基于物理模型的成像算法评价与 SASART 成像算法

基于物理模型的图像重建算法评价方法,作者研究设计的ＳＡＳＡＲＴ算法,给出了常用算法ＳＶＤ,ＣＧ,ＬＳＱＲ,阻尼ＬＳＱＲ,ＳＩＲＴ,ＳＡＲＴ及ＳＡＳＡＲＴ的测试结果。测试数据表明：（１）线性成像方程系统的特性（条件数）及解结构都对解精度有影响,解模型越粗糙,解的精度越低;（２）自激励联合迭代重建算法（ＳＡＳＡＲＴ）迭代稳定、抗噪音能力强,用于高噪数据反演能获得合理的图像;（３）各种求解算法都具有平滑效应,同时也都会产生误差很大（＞１５０％）的奇异解;（４）小的数据拟合差并不一定指示解的精度高;（５）对含误差数据,应用阻尼ＬＳＱＲ或ＳＡＳＡＲＴ算法进行成像反演。     

±300 kvar ASVG 的起动研究

对先进静止无功功率发生器（ＡＳＶＧ）的起动过程进行了系统的研究，通过理论分析，在将ＡＳＶＧ简化为一等效电路的基础上，推导出描述ＡＳＶＧ起动暂态过程的解析表达式，将解析计算的结果与ＥＭＴＤＣ下的仿真结果相比较，二者基本一致，ＡＳＶＧ的模型简化是合理的。分析了导通角θ对于ＡＳＶＧ起动过程的暂态时间常数和电容电压稳态解的影响。通过仿真研究，比较了±３００ｋｖａｒＡＳＶＧ的三种起动方式，认为他励起动是ＡＳＶＧ最理想的起动方式     

遗传进化算法在船舶初步设计中的应用

在船舶初步设计中,船体主尺度的选择将影响船舶寿命期内的使用性和经济性,问题的研究可归结为多目标非线性规则,在探讨遗传算法（ＧＡ）机理的基础上,提出了优化设计方法－－遗传进化算法（ＧＥＡ）,解决了ＧＡ中品质计算模块的重复调用和子代品质波动的问题,提高了优化算法中寻求全局最优解的效率。文中将ＧＥＡ应用于２３．６万ｔ巨型油船的主尺度优选,同时给出应用正交优化设计方法的优化结果,应用结果表明：ＧＥＡ是一种     

前向网络的两种混合学习策略

针对前向网络反向传播算法（ＢＰ）训练缓慢和易于陷入局部极小的缺点以及反向运算的复杂性,利用ＢＰ算法监督学习特点、模拟退火（ＳＡ）算法在局部极小处的概率突跳特性和遗传算法（ＧＡ）的并行化群体搜索的特点,有效结合ＢＰ和ＳＡ算法以及ＧＡ和ＳＡ算法,提出了前向网络的两种混合学习策略即ＢＰ＆ＳＡ混合策略和ＧＡ＆ＳＡ混合策略。以异或问题为例,通过计算机仿真对混合策略与ＢＰ、改进ＢＰ算法的比较表明混合学习策略较大程度改进了前向网络学习的收敛性能和收敛速度,并一定程度上避免了反向运算的复杂性,是前向神经网络学习的有效算法。     

MADALINES人工神经网络及快速学习算法研究

在研究ＭＡＤＡＬＩＮＥＳ人工神经网络中心差梯度学习算法（ＣＤＧ）的基础上，提出了一种加速中心梯度学习算法（ＳＣＤＧ），给出了该算法收敛性的证明，在计算机上模拟实现了ＳＣＤＧ算法且分析了实验结果，理论分析与实验均表明，ＳＣＤＧ算法较之传统的ＣＤＧ算法，收敛速度提高了二个数量级以上。     

解线性方程组的SGAOR方法及其应用

推广ＧＡＯＲ方法的理论并提出解线性方程组的ＳＧＡＯＲ方法，这是一个类似于分别从ＡＯＲ（或ＳＯＲ）方法导出ＳＡＯＲ（或ＳＳＯＲ０Ｒ）的方法，理论与计算结果表明该方法是相当有效的。     

排序问题Fm‖Cmax的几种启发式算法在最坏情况下性能比上界的可达性研究

Ｇｏｎｚａｌｅｚ和Ｓａｈｎｉ已证明：当ｍ≥３时，排序问题ＦｍＣｍａｘ是ＮＰ困难问题，没有好算法。因此，很多学者提出了多种简单易行的启发式方法求这类问题的次优解，且对其中的ＧＳ算法和ＲＳ算法证明了在最坏情况下性能比Ｃ＊ｍａｘ（Ａ）／Ｃ＊ｍａｘ的上界不超过｛ｍ／２｝＊。本文用同一例子证明，对这两种算法，这一上界是可达的。     

关于旅行售货员问题的混合遗传算法研究

遗传算法（ＧＡ）是一类仿生算法，广泛应用于大型优化问题的求解，本文介绍孤原理和算法，并用简单遗传算法（ＳＧＡ）和混合遗传算法（ＨＧＡ）对旅行售货员问题（ＴＳＰ）进行了研究。     

ATM网络中非对称周期查询限定服务模型解析

采用概率母函数的方法，对ＡＴＭ网络中离散时间的非对称周期查询限定（Ｋ＝１）服务∑Ｇｉ／∑Ｇｉ／１（∑Ｒｉ）／∑Ｓｉ（ＦＡＦＳ）模型进行了解析，并进行了计算机模拟实验．解析分析结果与模拟实验值相一致．     

CH3CSNH2／NH4OH钝化GaAs（100）表面的XPS表征

一种新的含硫化合物ＣＨ３ＣＳＮＨ２／ＮＨ４ＯＨ溶液被用来钝化ＧａＡｓ（１００）表面．应用Ｘ射线光电子谱（ＸＰＳ）表征了该钝化液处理的ＧａＡｓ（１００）表面的成键特性和电子态．结果表明，经过处理的ＧａＡｓ（１００）表面，能有效地消除Ｇａ和Ａｓ的氧化物，并且Ｓ既与Ａｓ成键也与Ｇａ成键，形成了Ｓ与ＧａＡｓ的新界面，这标志着ＣＨ３ＣＳＮＨ２／ＮＨ４ＯＨ溶液对ＧａＡｓ（１００）表面具有明显的钝化作用．钝化表面退火处理后，Ａｓ的硫化物不稳定，进一步与ＧａＡｓ衬底反应，生成稳定的ＧａＳ钝化层，此种钝化液可直接应用于半导体器件钝化工艺对ＧａＡｓ表面处理     

基于遗传算法和模拟退火算法优化神经网络的铁路营业里程预测

提出应用遗传算法(GA)和模拟退火(SA)优化神经网络预测铁路营业里程.采用3层前馈神经网络实现铁路营业里程的时间序列预测,输入节点数为5,隐层节点数为8,输出节点数为1.对神经网络的连接权重和节点阈值的确定,采用GA和SA算法相结合的混合优化学习策略.两种算法结合时,SA算法处于外层,GA处于内层.GA采用实数编码,把要确定的神经网络节点连接权重和节点阈值作为基因串.数值计算结果表明混合优化的神经网络的学习速度和精度都比单纯BP算法得出的结果好.因此,用GA-SA混合优化的神经网络预测铁路营业里程是可行的.     

基于SOFM的P-Hub中心问题的最优求解

“位置-分配问题”是运输问题中一个重要的研究问题,其中P-Hub 中心问题被广泛的应用在航空、通讯、邮件送发问题上.目前已有许多启发式的方法被广泛应用求最优解,如基因算法、模拟退火法、Hopfield network等;本研究针对顾客及服务中心数目已知的条件下,提出了基于人工神经网络的自组织特征映射网络求解方法,运用神经元的自我学习功能来找出最佳的服务中心位置.     

空间双臂机器人系统的最优内力分配计算

针对本体位置、姿态均不可控的自由浮动空间双臂机器人抓物系统的内力分配问题 ,提出了基于模拟退火算法和遗传算法的优化方法 .将机器人两机械臂各关节广义驱动力矩的范数之和作为目标函数 ,末端抓手的抓持内力作为优化变量 ,采用了模拟退火算法和遗传算法来求解该优化变量 ,使机器人消耗的能量最小 ,并对双臂六自由度空间机器人抓物系统进行了仿真 ,仿真结果证实了该优化方法是有效的     

一个基于改进遗传算法的RBF网络入侵检测模型

针对异常入侵检测中存在的误报率高的问题,文章提出了一种基于改进遗传算法的RBF网络入侵检测模型。采用数据挖掘方法建立聚簇规则集,用改进的遗传算法优化RBF网络,用已训练好的RBF网络对与聚簇规则集中不匹配的可疑行为进行检测,并能识别出具体的入侵类型。实验表明,文中提出的模型采用改进遗传算法的RBF神经网络,较基于BP神经网络的检测技术有更好的识别精度。     

基于GA-SA算法的无人机巡检输电铁塔三维航迹优化

无人机巡检输电铁塔本体和金具、绝缘子等附属部件的航迹优化属于典型的旅行商问题。由于巡检对象的结构复杂、巡检部件多,采用单一的启发式算法会造成航迹重叠、容易陷入局部最优解等问题。为此,考虑无人机航迹三维空间结构的特点,引入全局搜索能力强的遗传算法(genetic algorithm, GA)与局部收敛速度快的模拟退火算法(simulated annealing, SA)相结合的无人机三维航迹混合GA-SA寻优算法。以无人机巡检500 kV超高压交流双回鼓型塔为例,根据三维有限元仿真得到的无人机电磁防护安全距离为2 m,结合巡检对象及常见缺陷出现的位置确定了61个高空安全悬停点,分别采用GA、SA和混合GA-SA算法对无人机遍历高空安全悬停点的航迹进行优化。结果表明：混合GA-SA算法的迭代收敛次数相比GA和SA分别减小了45.6%与55.2%,最优航迹距离分别缩短了8.1%与8.9%,验证了所提方法的有效性。     

基于生产费用的柔性作业车间调度优化

考虑在制品库存费用、机床工时费、直接工人的工资费用、工件的提前和拖期完工造成的损失费用,提出了一种双资源柔性作业车间调度的生产费用计算方法.将模拟退火算法嵌入遗传算法中,设计了一种新的混合遗传算法.该算法首先利用遗传算法快速搜索一组较好的解,然后利用模拟退火算法进行群体寻优.采用基于工序的编码和一种新的解码方法,并运用多种交叉方法使得算法能够在解空间中尽可能地搜索最优解.为了避免最优解在进化过程中损失,采用择优操作将每代中的最优解保留下来,并不断更新.仿真结果表明:该方法是可行的,并具有一定的优越性.     

基于MATLAB采用遗传算法确定最佳聚类数

将迭代自组织分析技术(ISODATA)和遗传算法(GA)嵌套构成遗传一迭代自组织分析技术(GA—ISODATA)。共同形成模糊C-均值的优化算法，不仅能够在给定预分类数的前提下实现最佳分类。而且在完全不需要人工干预的环境下直接得到模糊C-均值(FCM)中最佳分类数。完善和发展了模糊C-均值算法。     

图像增强技术中的智能算法

提出了一种基于粒子群与模拟退火算法相结合的进化算法.该算法利用模拟退火算法全局收敛性好和粒子群算法收敛速度快等优点，通过交换这两种算法的信息得到最优解.将这种新算法应用于灰度图像的自适应增强，实例计算表明该算法稳定性好，在收敛速度和求解精度方面都优于遗传算法等一些其它进化算法.     

一种新的全局优化算法——统计归纳算法

在多极值问题的优化领域 ,主要有模拟退火算法(SA) ,遗传算法 (GA) ,人工神经网络 (ANN)算法 ,它们都是基于对自然现象模仿的算法。该文从更基本的优化思想出发 ,基于概率论提出了一种新的全局优化算法——统计归纳算法 (SIA)。在一些标准测试函数以及“货郎担问题”(TSP)上的计算结果表明 ,该算法在智能性 (所需的函数计算次数 )和解的全局性方面都远远好于 SA和 GA。在中国 144个城市的 TSP问题实例中 ,它甚至很快就找到了比参考计算中给出的“目前已知的最优路径”更短的路径。从这一算法思想的角度 ,阐述了 SA和 GA为何对全局优化问题有效 ,以及SA和 GA各自固有的不足之处