基于空间收缩的并行演化算法

提出了一种基于空间收缩的求解MINLP问题的新算法。算法应用了快速有效的不完全演化搜索较优解的分布信息，通过分布信息定位最优解的可能分布，再由精英个体信息决定下次搜索空间。仿真结果表明该算法在搜索效率、应用范围、解的精确性和鲁棒性上都优于其他现存演化算法。     

基于人工鱼群神经网络的城市时用水量预测方法

城市供水时用水量预测精度对城市供水系统具有重要影响.传统的反向传播(back-propaganda,BP)神经网络预测方法容易陷入局部解,并且需要大量的训练数据.人工鱼群算法具有较优的全局收敛能力及较快的寻优速度.为此,利用人工鱼群算法对BP神经网络的初始权值和阈值进行优化,建立了一种新的时用水量预测模型.将该模型应用到华北某市时用水量的预测中,预测结果表明人工鱼群神经网络算法的均方差比BP神经网络算法的均方差小5%.实例证明,人工鱼群神经网络比BP神经网络的预测精度更高,收敛速度更快.人工鱼群神经网络算法可用于短期水量预测.     

一种训练循环神经网络的演化算法

根据演化算法具有内在的并行性、自组织、自适应和自学习性等优点,进而成功地运用到神经网络中,给出了一种能同时训练循环神经网络结构和参数的演化算法.     

粒子群优化算法研究进展

粒子群优化(PSO)算法是一种源于人工生命和演化计算理论的新兴优化技术.其基本思想为:每个粒子被随机的初始化以表示一个可能的解,并在解空间通过更新迭代搜索最优解.PSO的优势在于算法简单,对目标函数要求少,易于实现而又功能强大.目前,已受到演化计算领域的学者们的广泛关注,并提出了许多改进的算法.本文阐述基本粒子群的原理,给出了各种改进的算法,并展望了PSO的发展方向.     

热传导界面问题的一种神经网络算法

本文讨论了一种单隐层神经网络算法在数值求解热传导界面问题中的应用。该算法设定含有神经网络函数的近似解满足初边值条件和Dirichlet 界面条件,通过求解由原方程导出的关于神经网络权重的离散优化问题来训练近似解中的神经网络,以使近似解逼近真解。文中也给出了一种基于随机梯度法思想的类随机梯度法来求解相应的离散优化问题。数值算例验证了算法的有效性。     

一种暂态混沌神经网络及其应用

讨论了Hopfield神经网络算法在优化计算中的应用,提出了一种暂态混沌神经网络模型,把混沌动力学与收敛动力学相结合,使网络逐渐由混沌神经网络向Hopfield网络过渡,达到控制混沌的目的,并且提供一个在全局最优解附近的初值,然后用Hopfield网络得到最优解,有效地解决了Hopfield网络的局部极值问题.仿真结果表明算法对于初始值是稳健的,并且具有很强的克服陷入局部极小能力.     

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.     

求解线性系统的并行算法研究

研究了求解线性系统的神经网络算法,提出并证明了神经网络算法的收敛性定理,该算法不涉及矩阵的逆运算和除法运算,不受条件αii≠0的限制,对于严重病态的线性系统也能得到高精度解．给出的应用实例验证了算法的有效性．     

火星探测转移轨道的鲁棒优化设计

以设计变量存在不确定的火星探测轨道设计模型为研究对象,采用最小最大鲁棒优化方法获得该模型的鲁棒优化解.在传统的最小最大方法的基础上,考虑了决策变量的扰动,提出了一种嵌套的差分演化算法.在该算法中,内层差分演化算法计算不确定域的最差目标函数值,外层差分演化算法获得全局的鲁棒优化解.通过试验对该方法的有效性进行了验证,结果表明:该方法适合于目标函数没有解析表达式、高度非线性的问题,实际工程问题中的不确定性不可忽略.     

一种基于遗传算法和LM算法的混合学习算法

针对遗传算法与神经网络结合方式中存在的早熟收敛、泛化能力弱等问题, 提出一种交替使用遗传算法和Levenberg Marquardt算法优化神经网络的混合学习算法（GALM算法）. 该算法先通过遗传算法粗调得到一组全局最优近似解, 再以该近似解为初值, 交替使用遗传算法和LM算法优化神经网络训练, 直至发现满意的网络参数. 实验结果表明, 新算法提高了网络的学习能力和收敛速度.     

变异蚁群神经网络及其对DTC转速的辨识

将变异机制引入基本蚁群算法中，然后利用这种变异蚁群算法去优化神经网络的权值，有效地解决了神经网络容易陷入极小点的缺点，同时又远比只采用单一的基本蚁群算法提高了收敛速度，从而得到一种时间效率和求解效率都比较好的启发式方法，即变异蚁群神经网络．通过对直接转矩控制中电机转速进行辨识的仿真实验，结果表明：这种变异蚁群神经网络兼具了神经网络和蚁群算法两方面的优点，不仅具有广泛的映射能力，还明显提高了运算效率，用变异蚁群神经网络构造的转速辨识器能够准确地跟踪电机转速的变化，使系统具有良好的动态性能．     

递阶结构进化神经网络在故障诊断中的应用

主要研究进化神经网络在旋转机械故障诊断中的应用 ,提出了一种基于递阶结构的遗传算法与进化规划相结合的神经网络学习新算法 ,利用该算法可以同时对网络进行结构优化和权重求解。通过旋转机械故障分类应用实例 ,与传统的 BP训练算法作了比较 ,证明基于递阶结构的进化神经网络算法不仅在权重训练方面比传统 BP训练算法更加快速稳定 ,避免陷入局部极小点 ,而且同时对网络结构进行了优化 ,得到了结构更为简捷的旋转机械故障分类网络     

基于文化算法的PCNN自动系统的研究

脉冲耦合神经网络作为当前智能领域研究的热门课题,其多个参数的设置给实际应用造成很大的困难.而文化算法作为新型的进化算法,具有对参数自动寻优的优势,为此,提出一种基于文化算法的脉冲耦合神经网络的自动系统,并通过将其应用于图像分割,将分割结果与经典OTSU阈值分割法比较,验证了该方案的正确性与可行性.     

基于MEA的粗糙集神经网络研究及应用

将思维进化算法、粗糙集和神经网络相结合,提出一种基于MEA的粗糙集神经网络,用于变压器故障诊断。此模型采用思维进化算法全局寻优的特点,搜索粗糙集属性约简离散断点的位置以及神经网络的连接权值和阈值,避免了常规粗糙集属性约简时复杂的手工试凑以及BP神经网络收敛速度慢、精度不高等缺点,有利于更快地收敛于全局最优解,提高系统的诊断速度和准确率。仿真结果表明了方法的有效性。     

基于进化神经网络方法的矿石消费时序分析

利用神经网络建立模型，并应用遗传算法识别最佳网络结构(模型的阶数p值和隐含层节点数)，进而提出了一种用于时序分析的进化神经网络新方法。最后，将其应用于我国铁矿石消费指数的预测，取得理想的结果。     

RBF网络参数优化方法及其在开关磁阻电机建模中的应用

 基于全局搜索的进化算法——粒子群算法（QPSO）和一种局部搜索算法——结构化的非线性参数优化方法（SNPOM）,提出了一种混合的优化算法估计RBF神经网络中的参数——网络中心、线性参数、非线性参数,初始化一定数目的种群作为SNPOM的初始值,得到其适应值,通过选择、交叉、替换策略更新种群,完成网络中心初始值的寻优。再用SNPOM方法进一步优化,以提高SNPOM算法的全局搜索能力。仿真结果表明,混合优化方法比单独采用SNPOM法更优,且优于其他算法。并针对开关磁阻电机（SRM）高度非线性的开发重点和难点,用RBF网络进行SRM建模,将QPSO-SNPOM算法应用于RBF模型参数优化中,仿真实验结果表明,该算法较SNPOM算法精度更高、泛化能力更强,较遗传混合算法更快,训练后的RBF模型完全满足开关磁阻电机特性。     

思维进化算法优化模糊神经网络的变压器故障诊断

提出一种基于思维进化算法的模糊神经网络变压器故障诊断方法。该方法利用思维进化算法中的趋同和异化操作,对模糊神经网络中输入变量的隶属度函数位置参数和宽度参数以及神经网络的连接权值进行全局优化,可有效地克服常规模糊神经网络BP算法收敛速度慢、精度不高和遗传算法训练模糊神经网络速度缓慢、易陷入局部极小等缺点,有利于更快地收敛于全局最优解。并将其应用到基于溶解气体分析的变压器故障诊断中,实例表明,采用该方法具有较快的收敛速度和较高的诊断准确度,说明了该方法的正确性和有效性。     

一种新的前馈神经网络删剪算法

前馈神经网络中隐层神经元的个数与它的学习和泛化能力密切相关.通过广义逆矩阵算法解决最小二乘问题改进神经网络自构行学习算法,得到一种新的前馈神经网络删剪算法.将新算法用于已经训练好的大型网络,能删剪“冗余”的隐层神经元,得到一个最精简的神经网络.此精简的神经网络不需要重新训练仍能保持原有的性能,并且泛化能力很好.仿真实例说明此算法的有效性和可行性.     

基于遗传算法的神经网络结构优化

介绍了遗传算法的基本原理,然后利用遗传算法优化神经网络结构,形成以遗传算法与神经网络相结合的进化神经网络.经验证可知,该算法具有一定的可行性与有效性.