基于遗传算法的最优模糊控制器设计

模糊控制规则集是模糊控制系统的核心部分,对控制的快速性和精度有很大影响,采用改进的ＧＡ算法优化ＢＰ网络,加快了ＢＰ网络的收敛速度,也避免了ＢＰ网络易于陷于局部极小的麻烦。用优化的ＢＰ网络生成规则集,经过优化的ＢＰ网络隐层神经元数减少,即优化了规则库,从而提高系统的精度,降低了对ＢＰ网络系统误差的精度要求。     

基于遗传算法的神经网络在局部放电模式识别中的应用

针对ＢＰ神经网络（ＮＮ） 在大型发电机局部放电模式识别中存在的收敛速度慢、容易陷入局部极小点的问题,提出采用遗传算法（ＧＡ） 作为神经网络的学习算法．并且根据神经网络结构的特点,构造了新的遗传算子．结果表明,与ＢＰ神经网络相比,ＧＡ 神经网络的收敛性能和推广能力都有了明显提高     

遗传算法求解TSP的进化策略

本文提出用遗传算法（ＧＡ）求解旅行商问题（ＴＳＰ）的一整套进化策略，包括染色体的编码、反向运算、循环运算、交换运算．其中除反向运算外，均与通常的ＧＡ算法所采用的策略不同．文中解释了它们的几何意义．用该算法求解中国３１个城市的ＴＳＰ问题得到了１５４０４公里的新的路径长度．计算结果表明整个算法是有效的     

一种局部回归神经网络的快速算法

针对目前局部回归神经网络动态ＢＰ算法的误差导数计算复杂、收敛速度慢的缺陷,提出了一种新的快速算法、该算法是将信号流图引入动态ＢＰ算法,较好地解决了求导数的复杂性,同时采用ＢＦＧＳ算法另快了网络的收敛速度仿真结果表明了本算法的有效性。     

用于故障模式识别的自适应模糊训练BP网络

针对ＢＰ算法固有的收敛速度慢和局部极小等问题,在对已有ＢＰ改进算法进行研究的基础上,提出了用于在线故障模式识别的自适应模糊加速训练算法,可在网络学习过程中,通过模糊推理,对网络拓扑结构、学习因子、惯性因子及激励函数进行自适应调整,实例验证表明该算法具有收敛速度快、不易陷入局部极小、网络综合性能好等特点。     

BP网络的BP-G-S学习算法

为了解决ＢＰ网络在学习过程中存在收敛慢的缺点,文中将ＧａｕｓｓＳｅｉｄｅｌ 迭代法的基本思想与ＢＰ算法结合,将每一个最新修正的权值反映到下一个权值的修正中,提出了一种新的ＢＰＧＳ学习算法来加速ＢＰ网络的收敛。文章最后的计算机仿真说明ＢＰＧＳ总体上可以减少学习的时间,尤其当误差值逼近最小点时效果明显。     

NH_n,NH_m~+,NH_n~-(n=1,2,3;m=1,2,3,4)体系Gaussian-n和CBS-n方法物理化学性质的理论研究(一)NH,NH~+,NH~-体系

利用系统的理论方法研究ＮＨ，ＮＨ＋，ＮＨ－体系的物理化学性质：解离能，电子亲合势，离化能，质子亲合势，原子化能．这些方法有Ｇａｕｓｓｉａｎ－ｎ：Ｇ１，Ｇ２，Ｇ２（ＭＰ２）以及ＣＢＳ－ｎ：ＣＢＳ－４，ＣＢＳ－ｑ，ＣＢＳ－Ｑ，ＣＢＳ－ＡＰＮＯ．对所得结果及其误差进行比较和分析．     

异构计算系统的表调度式任务映射与调度算法

研究了在异构计算系统（ＨＣＳ）中利用表调度式算法进行任务映射与调度．给出两种异构静态优先级表调度式任务映射算法（ＨＳＰ和ＧＨＳＰ）,以及一种异构动态优先级表调度式任务映射算法（ＢＨＤＰ）．实验结果表明,ＧＨＳＰ算法对于粗中粒度ＤＡＧ的调度效果稍好于ＨＳＰ算法,而ＢＨＤＰ算法对于粗粒度和细粒度ＤＡＧ的调度效果均明显优于ＨＳＰ和ＧＨＳＰ算法．     

BP学习算法的改进与应用

对ＢＰ学习算法中存在的大量局部极小点以及收敛速度慢问题进行研究并提出相应的改进方案。方法采用类似模拟退火算法调整网络权值修改量η和动量项α以及对学习样本进行按类划分。结论算法的改进提高了识别率并降低了学习时间。     

NHn,NHm~+,NHn~-(n=1,2,3;m=1,2,3,4)体系Gaussian-n和CBS-n方法物理化学性质的理论研究(二)NH_2,NH_2~+,NH_2~-体系

利用系统的理论方法研究ＮＨ２,ＮＨ２＋,ＮＨ２－体系的物理化学性质：解离能,电子亲合势,离化能,质子亲合势,原子化能．这些方法有Ｇａｕｓｓｉａｎ－ｎ：Ｇ１,Ｇ２,Ｇ２（ＭＰ２）以及ＣＢＳ－ｎ：ＣＢＳ－４,ＣＢＳ－ｑ,ＣＢＳ－Ｑ,ＣＢＳ－ＡＰＮＯ．对所得结果及其误差进行比较和分析．     

采用BP&SA混合学习策略的短期电力负荷预测方法

提出了一种BP混合模拟退火(SA)的ANN短期负荷预测方法,该方法针对传统BP学习算法的缺点,将BP算法和模拟退火算法的优点相结合以提高网络的学习性能.ANN模型中考虑了温度和预测日类型,可进行工作日和节假日的预测,实例表明ANN模型实用有效、精度高.     

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.     

基于梯度监督学习的理论与应用(Ⅱ)——训练机制

基于梯度算法和前馈网络所具有的普遍近似性质，提出了一种新的监督型多目标系统化训练机制。在学习过程的实现中，该训练机制一方面能使参数集合选择适当以避免过适应，另一方面能以较少的计算及存储复杂度使网络输出达到所要的精度，保证网络具有满意的可检验性和通用性。新的算法（ＰＴＮＴ）能够在一个过程里同时考虑神经网络训练的几个方面，并且在训练时间和准确度方面也都优于ＢＰ算法及其衍生算法。ＰＴＮＴ算法具有类似于ＬＭ算法的收敛性，但存储复杂度远远少于ＬＭ的一半。文中通过仿真结果证明这种监督训练机制和前馈网络在不同问题环境下的适用性，评价了其有效性。     

基于组合神经网络的软件可靠性预测研究

为了进一步提高神经网络的预测能力,提出了一种前馈神经网络混合学习算法,并将其应用于组合神经网络.该算法由一种模式提取算法(Alopex)和伪逆算法组成.在该混合学习算法中,网络的学习任务被分解为2个部分:隐藏层的权值先随机给定,然后使用Alopex算法不断地对其进行扰动;输出层的权值使用伪逆算法确定.所使用的组合神经网络由多个结构相同的前馈神经网络组成,每个前馈神经网络都使用混合学习算法(采用不同的初值)进行训练.实验结果表明,这种组合神经网络能够显著提高软件可靠性的预测精度.     

基于OPNET的BotNet最优步长传播仿真

僵尸网络(BotNet)主要采用蠕虫扫描的方式进行传播,传统的蠕虫传播策略主要在扩散效率和扫描准确性上进行折衷,共性缺点是存在对同一主机重复扫描和网络之间交叉扫描的严重问题,会对互联网产生严重的流量冲击,降低BotNet的隐蔽性。为解决这一共性问题,根据互联网的无尺度特性,在对比传统网络蠕虫传播策略优缺点的基础上,结合前向神经网络现有的BP学习算法对BotNet传播进行了分析,从理论上提出一种计算BP近似最优步长的算法,并通过OPNET建立传播攻击模型进行了仿真验证。结果表明,该算法有效地提高了BotNet在无尺度网络中的传播性能。     

一种用于RBF神经网络的支持向量机与BP的混合学习算法

基于支持向量机与径向基(RBF)神经网络在结构上的相似性,提出了一种用于RBF网络的支持向量机与BP的混合学习算法．算法分为2步：首先采用序贯最小优化算法学习训练支持向量机,得到RBF网络较优的初始结构和参数;随后由BP算法调整优化RBF网络参数．混合学习算法结合了支持向量机小样本学习、学习训练快捷以及BP算法在线修改网络参数的特点．仿真研究表明,混合学习算法学习效率高,网络性能优良,应用于函数逼近时效果优良．     

智能混合优化策略及其在流水作业调度中的应用

通过结合蚁群算法(ACO)的并行搜索结构和模拟退火算法(SA)的概率突跳性,提出了一种有效的混合优化策略,并将该策略应用于流水作业调度问题(FSP)．在该策略中,蚁群系统的一个周游路线为模拟退火算法提供了一系列初始解,在每个退火温度上进行抽样准则检验并产生新解,然后更新信息激素;蚁群算法再利用模拟退火算法产生的新解进行并行搜索．同时,根据此策略构建并实现了针对FSP问题求解的具体混合算法．仿真结果表明,混合算法弥补了ACO易陷入局部最优和SA搜索效率较低的缺点,增强了全局搜索能力,在求解FSP调度问题的性能上也优于其他算法。     

前馈网络的一种线性化快速学习算法

针对前馈神经网络的反向传播（ＢＰ）学习算法收敛速度慢的缺点,提出了一种新的学习算法即线性化快速学习算法。这种学习算法在神经网络学习的初期,采用标准ＢＰ学习算法。而当神经网络接近最优点时,由于此时其连接权重调节幅度很小,因此采用对各层神经元的非线性作用函数进行泰勒级数展开,并取其一阶展开式近似逼近原函数,从而使其非线性作用函数转化为线性作用函数,简化了网络学习过程的计算量,加速了网络的学习速度。文中最后给出了采用线性化算法与标准ＢＰ算法对正弦函数的学习过程。     

一种基于遗传算法的BP神经网络算法及其应用

主要分析了神经网络和遗传算法的特点和存在的一些缺陷，研究了遗传算法和BP神经网络学习算法相结合的相关技术，设计并实现了一个基于遗传算法的BP神经网络算法BP—GA，已应用于肺癌早期细胞病理诊断系统中。实验结果表明，该算法具有较强的收敛性和鲁棒性，其应用效果很好。     

短期负荷预测模型及其影响因素

在分析电力负荷曲线特性的基础上，将日负荷分成工作日和非工作日，并着重考虑温度对负荷曲线特性的影响，将BP算法和模拟退火(SA)算法相结合，对某电网的日负荷数据进行实际计算，发现考虑预测日类型和温度等因素后，负荷预测精度有很大提高．