基于Hopfield网络的不可分稳态大系统递阶优化控制

研究了整体目标函数关于各子系统具有不可加形式的大系统稳态优化控制问题 ,针对利用多目标优化技术把不可分问题转化为可分问题时采用的迭代策略使得计算较慢的问题 ,提出了具有递阶结构的基于 IPM的 Hopfield优化网络 ,并证明了该网络是渐进稳定的 ,其平衡点为原问题的最优点 .仿真表明 ,这是解决不可分稳态大系统优化问题的有效途径.     

基于IBM的递阶优化控制网络

研究了整体目标函数关于各子系统具有不可加形式的大系统稳态优化控制问题.针对利用多目标优化技术把不可分问题转化为可分问题时采用的选代策略使得计算较慢的问题,提出了具有递阶结构的基于IBM的Hopfield优化网络,并证明了该网络是渐进稳定的,其平衡点为原问题的最优点.仿真表明,这是解决不可分稳态大系统优化问题的有效途径.     

一种混沌神经网络及其在优化计算中的应用

研究了一种具有混沌特性的神经网络 ,该网络具有瞬态混沌响应 ,类似于Hopfield网络的结构 ,但有比Hopfield网络更加丰富的动力学特征、更强的全局搜索能力。通过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 ,有效地解决了Hopfield网络的局部极值问题。该网络模型可以用来解决复杂的非线性优化问题。     

一类大规模不可分系统的分解算法

讨论了一类大规模不可分系统的优化问题。提出了一种3级递阶优化算法。该算法首先把原问题转化为可分的参数优化问题，然后再从参数优化问题的解集中挑出原问题的最优解。建立了算法的理论基础，证明了算法的收敛性。对3个例子的仿真结果表明算法是有效的。     

一种求解多处理器作业调度的Hopfield神经网络方法

多处理器作业调度是一类非常复杂的组合优化问题 ,而Hopfield神经网络通常被广泛用于求解各种组合优化问题。针对具有时间约束 (执行时间和最后执行期限 )和若干资源约束的多处理器作业调度问题 (已知是NP难解的 ) ,提出了一种基于离散的Hopfield神经网络的求解新方法。该方法直接把问题的各种约束表示为Hopfield神经网络的能量函数项 ,进而导出神经网络模型。实验仿真结果表明了该方法的有效性。     

大规模不可分组合优化问题的双环迭代算法

对于一类大规模、不可分的非线性组合优化问题，直接求解困难很大．本文把原问题嵌入到可分的参数规划问题中，并证明了原问题的最优解包含在可分的参数规划问题的最优解集中．然后从最优解集中挑出原问题的最优解．这种算法为三级算法．本文证明了算法的收敛性并建立了其理论基础，仿真效果好．     

一种混沌神经网络模型及其在优化中的应用

通过在Hopfield神经网络模型 (HNN)中引入非线性自反馈项 ,提出了一种具有暂态混沌动力学行为的神经网络模型。该模型首先经过一个倍周期倒分叉过程进行混沌搜索 ,进而进行类似HNN的梯度搜索。由于它利用了混沌搜索固有的随机性和轨道遍历性 ,因而具有较强的克服陷入局部极小的能力。两个典型的函数优化例子表明了该算法的有效性     

基于改进型能量函数和瞬态混沌神经网络的TSP问题研究

针对传统神经网络在搜索NP类问题的解时易陷于局部最优点的不足,提出了一种基于改进型能量函数(IEF)和瞬态混沌神经网络(TCNN)的优化模型,将此应用于旅行商问题(TSP)的求解,并和传统神经网络优化方法进行了比较。仿真研究结果表明,该论文所提出的方法在解的可行性以及全局最优解的获取能力方面都有很大优势,收敛速度和准确度也令人满意。     

多目标数据关联的神经网络解算

从组合优化的角度,建立了密集回波条件下多目标数据关联的数学模型,并提出连续型Hopfield神经网络解算方案,对结果进行了仿真。通过与联合概率数据关联(JPDA)方法的对比仿真,表明了该算法的有效性和快速性。     

基于Hopfield网络学习的多城市旅行商问题的解法

针对Hopfield神经网络(HNN) 学习算法难以求解大规模组合优化问题的不足，提出了基于HNN学习的多城市旅行商问题的示解算法。它是把HNN学习算法作基本算子，对城市群体按一定的规则进行有效的分割、计算攻连接，来寻找巡回路径的最优解或满意解。并以100城市的旅行商问题为例进行了仿真实验，骓证了算法的有效性。该算法不受求解问题的规模限制；还可通过并列运算实现高速化；同时因自满法简明，易于硬件实现。     

基于神经网络的实时滚动追逃博弈导弹制导律

针对导弹实时滚动追逃博弈对抗双方制导律求解问题,设置了若干组对抗双方初始状态,采用分解正交配置法分别离线求解双边开环最优控制,并组成神经网络训练数据集。基于数据集将所有短周期初始和终止时刻对抗双方的状态和控制变量作为输入和输出,采用反向传播(back propagation,BP)算法训练神经网络。然后分别在简单、复杂和不确定环境下,基于滚动时域优化框架使用BP神经网络估计短优化周期内双边开环最优控制,反馈更新对抗双方状态并重复上述过程,进而实时滚动求解导弹追逃博弈双边闭环最优控制。最后将上述方法和直接法得到的优化结果进行比较,捕捉点位置和博弈时间最大误差分别为0.554%和0.097%,两种方法的优化结果吻合较好。同时本文方法计算耗时明显下降,有效提高了导弹滚动追逃博弈制导律求解的实时性。     

Neuromorphic Continuous-Time State Space Pole Placement Adaptive Control

Abstract: A neuromorphic continuous-time state space pole assignment adaptive controller is proposed, which is particularlyappropriate for controlling a large-scale time-variant state-space model due to the parallely distributed nature ofneurocomputing. In our approach, Hopfield neural network is exploited to identify the parameters of a continuous-timestate-space model, and a dedicated recurrent neural network is designed to compute pole placement feedback control law inreal time. Thus the identification and the control computation are incorporated in the closed-loop, adaptive, real-timecontrol system. The merit of this approach is that the neural networks converge to their solutions very quickly andsimultaneously.     

Genetic algorithm for pareto optimum-based route selection

A quality of service (QoS) or constraint-based routing selection needs to find a path subject to multiple constraints through a network. The problem of finding such a path is known as the multi-constrained path(MCP) problem, and has been proven to be NP-complete that cannot be exactly solved in a polynomial time. The NPC problem is converted into a multiobjective optimization problem with constraints to be solved with a genetic algorithm. Based on the Pareto optimum, a constrained routing computation method is proposed to generate a set of nondominated optimal routes with the genetic algorithm mechanism. The convergence and time complexity of the novel algorithm is analyzed. Experimental results show that multiobjective evolution is highly responsive and competent for the Pareto optimum-based route selection. When this method is applied to a MPLS and metropolitan-area network, it will be capable of optimizing the transmission performance.     

基于线性近似和神经网络逼近的模型预测控制

针对非线性系统的模型预测控制问题,提出了一种基于线性近似和神经网络逼近的控制算法。用Taylor级数展开法对非线性系统进行线性近似时,要求对象系统中的非线性函数必须连续可微。为了突破这一限制,引入了Stirling插值公式线性近似法,拓展了可处理的非线性系统范围。通过对线性化过程中产生的非线性高阶项进行径向基函数(radial basis function, RBF)神经网络逼近,显著提高了对象系统模型精确度。为了降低数值计算复杂度,将控制性能指标函数重构为易于处理的二次型最优化问题,通过对该二次型最优化问题的求解得到了最优控制序列。控制过程考虑了约束条件的影响以模拟真实的工业生产过程。仿真结果证明了所提出预测控制方案的有效性。     

动态规划问题研究

回顾动态规划在过去一些年的发展,特别是它在多目标优化与不可分优化问题中的可喜进展.介绍了动态规划在解决多阶段均值-方差组合投资问题中的创造性应用.旨在进一步推动动态规划的理论研究,拓广它在各行各业中的应用.     

PSO-BP模型在城市用水量短期预测中的应用

为解决现有的城市用水量短期预测BP神经网络法对初始权值敏感、易陷入局部极小点和收敛速度慢等问题,通过对城市时用水量数据特征的分析,应用基于全局随机优化思想的粒子群优化(PSO)算法对BP网络的初始权值进行优化,建立了PSO-BP城市时用水量预测模型.在算例分析中与传统BP神经网络预测法进行对比,发现该方法的收敛速度明显提高,且平均预测精度提高了2%,在用水量短期预测中非常有效.     

Algorithm Implementation for Distributed Convex Intersection Computation

Intersection computation of convex sets is a typical problem in distributed optimization. In this paper, the algorithm implementation is investigated for distributed convex intersection computation problems. In a multi-agent network, each agent is associated with a convex set. The objective is for all the agents to achieve an agreement within the intersection of the associated convex sets. A distributed"projected consensus algorithm" is employed, and the computation of the projection term is converted to a constrained optimization problem. The solution of the optimization problem is determined by Karush-Kuhn-Tucker(KKT) conditions. Some implementable algorithms based on the simplex method are introduced to solve the optimization problem. Two numerical examples are given to illustrate the effectiveness of the algorithms.     

Stability of discrete Hopfield neural networks with delay

1.INTRODUCTION DiscreteHopfieldneuralnetwork(DHNN)isoneof thefamousneuralnetworkswithawiderangeofap plications,suchascontentaddressablememory,pat ternrecognition,andcombinatorialoptimiza tion[1～5].ThestabilityofDHNNmeansthatevery trajectorymustconvergetowardsanequilibrium point,oralimitcycle.Becausethestabilityof DHNNisthefoundationofthenetwork’sapplica tionsandisthemostbasicandimportantproblem,thestabilityanalysisoftheDHNNhasattractedcon siderableinterest.Manyresearchershavefocu…     

无线传感器网络移动Agent路由算法的研究与仿真

提出一种新的基于虚拟连通拓扑子图的优化模型用于无线传感器网络移动Agent路由．建立包含有效节点的虚扭连通拓扑子图，将Agent访问路径分解为采集子路径和返回子路径，提出一种基于GA与离散PSO的混合算法GAPSO用于求解该问题。该算法可大大降低解空间复杂度，提高搜索效率。仿真结果表明随着网络规模增大，该优化模型优势明显，GAPSO表现出比GA更好的性能。     

针对机动目标的三维实时滚动优化制导策略

为解决目标机动策略未知条件下的飞行器拦截问题, 提出一种基于神经网络的三维滚动优化制导策略。首先, 针对全局最优导引律终端时刻难以确定的问题, 在滚动时域优化框架下, 引入零效脱靶量设计局部最优导引律, 并使用粒子群优化算法进行求解。其次, 为了提高制导律在线求解效率, 构建神经网络, 对优化算法滚动求解得到的若干组制导训练数据进行离线学习, 并将经过训练的网络用于制导指令在线滚动优化。仿真结果表明, 神经网络-滚动优化制导策略对采取各类机动方式的目标均具有较好的制导性能, 有效提高了制导指令在线优化效率, 可以为飞行器制导律实时滚动求解提供参考。