《厦门大学学报自然科学版》2014年第53卷(总第238～243期)总目次

<正>~~     

基于改进塘鹅算法优化BP神经网络的新型冠状病毒疫情预测

针对北京市和美国新型冠状病毒感染疫情的累计确诊人数的预测，提出了基于改进塘鹅优化算法（Improved Gannet Optimization Algorithm,IGOA）、优化反向传播神经网络（Back Propagation Neural Network,BP）权值和偏差的预测模型。将原塘鹅优化算法中塘鹅的位置更新方式由迭代次数的线性关系修改为非线性关系，并引入了随机数，更准确地模拟塘鹅的捕食过程；在两个阶段均采用随机选择机制，并改进了开发阶段塘鹅的位置更新方式，有效地平衡了探索阶段和开发阶段。在实验阶段利用23个基准函数的极值寻优验证了IGOA的有效性，并建立预测模型IGOA-BP，对北京市和美国新型冠状病毒感染累计确诊人数进行预测。与其他7种比较模型相比，预测模型IGOA-BP的预测结果的均方误差（Mean Square Error,MSE）、平均绝对百分比误差（Mean Absolute Percentage Error,MAPE）、平均绝对误差（Mean Absolute Error,MAE）、均方根误差（Root Mean Square Error,RMSE）均最小，表...     

基于IPSO算法的SNCR脱硝系统建模

由于我国对燃煤发电机组氮氧化物排放量要求的进一步提高，发电厂需要对选择性非催化还原(SNCR)脱硝系统实行更精准的控制，建立有效精确的模型进行研究是极为关键的。因SNCR脱硝系统有时变、大惯性、大迟延、非线性的特点，故提出一种改进粒子群(IPSO)算法，通过改进收缩因子及随机权重的方法改进粒子群算法，增强该算法的寻优能力。运用该算法分别对运行负荷为320 MW、175 MW、135 MW时SNCR系统中尿素溶液流量与出口NO_x浓度之间的关系进行模型辨识，并将模型的输出与工业现场运行数据相比较，最终得到误差最大值为0.93 mg/Nm³，均方根误差最大为0.369 7 mg/Nm³。结果表明模型精确有效，为后续开展SNCR脱硝系统智能控制提供了模型支撑。     

二维欧氏空间内线性凸区域概念的PAC学习算法

实例空间X的一个子集规定一个概念,表现为一个函数c:X→{0,1}。给定X上一个分布D,可能近似正确(PAC)学习算法的目的是基于独立同分布样本S,由算法产生一个近似函数hS,以高概率保证它与目标函数c的误差不超过给定误差值。如果存在这样的算法其样本复杂性及时间复杂性受多项式界,则认为目标概念可以有效PAC学习。本文讨论二维欧氏空间上有界线性凸区域定义的目标概念的学习理论和方法,证明了有界线性凸区域定义的目标概念是有效PAC可学习的,其方法可以推广到n维欧氏空间上由超平面界定的有界凸区域对应的目标概念学习。     

一种改进的LMS算法的研究与仿真

为解决最小均方误差算法中收敛速率和稳态误差之间相互制约的问题,在NLMS算法基础上提出了一种改进的LMS算法.改进算法通过引入调节因子和修正系数,使算法在收敛时和稳定时能够很好地改善收敛速率与稳态误差之间的制约关系.实验结果表明,相对于传统LMS和NLMS算法,新方法在改进收敛速率和稳态误差间关系效果更好.     

基于人工蜂群算法的食品供应链召回优化

针对食品供应链加工环节召回优化问题,给出4层批次分散模型,包含原料、部件、半成品、成品4个层次和分解、组合、包装3个加工流程。该批次分散模型的求解是一个NP难度问题。提出一种基于人工蜂群算法的召回优化方法,并引入惩罚函数,将约束问题转化成无约束问题。仿真结果和性能对比表明,该算法收敛较快,运算开销小,可以显著降低平均召回规模,适用于食品供应链加工环节的召回优化。     

Lotka-Volterra系统辛几何算法的变分构造

针对经典的Lotka-Volterra系统,采用变分法的思想导出经典的辛算法格式。将其应用于Lotka-Volterra系统中得到相应的相位轨道和能量误差,并与非辛算法进行比较。实验结果表明:辛算法不仅可以在长时间计算中很好的保持相位轨道,也可以使能量误差近似守恒。     

改进智能算法的认知无线Mesh网络优化频谱分配算法

随着网络资源日益紧张,认知无线Mesh网络中的频谱优化分配问题的研究主要集中在总带宽的最大化和占用频谱数的最小化。文中考虑到杂草算法的多样性以及容易实现和编码快捷等特点,提出一种基于改进入侵杂草优化算法(IWO)的频谱优化分配方法(IIOW)。通过对扩散条件中调和指数的优化,使得扩散更加均匀准确,大大加快收敛速度,同时优化了适应度函数的曲线。仿真结果表明:基于改进IWO的优化算法能在最大化总带宽与最小化信道占用数的情况下,获得较为理想的适应度函数曲线,同时加快收敛速度。     

求解聚合组播问题的多种群蚁群优化算法

传统的IP组播技术使用树状结构传递组播分组,要求树上的路由器为每个组保存一个转发状态,这样当网络上并发的组播组过多时会面临着组播状态扩展性问题。最近提出的聚合组播技术强迫多个组播组使用一棵共享的组播树来解决这个问题,这是一个NPC问题。提出一种基于多种群的蚁群优化算法来求解聚合组播问题。每个种群根据使用模型的不同使用不同的适应度函数、不同的启发式信息和不同的解构建过程,也就产生了不同的搜索轨迹和特点。算法设计了种群之间的交换整个信息素表和交换最优迭代解的两种信息交换方式。仿真结果显示,两种方法都能够取得比任何一种单独算法更好的优化效果,提高了算法的收敛时间。