前向神经网络拓扑结构和权值的进化

基于进化规则（Bvolutionary Programmin)的方法，提出一种进化前向神经网络的新算法。该算法能同时进化网络的拓扑结构和连接权值（包括阈值），产生非常紧凑的网络结构，并且由于其全局搜索能力能够避免结构的局部。仿真结果证明了该算法的有效性。     

进化规划和进化策略中变异算子的若干研究

介绍了进化规则和进化策略中使用的三种变异算子及其性质，应用概率论方法比较了它们的局部搜索和局部逃逸性能。结果表明，柯西变异算子和正态变异算子分别具有良好的局部逃逸和局部搜索能力，而平均变异算子在一维时同时具有良好的局部逃逸和局部搜索能力，但在高维时它的性态和柯西变异算子基本一样，这些结果为设计和使用变异算子提供了指导和启发。     

基于免疫进化算法的小波神经网络的混沌优化设计

针对进化算法中的“退化”问题和小波神经网络的“维数灾”问题,将免疫算法和进化算法相结合,在引入混沌机制的基础上,提出了一种基于免疫进化算法的小波神经网络混沌优化设计方法。该方法既充分发挥了小波神经网络的快速性,又充分利用了免疫算法的全局性、适应性等特点。仿真结果表明了该算法的有效性。     

基于免疫策略的进化算法

给出了免疫策略的进化算法的具体步骤和收敛性.442个城市TSP问题的仿真计算结果表明,该算法对减轻退化现象具有明显的效果,从而提高了算法的性能与搜索效率,加快了收敛速度.     

模拟进化优化方法

本扼要介绍了模拟进化优化方法中的两个分支－遗传算法和进化规则,同时将进化规划与基于梯度的寻优技术有机地结合起来,提出了一种新的全局寻优算法一启发式进化规划,最后给出了数值算例,说明了此类方法在求解组合优化问题以及具有不可微的目标函数或约束条件复杂的非线性优化问题的优越性。     

基于遗传算法的神经网络优化

神经网络和以遗传算法为代表的进化算法都是仿效生物处理模式来获得智能信息处理功能的理论,其中,神经网络已被广泛应用于智能控制系统优化,信号及信息处理,模式识等领域,而遗传算法则是模拟生物的进化现象（处然淘汰,交叉,变异等）,不表现复杂现象的一种概率搜索方法,以达到快速有效地解决各种困难问题。但神经网络和遗传算法目标相近而方法各异,因此,将这两种方法相互结合,必能达到取长补短的作用,近年来,在这方面已经取得了不少研究成果,形成了以遗传算法与神经网络相结合的进化神经网络（ENN）。本文以综述的形式总结了遗优越传算法在神经网络训练中的应用情况。     

基于自适应免疫进化算法的多用户检测

本文采用自适应免疫进化算法来解决多用户检测问题．通过计算机仿真，无论是抗多址干扰还是抑制远近效应，此方法都明显优于传统检测方法，并且具有与最优检测器接近的误码率性能。     

基于差分进化算法的神经网络优化设计

【目的】研究解决传统神经网络手动设计网络结构的局限性,并探究差分进化算法对神经网络优化的有效性。【方法】提出了一种基于差分进化算法的多层前馈神经网络的优化设计方案,用以同时完成神经网络的权值空间和网络结构空间的搜索,给出不同场景下的最优网络结构。该算法采用（1+1）-ES二元进化策略,使用一种新的网络结构交叉和变异方法,通过双种群结构共同进化及自适应变异率等策略加快网络结构的搜索以及算法的收敛。【结果】在预测、分类等问题中,基于差分进化算法的神经网络优化设计能够较好地搜索到最优的神经网络结构,并与传统的BP神经网络以及经典的预测分类算法进行比较,实验结果具有较强的鲁棒性。【结论】基于差分进化算法的神经网络优化设计是解决网络结构寻优问题的有效方法。     

基于改进差分进化算法的RBF神经网络在股指预测中的应用

为了提高径向基函数(RBF)神经网络的预测性能,文章提出改进的差分进化算法(IDE),通过引入混合变异策略和局部算子来增强算法的收敛速率和局部搜索能力,用改进的差分进化算法对径向基函数神经网络的网络结构参数进行优化,建立了IDE-RBF神经网络股指预测模型,并以上证综指为例进行了实证分析。实证结果表明,IDE-RBF神经网络的预测效果明显优于其他预测模型。     

一种结合进化策略与神经网络的图象恢复方法

图象恢复在已知退化矩阵的前提下,可近似看成求解最优化问题.本文提出了一种进化　策略与神经网络结合的求解最优算法,并应用于图象恢复.结果表明,综合算法优于仅采用神经网络的算法.     

基于免疫算法的RBF神经网络盲均衡算法

本文采用免疫算法来优化RBF神经网络,得到一种更加优化、更加合理的混合算法,即免疫神经网络,并将此算法用于盲均衡器的优化设计,MATLAB仿真实验结果表明,经此算法优化后的盲均衡器,其均衡效果显著提高.     

基于思维进化算法的人工神经网络结构优化

针对神经网络结构难以优化的问题,本文采用思维进化计算(MEC)算法和BP算法相结合的方法来动态优化神经网络结构。随机产生网络结构,对每一结构,利用BP算法评价神经网络结构优劣,找到局部最优结构,再通过MEC算法中的趋同、异化操作,找出全局最优结构。仿真结果说明了算法的有效性。     

基于遗传算法的神经网络结构优化

介绍了遗传算法的基本原理,然后利用遗传算法优化神经网络结构,形成以遗传算法与神经网络相结合的进化神经网络.经验证可知,该算法具有一定的可行性与有效性.     

基于免疫应答原理的免疫算法及其在多模态函数优化中的应用

基于免疫应答原理及小生境概念，采用实数编码策略，提出解决多模态函数优化的免疫算法。构建此算法的目的在于将其与遗传算法比较，分析二者的差异。算法设计的关键在于抗体评价规则及亲和突变算子，以及引入小生境技术、抗体浓度概念及免疫系统中群体多样性的机理，增强群体多样性。此算法具有自适应地调整进化群体规模、并行搜索最优解及强稳定性等特点，特别能搜索多个最优解(若存在)及大量局部最优解；同时其收敛性获证。事例仿真比较获该文算法的有效性，此暗示免疫算法的研究具有广阔前景。     

基于遗传算法的BP网络全局收敛的混合智能学习算法

给出了一种将 BP算法和遗传算法有机结合的全局收敛的混合计算智能学习算法。此算法结合了 BP算法和遗传算法的长处 ,既有较快的收敛性 ,又具备良好的全局收敛特性。计算机仿真结果表明 ,该混合算法显著优于遗传算法和 BP算法     

基于免疫进化算法的径向基函数网络

基于免疫进化算法，提出了一种设计径向基函数(RBF)网络的新算法——免疫径向基函数网络(IRBF)训练算法．该算法通过提取RBF网络核函数宽度的先验知识作为疫苗构成免疫算子，缩小了标准进化算法搜索空间的范围，提高了算法的收敛速度．计算机仿真表明，采用这种算法训练的RBF网络达到了较好的性能．     

基于人工免疫算法的神经网络电力系统短期负荷预测

在BP神经网络（Baek-propagatlon neural network, BPNN）模型中引入人工免疫算法（Artificial Immune Algo-rithm,AIA）,给出了AIA-BPNN模型,基本思想是结合AIA算法的搜索特性和BPNN 模型的优良性能,可以进一步提高学习能力．与实际电力系统结合构造了AJA-BPNN电力系统短期负荷预测模型,通过使用AIA算法,优化BPNN的权值和阈值。使BPNN权值和阈值选择的盲目性得以克服．     

一种基于粒子群优化算法的神经网络训练方法

介绍了粒子群优化(PSO)算法的原理,研究了将PSO算法应用于神经网络训练的方法,给出了算法软件实现的基本流程,并对Iris分类问题做了仿真实验,通过与BP算法的比较,结果表明基于PSO的神经网络训练算法操作简单,易于实现,而且训练精度较高,有良好的收敛性.     

四色图着色问题的混沌神经网络解法

采用一种基于退火策略的混沌神经网络（ACNN）算法求解四色图着色问题。将混沌机制引入H0pfield神经网络（HNN），利用混沌的遍历性进行随机搜索，由退火策略控制混沌动态退出和倒分岔出现，使ACNN逐渐趋于一般的HNN．从而既避免了陷于局部极小，又加快了收敛速度，使网络能快速收敛到一个全局最优或近似最优的稳定平衡点。仿真结果表明，这是一个能有效求解四色图着色问题的全局最优化算法。     

基于模糊免疫神经网络PID算法的全向底盘控制方法

针对全向底盘控制的实际需求,提出了基于模糊免疫神经网络PID算法的智能控制方法。首先根据神经网络算法和模糊算法的结构特点建立了模糊神经网络模型,并使用误差反向传播的方法对模型进行训练;然后使用免疫算法确定学习率,实现了对PID参数的动态整定,并对底盘路径跟踪控制器参数进行整定,以实现对底盘的精确运动控制;最后建立了底盘的运动学模型,基于Matlab平台进行了相关算法的仿真,并基于Linux Ubuntu系统下Tensorflow框架搭建并训练了神经网络模型,进而实现了整体算法。轨迹跟踪试验表明:当底盘沿不同方向以5 m/s的速度进行轨迹跟踪时,最大误差为4.88cm,平均误差为0.25cm,该算法能够有效地对底盘进行控制,满足全向底盘控制的要求。