用Hopfield神经网络求解八皇后问题

用Hopfield神经网络求解名的古典人工智能约束的八皇后问题，由Java语言给出仿真结果，程序在Visual J 6.0上编译通过。     

基于KuhnTucker方法的机组最优投入神经网络模型

为了用硬件实现机组优化投入的神经计算，首先基于ＫｕｈｎＴｕｃｋｅｒ方法的机组最优投入神经网络模型。证明了该模型的收敛性，讨论了该模型的正则电路，并用ＰＳＰＩＣＥ５０对一个四机组四时段的系统进行仿真计算。     

皇后问题的分布式计算

皇后问题是一个经典的算法问题,随着皇后数的增加,计算时间快速延长。对这个问题采用多台PC机进行分布式计算,得出了较好的结果。同时对分布式计算模型进行探讨,提出一些建议。     

八皇后问题所有解的模拟DNA算法

建立了求解八皇后问题所有解的数学模型.根据八皇后问题解的性质提出了7个相关的算子:主转置算子、行翻转算子、列翻转算子、倒置算子、顺旋算子、逆旋算子和倒转算子.给出了等价可行解的概念,并以这7个相关算子为工具研究了等价可行解的性质和八皇后问题解空间的性质.由此给出了求解八皇后问题所有解的模拟DNA算法,并用Mathematica软件进行了实现,并得到了所有的可行解,进而验证了算法的正确性和可行性.     

神经网络模型求解约束优化问题的研究

依据罚函数及动态处罚法设计增广Lagrange乘子函数,获得新的神经网络模型解决约束优化问题。理论论证了该模型的稳定性以及在一定条件下网络收敛的平衡点即为所解决的优化问题的最优解。事例仿真论证了该模型处理优化问题的有效性。     

一类排列实现与皇后控制问题求解

在回溯实现从n个不同元素取m个与另n-m个相同元素的排列基础上,求解m个皇后控制n×n棋盘问题,推广了著名的高斯八皇后问题.     

基于神经网络的随机动态系统的优化新方法

基于神经网络方法研究了一类随机动态系统的建模和最优化问题。首先将采样样本和相关的时间区域段上的平均值样本,用来训练一个多层反传网络,以得到该随机过程的神经网络模型;然后,基于一给定的随机目标函数,该网络模型用来寻优以获得系统操作变量的最优均值设定值。这一网络建模和优化方法用于解决一尿素合成塔的优化问题。仿真结果表明了这一方法的有效性。     

基于径向基神经网络的风电场无功补偿优化算法

 针对风电场无功补偿容量计算工作量大、计算过程复杂的问题,提出了应用径向基神经网络优化风电场无功补偿容量计算的方法。首先建立了含风电场的电力系统潮流计算模型,以某风电场实际有功功率作为模型的输入,计算该风电场所需的无功补偿容量;以有功功率作为输入数据,以计算所得的无功补偿容量作为目标输出,建立径向基神经网络,并对该神经网络进行训练。用训练后的径向基神经网络代替潮流计算模型,对该风电场所需无功功率进行计算,结果表明,该方法计算复杂度比潮流计算模型低,计算量少。研究表明可用训练后的径向基神经网络模型代替潮流计算模型,实时计算风电场无功补偿容量。     

炮兵火力决策

本文综合考虑我炮兵射击误差,炮弹威力,射击幅员,目标性质,目标分配和火力分配等因素,在弹药量一定的条件下,把敌目标对我的威胁程度最小化。建立了模型,并将模型简化,使问题维数降低,计算量大幅度减小。求解方法结合了问题的特点,选用了简化梯度法使计算量进一步减小。对实例进行了计算,达到了预期的结果。文中所提出的模型与算法可用于炮兵作战指挥方案的优化。     

基于神经网络的二次规划问题的指数稳定性

针对带有边界约束的凸二次规划问题,利用离散神经网络模型的建模原理,构造了一个神经网络模型.利用矩阵与对称矩阵的关系和正定矩阵特征值的性质,通过引入一个适当的因子,得到了该离散型神经网络模型是全局指数稳定性和指数收敛率的结果.同时分析了该结果的优越性和存在的不足,提出了解决的3种方法,最后给出了实例说明本方法取得结果的实用性.     

基于迟滞噪声混沌神经网络的TDMA广播调度

分组无线网络的时分多址(Time Division Multiple Access,TDMA)广播调度问题是一个经典的NP-hard组合优化问题,可用神经网络求解.混沌动力学、随机游动和迟滞动力学均能够有效地提高神经网络的优化性能.为了提高迟滞动力学在噪声混沌神经网络中的优化能力,又不增加噪声混沌神经网络的参数,将噪声混沌神经网络的噪声幅值作为Sigmoid函数的中心参数,并通过神经元的输入变化来控制噪声幅值形成迟滞环,提出了一种新型的迟滞噪声混沌神经网络.对神经元状态演化行为的研究表明,该网络能够同时演化出混沌倒分岔、随机游动和迟滞等动力学行为.对分组无线网络的TDMA广播调度问题的仿真表明,提出的迟滞噪声混沌神经网络具有更好的优化性能.     

应用神经网络理论的计算机通信网迟延新算法

计算机网络最小平均迟延的求解实质上是一个联合优化问题。进一步的分析表明，它可以近似为一个二次型优化问题。我们利用一种具有全局收敛性质的神经网络模型解决了这一问题。计算结果表明，这种方法是可行而有效的。     

变时滞Cohen-Grossberg随机反应扩散神经网络的吸引集和不变集

从M.Cohen和S.Grossberg(IEEE Trans Sys Man Cyber,1983,13:815-826.)提出Cohen-Gross-berg神经网络以来,由于它在信号和图像处理、联想记忆、组合优化等中的广泛应用,因此受到了广泛的关注和研究.由于随机干扰和反应扩散,时滞Cohen-Grossberg随机反应扩散神经网络的平衡点往往不存在,这时,往往研究其吸引集和不变集的存在性.建立了一种研究时滞Cohen-Grossberg随机反应扩散神经网络的吸引集与不变集的方法.通过应用Ito公式、时滞微分不等式技巧和M-矩阵性质,获得了判定变时滞Cohen-Grossberg随机反应扩散神经网络存在吸引集和不变集的充分条件.所获得的充分条件在实践当中可以用简单的代数方法验证,因此有广泛的应用价值.最后举例用以说明我们的结果的有效性.     

带正弦函数扰动的小波混沌神经网络研究

对小波混沌神经网络的内部状态进行改进,引入了三角函数扰动,提出了一种新型的带三角函数扰动的小波混沌神经网络模型,并把它应用到函数优化和组合优化问题中.仿真结果表明,在控制适当的扰动系数时,带三角函数扰动的小波混沌神经网络能有效地解决函数优化问题和组合优化问题,体现了小波混沌神经网络有很强的鲁棒性和抗干扰能力.     

基于小波分析法与神经网络法的非平稳风速信号短期预测优化算法

为提高传统神经网络对非平稳风速的预测精度,提出一种基于小波分析法与神经网络法混合建模的优化算法。该优化方法引入小波分析法对实测非平稳风速信号进行分解,将非平稳性原始风速序列转化为多层较平稳分解风速序列,再利用BP神经网络对各分解层风速序列建立预测模型,最终加权各层预测结果获得风速超前多步预测结果。仿真结果表明:该优化算法实现了风速的高精度短期多步预测,将传统神经网络法对应超前步数的平均绝对相对误差分别提高了55.56%,32.43%和34.58%,其超前1步、3步和5步预测的风速平均相对误差分别为0.48%,1.50%和2.97%。优化网络具备信号分解与自学习能力。     

ELM-RBF神经网络的智能优化策略

提出了ELM-RBF(extreme learning machine-radial basis function)神经网络的智能优化方法,采用差分进化算法和粒子群优化算法来确定ELM-RBF神经网络中隐层神经元的中心和宽度。仿真结果表明,在具有相同的网络结构前提下,基于智能优化策略的ELM-RBF神经网络学习算法具有更好的泛化能力和较好的鲁棒性。     

基于混合算法优化神经网络的混沌时间序列预测

提出了一种混合算法优化神经网络的混沌时间序列预测模型.将粒子群优化算法与模拟退火算法过程中概率突跳的思想相结合形成一种新的混合算法,并用此混合算法优化神经网络建立预测模型.该模型克服了传统的神经网络收敛慢、易陷入局部最优等不足.利用该模型对Mackey-Glass混沌时间序列和Henon映射进行实验仿真,结果表明,该模型收敛速度快,稳定性能好,预测精度高.     

二维物体识别的暂态混沌神经网络方法

给出了一种二维物体识别混沌神经网络的方法 ,该方法采用图匹配方式的二维物体识别可以转化为一个组合优化问题求解 ,根据二维物体识别的能量函数定义式推导出一种新的暂态混沌神经网络模型 (TCNN) ,它采用混沌模拟退火方式求解优化问题 .随着分叉尺度参数的逐步降低 ,TCNN由混沌解逐步稳定在全局最优的解上 ,从而得出该方法优于Hopfield神经网络的方法     

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.     

基于结构的神经网络在参数优化中的应用

在对传统人工神经网络优化方法的认识基础上，针对复杂非线性系统的优化问题，提出了一种基于结构的神经网络优化方法。它将一个复杂系统转化为若干个较简单的子系统，分别建立各子系统的函数链神经元模型，然后根据原系统的结构特点将它们连接起来构成一个基于结构的神经网络。网络权值与系统的结构参数相对应，具有明确的物理意义，通过调整权值即可实现系统结构参数的优化。对Y2-Hc10型先导式溢流阀的优化研究表明，该方法为大型、严重非线性系统的结构参数优化提供了一条新的途径。