神经网络在项目评估中的应用

项目评估在市场机遇获得、成本控制和竞争力判别等方面决定着企业的成功与否.通过对影响项目价值的属性、因素、显性指标以及它们之间关系的研究,采用模拟生物神经元基本功能的神经网络技术建立项目价值模型,改进了传统的BP算法,对样本进行监督训练的反向传播算法得到权重因子,从而确定指定项目的价值,辅助决策者进行项目评估决策.实际应用证明了算法的有效性和模型的实用性.     

基于混沌粒子群算法的高速旅客列车优化调度

列车优化调度是一个大规模、复杂的、具有非线性离散变量和多约束的多目标数学优化问题.在优化过程中,考虑了特快旅客列车中途离开时间和整个运行时间等因素.首次将粒子群优化(particle swarmoptimization,PSO)技术引入列车优化调度,克服了传统优化方法易陷入局部最优和维数灾难等弊端.通过一个工程实例验证了该算法的可行性和有效性.同时,与现存的列车优化调度方法相比,粒子群优化方法的搜索时间短而且优化结果更接近最优解.     

Alpha稳定分布噪声环境下新的类RLS自适应算法

给出在分数低阶Alpha稳定分布环境中一种新的类RLS自适应算法.由于Alpha稳定分布信号不存在有限的二阶和二阶以上矩,因此用最小p范数准则代替了传统的最小均方准则,并利用矩阵求逆定理提出一种直接递推的类RLS算法,避免了以往类RLS算法中的IRLS迭代计算,从而使算法的计算复杂度大大降低.最后对几种自适应算法进行仿真,并对其收敛特性进行了分析.结果表明,算法的收敛速度明显快于LMP和NLMP算法.     

基于自适应退火遗传算法的船舶管路布局优化方法

采用自适应遗传算法来确定标准遗传算法的杂交率和变异率,尤其对变异率的调整,使其不但能根据个体适应值的大小进行自适应修正,而且能随进化状态的改变而改变,从而增强了算法摆脱局部最优解的能力.同时引入模拟退火思想,通过对标准遗传算法接受算子的退火处理,使其在搜索过程中除了接受优化解以外还以Metropolis准则接受恶化解,提高了种群的多样性,有效地增强了全局寻优能力.通过对适应值函数的退火拉伸,调整了进化前后期的适应值差异,从而加速了寻优过程.最终以形成的自适应模拟退火遗传算法进行船舶管路的三维布局优化,仿真实验表明,该算法不但加快了寻优速度,而且与标准遗传算法相比全局收敛率提高了近30%.     

基于模糊聚类的PSO-神经网络预测热连轧粗轧宽度

为了提高热连轧粗轧宽度的控制精度,以攀钢热轧板厂实测数据为基础,采用粒子群优化算法训练神经网络并将其用于热连轧粗轧宽度预报,通过模糊聚类分析方法进行数据分析,科学选取学习样本,解决了由于样本多、学习速度慢的问题.实测数据运算表明,这种方法可避免神经网络陷入局部极小,带钢粗轧宽度的预报精度控制在6 mm以内,并且训练速度也有很大程度的改善,神经网络结构也得到优化,具有很大的应用潜力.     

一种改进的雾天降质图像的清晰化算法

为了提高有雾天气下户外监控系统的能见度,提出一种改进的雾天降质图像清晰化算法.该算法从图像增强的角度入手,利用移动模板对各局部区域进行部分块重叠直方图均衡化以实现清晰化处理,克服了原算法运行时间过长的缺陷.实验表明,改进算法能够有效提高雾天降质图像的对比度,获得满意的视觉效果.     

一种新的进化策略及其全局收敛性

在求解单峰最优化问题算法的基础上,给出了一种新的进化策略.针对连续函数优化问题,利用中心极限定理,在较弱的条件下,首先证明了基于均匀分布的(μ λ)-ES算法依概率收敛,然后给出了采用一般连续性随机变量作为变异算子的(μ λ)-ES算法依概率收敛的证明.数值结果表明:采用基于均匀分布的进化策略求解维数较高的连续函数优化问题能够快速有效地收敛到全局最优解.     

基于遗传算法和粒子群优化算法的电力系统无功优化

从数学的角度分析,电力系统无功优化是一个多变量、多约束、非连续性的混合非线性规划问题,因此,优化过程十分复杂.以减少有功网损为目标函数建立电力系统无功优化计算的数学模型,基于遗传算法和粒子群优化算法,提出一种新颖的混合策略来求解无功优化问题.IEEE 6和IEEE 14节点系统的仿真计算结果表明:与单一的遗传算法或粒子群优化算法相比,该混合策略在优化效果方面具有明显的优势.     

一类矩阵方程的最小二乘双对称解及其最佳逼近

构造了一种迭代法求一类矩阵方程的最小二乘双对称解.研究了迭代序列的若干性质,证明了算法的收敛性.数值算例表明,这种迭代法是有效的.     

手背静脉识别系统的研究

介绍了手背静脉识别系统的图像处理和相关法识别算法,并通过实验证明了系统的可行性。