免疫遗传算法在BP神经网络中的应用

提出了一种基于免疫遗传算法(IGA)的BP神经网络设计方法.该算法在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能.为了解决BP神经网络权值随机初始化带来的问题,用多样性模拟退火算法(SAND)进行神经网络权值初始化,并给出了算法详细的设计步骤.仿真结果表明,同混合遗传算法相比,该算法设计的BP神经网络具有较快的收敛速度和较强的全局收敛性能.     

基于停电区域电力系统故障诊断的矩阵算法

利用故障诊断数学模型,在深入分析电网故障时保护、断路器状态信息结构的基础上,提出了相应关联矩阵运算方法。并通过一个简单的电网结构图在几种不同的故障情况下的仿真实验,证明了所提出的矩阵算法是正确的。     

一种基于MCMA的双模切换变步长的盲均衡算法

在修正常模算法（MCMA）代价函数的基础上，根据QAM信号分布的特点，得到一种误差控制函数在CMA和DD算法间切换的、变步长的盲均衡算法。它充分利用了CMA与DD算法各自的优点，改善了常算法收敛速度慢和收敛后剩余码间干扰大的不足，能够补偿由信道引起的相位误差，同时还具有重新启动的能力。计算机仿真表明：该算法收敛速度较快，收敛后剩余码间干扰很小，输出星座图紧簇，没有相位旋转，而且在信道突变的情况下能快速达到二次均衡。     

基于神经网络的客车车身结构参数优化

为尽量减轻车身结构的质量,改善结构应力状况,提出了人工神经网络理论和遗传算法相结合应用于客车车身结构参数优化的方法。把正交表组合的结构参数作为输入矢量,ANSYS软件计算出的客车车身静动特性作为输出矢量。在对网络进行训练的基础上,建立了矩形梁构件的高度、宽度和客车车身的强度、刚度、频率之间的数学模型,以此作为优化问题的约束条件,用遗传算法求得结构参数全局最优解,试验结果证实了该方法切实可行。     

计算机控制系统信号重构容错算法研究

信号重构是计算机系统与被控对象进行信息通信的重要环节,在简要分析Shannon重构、ZOH重构和一阶重构等信号重构方法局限性的基础上,提出了一组基于三点插值的重构算法和被控过程采样数据的一步容错预测算法,并将一步容错预测与三点插值算法相结合,建立了对于被控过程信号异常情况有良好容错能力的一步容错预测二阶重构算法。上述的一步容错预测二阶重构算法不仅结构简单、可用于在线控制,而且算法精度和可靠性明显高于普通的ZOH重构和一阶重构算法。     

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。