基于物种选择的遗传算法求解约束非线性规划问题

将信赖域思想和基于稳定进化策略思想相结合,提出一种基于物种选择的遗传算法.根据当前代最优点,采用稳定最优种群数目和收缩最优种群边界的方法将种群划分为最优种群和全局种群,并提出基于构造优化方向的一种新的交叉算子.研究结果表明:对这2种群按不同的策略协调进化,较好地平衡了种群的多样性和选择压力,兼顾了局部搜索和全局搜索;缺少合适的搜索方向是进化后阶段收敛速度慢的重要原因之一;本算法能有效地提高遗传算法的收敛速度,并具有比较好的鲁棒性.     

汇编语言程序调试工具DEBUG浅析

DEBUG是汇编语言程序的重要调试工具,也是学好汇编语言的难点之一。本文探讨了DEBUG在寄存器、内存、堆栈以及指令等教学内容中的重要作用,阐述了利用DEBUG调试程序的方法,以帮助学生利用这一工具学好和用好汇编语言。     

求解线性约束凸规划问题的预估校正内点法

提出一个求解线性约束凸规划问题的预估校正内点法,方法对初始迭代点的可行性没有任何要求,并证明了所给方法等价于1阶拢动复合牛顿法,且给出了一些数值试验结果。     

一种新的氧化铝质量分数建模与控制策略

针对氧化铝质量分数的建模与控制问题,提出一种新的基于最小二乘支持向量机(LS-SVM)和预测控制的建模与控制策略。首先,针对LS-SVM建模时的参数选取问题,提出一种基于混沌优化的CHAOS LS-SVM算法获得最优氧化铝质量分数预测模型。然后,提出一种基于LS-SVM的氧化铝质量分数预测控制算法,采用混沌优化在线求解最优控制律。仿真结果表明:CHAOS LS-SVM算法建立的氧化铝质量分数预测模型,其泛化能力要比基于神经网络(NN)的氧化铝质量分数预测模型的强;基于LS-SVM的氧化铝质量分数预测控制算法,其控制精度要比基于NN的氧化铝质量分数预测控制算法的高。     

基于改进蚁群算法优化参数的LSSVM短期负荷预测

提出一种自动优选最小二乘支持向量机(LSSVM)模型参数的改进蚁群(MACO)算法.该算法将LSSVM模型的参数作为蚂蚁的位置向量,然后采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,同时在最优蚂蚁邻域内进行小步长局部搜索,找到模型的最优参数,得到基于MACO算法优化的LSSVM(MACO-LSSVM)预测模型.将优化后的LSSVM模型应用于短期电力负荷预测问题,选择湖南某地区日期为2009-08-01至2009-08-30各小时点的数据进行分析,对2009-08-31该日24 h的负荷进行预测,并与BP神经网络和SVM模型进行比较.研究结果表明:本文方法得到的均方根相对误差为1.71％,比用BP神经网络和SVM模型得到的均方根相对误差分别低1.61％和1.05％.     

基于梯形隶属函数的模糊控制器的逼近精度分析

讨论了一类基于梯形隶属函数、单值模糊器、乘积型推理和中心平均解模糊的模糊控制器结构。利用泰勒公式．给出了一个在预定逼近精度的条件下如何划分模糊论域的公式，并且用仿真例子验证了该公式的正确性。仿真结果表明．该文所提出的计算公式是一个充分条件。     

变论域模糊控制器及其伸缩因子的仿真研究

在动态性能指标和稳态性能指标方面,变论域模糊控制器相时于一般模糊控制器均获得了较大的提高.但是,这些性能的提高与其伸缩因子的选取有很大的关系.作者对一般模糊控制器与变论域模糊控制器的控制性能作了仿真对比,讨论了伸缩因子中的参数对变论域模糊控制器的动态性能的影响,并总结了参数在不同的数值区间取值时影响性能指标的规律.     

大规模过程系统优化的序列界约束方法

基于非线性约束极小化的序列无约束方法,对大规模过程系统稳态优化的序列界约束方法进行了研究.该约束方法的罚函数只包含对等式和/或不等式约束的惩罚项,不包含对界约束的惩罚项,通过迭代求解一系列界约束极小化子问题而非无约束极小化子问题获得原问题的解;算法按2层结构实现,内层结构中主要求解界约束极小化子问题得到下一个迭代点,外层迭代主要修改乘子向量和罚向量以及检查收敛准则是否满足,重构下次迭代的界约束子问题,或在收敛准则满足时终止算法.此外,给出了求解界约束极小化子问题的修改截断Newton法,并用一类规模可变的约束优化问题和一类最优控制问题对所给方法进行了数值试验,试验结果表明,所给序列界约束方法是非常稳定和有效的.     

身份认证中的人脸识别技术

作为人的生物特征之一的人脸是人类一个完整而独特的部分,在身份认证中,它提供了其他验证方式所不具有的先天的便利性和技术方面的高效性,基于人脸识别的身份认证在商业领域及安全领域都有着广泛的应用。本文主要介绍人脸识别的主要方法和其在身份认证中的应用。     

基于适应性均衡模型的CMAES约束优化算法

提出一种基于适应性均衡模型的协方差矩阵自适应进化策略(ATM-CMAES)用于求解约束优化问题。ATM-CMAES中的CMAES利用当前代最优子群与上一代分布均值之间的关系更新协方差矩阵来调整种群分布,将协方差矩阵秩1和秩μ2种更新机制相结合,克服了传统进化算法对种群大小的过分依赖;将ATM作为约束处理技术,针对群体不可行、半可行和可行这3种不同情形,采用不同的约束违反度与目标函数值之间的均衡机制来指导群体进化。对13个标准测试函数的实验结果表明:ATM-CMAES具有通用、稳健和高效性能。