自适应遗传算法的改进及在系统辨识中应用研究

为解决传统遗传算法早熟及收敛速度慢的问题，提出了一种改进的自适应遗传算法。通过对一典型的大海捞针粪（NiH）问题的试验，证明了改进后的遗传算法在全局优化和快速收敛能力上有较大的提高。在此基础上将该算法应用于系统参数辨识中，辨识结果表明该方法具有参数辨识精度高，抗噪声能力走，对输入信号通用性强，也适用于非线性系统参数辫识的优点，具有重要的工程使用价值。     

空间聚类算法中的K值优化问题研究

在典型的空间聚类算法K-平均法和K-中心法中,K一般为用户事先确定的值,然而,实际中K值很难被精确地确定,往往表现为一个模糊的取值区间。在此提出距离代价函数的概念,建立了相应的数学模型并设计了一个新的K值优化算法,对空间聚类K值优化问题进行了初步的研究。     

前向神经网络学习速率的自适应算法

学习速率是控制神经网络学习过程的一个重要参数,影响神经网络的稳定性和快速性。提出了一种能够满足实时性要求的神经网络学习速率的自适应算法,并证明了在该学习速率下,神经网络的学习过程是Lyapunov意义稳定的。该方法通过为神经网络的输出增加一个输出修正量来补偿多个未知因素对学习误差的影响,从而构造使学习误差快速收敛到零的学习速率自适应算法。通过对神经网络在线逼近一个非线性对象的过程进行仿真,结果证明了该方法的有效性。     

基于改进PSO算法的连铸二冷过程优化仿真

连铸小方坯二冷过程优化是在实现二维传热建模和数值求解的基础完成的。冶金准则的多目标性,模型数值离散化大的计算量以及凝固相变存在引起模型求解的非线性,导致传统优化方法搜索效率低下。采用粒子群算法优化连铸二冷过程。为加强局部搜索能力,引入混沌序列对陷入局部极小点的惰性粒子重新初始化,在迭代中产生局部最优解的邻域点,帮助惰性粒子逃离束缚并且快速搜寻到最优解。仿真结果表明,改进的PSO算法有更好的搜索效率,取得了较好的效果。     

关于一种免疫遗传算法的性能分析

对一种免疫遗传算法的求解性能进行理论分析。首先分析了算法的良好收敛性能;然后,进一步提出了临界浓度的概念,说明该算法与遗传算法的本质不同在与只有低于临界浓度的较优模式才能达到指数级增长,并在此基础上对算法的个体多样性维持能力进行了分析说明。本工作有利于从理论上进一步揭示这类改进遗传算法求解性能得以提高的根本原因。     

独立成分分析的研究进展

介绍了独立成分分析（ICA）的基本模型及其假设、含混性、非高斯性度量和通用求解过程。讨讨了目前ICA的几个研究方向的发展现状和面临的问题，分析了ICA基本模型和几种扩展模型的求解算法，包括盲反卷积、卷积混和的盲分离、非线性瞬时混合的盲分离，提出了ICA未来理论和应用研究中的开放课题．     

基于遗传算法的熵算法在人类染色体图像的分割中的应用

染色体图像分割是染色体图像分析与识别的重要内容之一。文中提出了实现染色体的自动分割的熵分割算法,该算法充分考虑了每个视野中分割目标(染色体)的数量大以及人类显带染色体被明暗交迭的带纹分割为若干不连续的片段等特点。文中还对传统的分割方法和熵方法进行了对比。传统的方法容易受噪声的影响从而将染色体分割开来。1维熵方法没有考虑灰度空间在空间的分布。2维熵方法在图像分割时较为费时。为了改善分割的精度和速度,在遗传算法的基础上运用1维和2维的熵方法。运用遗传算法的方法一场景分割不到一分钟并且得到得很好的染色体形态。算法的优越性通过实验来体现。     

一种有效诊断电站热力系统故障源位置的算法

基于符号有向图(SignedDirectedGraph,SDG)的定性推理方法用有向图将故障传播模型化,并用节点间的符号逻辑关系定位系统的故障源,是一种完备的揭示系统故障的有效方法。为了克服其固有缺陷和提高诊断精度,通过采用扩展的有效节点和一致边对被控节点进行描述,用穷举故障模式和搜索有向图的最大强连通支的方法去处理不可测量节点,可对系统故障进行有效的诊断;然后对某些定性特征一样而定量值不同的故障模式,为了能有效区分,通过采取加入适当定量信息去构造定性定量模型的办法来进行进一步诊断。案例试验表明所给出的方法是可行的。     

自适应多目标遗传算法在柔性工作车间调度中的应用

针对柔性工作车间调度问题的特点，提出了一种新的自适应多目标遗传算法，其特点包括：同时运用了基于工序顺序和基于机器分配两种交叉变异方法以弥补经典工作车问调度问题中交叉变异操作的局限性；根据遗传算法搜索的历史自适应的调整两种交叉变异方法的概率以提高算法的搜索效率和稳定性；引入多目标遗传算法中的小生境技术以保持种群的多样性；采用精英保留策略保护进化过程中的优秀个体。实验结果证明该算法在多目标柔性工作车间调度问题的应用上，可以产生分布性较好的高质量的解。     

基于遗传-模糊聚类的说话人识别方法及其仿真研究

利用遗传算法的全局收敛性及模糊C-均值（FCM）聚类强大的局部寻优能力，提出了一种基于遗传-模糊聚类的说话人识别方法。对说话人的训练语音数据进行遗传-模糊的软聚类分析，从而得到分类中心的全局最优解，作为每个说话人的语音模型，最后利用最大总平均隶属度函数准则对待识别语音进行模糊聚类识别．除此之外，使用自适应参数增加遗传算法的局部搜索能力。实验结果表明，这种算法克服了传统硬聚类的缺点，避免了FCM对初值敏感及容易陷入最小值的缺陷，使聚类更加合理，更好地描述了说话人的语音特征。