遗传算法进行低副瓣天线阵的综合。针对低副瓣天线阵综合的特点,通过构造适当适应度函数,大大减少了计算量,通过对适应度函数进行非线性变换,增强了遗传算法的搜索能力,由于遗传算法固有的稳并行性、鲁棒性和简单易行等特点,提高了计算效率,可以获得全局最优解,并且收敛稳定,获得了良好的结果。