蚁群算法在水位流量关系拟合中的应用

蚁群算法是一种模拟进化算法,初步研究表明该算法具有许多优良性质.针对传统水位流量关系曲线拟合过程中存在精度不高等问题,应用连续性空间优化问题的蚁群算法模型来拟合水位流量关系,并将该方法与遗传算法及传统的优化方法进行比较.结果表明,蚁群算法具有直观、简便、快速、实用性强等优点,是一种较为优秀的全局优化方法.     

聚类自适应模糊控制及其在多温区电加热炉中的应用

本文提出一种新型的自适应模糊控制 ,结合“逆系统法”的思想和 VRE技术 ,将聚类算法和常规模糊控制加权求和得到系统的控制量 ,对一类非线性、大延迟、强耦合的对象进行控制 .实验表明该方法自适应和鲁棒性强 ,实时性好 ,具有一定的工程实用性     

模糊规则发现算法研究

引入最小强度的概念来限制模糊属性集的搜索范围，提出一种能发现强模糊规则的快速算法．此算法利用Apriori算法的搜索技术来发现强模糊规则，因此具有较高的算法效率，并有效地解决了模糊系统的维数灾难问题．在快速算法的基础上，又提出一种能发现固定数目的强模糊规则的划分算法．该算法将数据库划分成多个子数据库，并在于数据库上通过发现划分强模糊属性集来限制全局强模糊属性集的搜索范围．实验表明，划分算法比快速算法更节省时间．     

基于邻域影响的改进粒子群算法的聚类算法

K-均值算法是一种传统的聚类分析方法,具有思想与算法简单的特点,因此成为聚类分析的常用方法之一。但K-均值算法的分类结果过分依赖于初始聚类中心的选择,对于某些初始值,该算法有可能收敛于一般次优解,在分析K-均值算法和粒子群算法的基础上,提出了一种基于邻域影响的改进的粒子群算法的聚类算法,通过对粒子群算法的改进来优化与K-均值结合的聚类算法。该算法将局部搜索能力强的K-均值算法和全局搜索能力强的粒子群算法结合,提高了K-均值算法的局部搜索能力、加快收敛速度,有效阻止了早熟现象的发生,达到那些离群的孤立点。实验表明该聚类算法有更好的收敛效果,一方面聚类所用的时间更短,另一方面聚类的准确率更高。     

基于随机共振与粒子群优化的毫米波辐射计信号去噪算法

毫米波辐射计由于具有全天候工作、识别金属目标能力强、隐蔽性好等特点,具有广阔的应用前景。然而由于大气干扰、辐射计本身抖动等影响,毫米波辐射计的输出信号隐没在强噪声背景下。传统的微弱信号检测方法在强噪声背景下信噪比改善性能并不理想,本文提出了一种基于可变惯性权重和信息共享的粒子群优化的自适应随机共振算法的毫米波辐射计信号去噪算法。实验结果表明,本文方法对噪声的变化有更好的鲁棒性,尤其在强噪声背景下相比于传统去噪算法,能更好地改善信号的输出质量。     

基于分块矩阵的6R机器人实时逆解算法

为提高6R机器人逆运动学求解的强实时性,提出了一种基于分块矩阵相乘来求解逆运动学的方法。将复杂的6个矩阵方程转换为含有6个未知变量的8个纯代数方程来进行求解,并在方程简化过程中引用符号运算预处理,避免了大量浮点运算带来累积误差。通过方程组的优化,可避免第3关节变量求解中产生增根的情况。试验结果表明,在同等精度要求下,该逆解算法相比于其他算法具有更强的实时性,得到精确的8组封闭解平均仅需0.009 7 ms,能够满足机器人的在线控制要求。     

强光束干扰下的弱目标图像检测

由于强光束的方向性和弱目标的各向同性,采用具有方向选择特征的多尺度,多频道Gabor滤波器组来抑制强光束,并在此基础上采用纹理驱动的相关分析算法来检测弱目标图像,实验证明这是一种有效的检测手 段。     

用于高维函数优化的多智能体量子进化算法

基于智能体的竞争和学习能力、量子计算理论及生物进化策略,提出了一种新的优化方法——多智能体量子进化算法．一个智能体代表优化问题的一个可能解,所有的智能体都以量子染色体表示．该算法将智能体分布于多智能体网络环境中,智能体之间通过量子进化来实现竞争及学习,以提高个体的竞争能力．理论证明该算法具有全局收敛性．实验结果表明,该算法具有强的全局寻优能力及快速搜索能力。     

一种基于LSB的数字图像隐藏的改进算法

针对传统的LSB数据隐藏方法,提出了一种以数字图像为媒体的信息隐藏改进算法,该方法具有容易实现、隐蔽性强、抗干扰性好、效率高等优点.     

一种改进的BP算法

为了克服BP算法易陷入局部极小、收敛速度慢等缺点,笔者利用非线性最小二乘法对其进行了改进.结果表明,采用改进后的BP算法来训练神经网络,能在一定程度上提高神经网络的收敛速度,具有学习速度快、识别能力强等优点.     

强激光场中N2分子的动力学性质的辛算法研究

采用分子动力学方法研究了N2分子在强激光场作用下的经典轨迹,并应用了现在较优越的数值方法——辛算法来求解方程,这使计算结果更加令人信服.通过对强激光场作用下N2分子的研究,我们得到了在极端条件下同核双原子分子的动力学特点.     

一种自适应的漏桶算法

Berger所提的漏桶算法在多业务智能网环境中不具有自适应性,难操作.我们通过在SCP中引入速率调整参数,让SCP根据分配给各业务的处理能力、当前的负载及各业务的业务流情况来动态地调整SSP上各业务漏桶的令牌产生速率,提出了一种自适应的漏桶算法.分析和仿真的结果表明此算法具有效率高、公平性好、自适应性强的优点.     

水污染对流弥散数学模型中弥散参数神经网络模拟

应用BP神经网络方法,建立了多孔介质参数与弥散参数之间的非线性映射关系.为加速网络的收敛速度,采用了局部学习率自适应的DBD(deltar-bar-delear)算法.通过对Klozt的部分实验数据进行训练和检验表明,神经网络方法具有预测精度较高、自学能力强、考虑不定性能力强等特点.     

程序设计中的递归算法

迭代循环和递归调用是程序设计中常用的方法，递归调用是一种比迭代循环功能更强的循环结构。递归程度具有一般的模式，可以用归纳法证明递归程序的正确性。     

一种新的多目标粒子群算法的研究与应用

基于多目标粒子群优化算法的研究成果,以提升多目标优化方法性能为目标,结合铜电解稳态优化工程实际,提出了一种新的多目标优化粒子群算法.该方法采用可变的外部集策略和快速排序方法来减少优化计算量,采用拥挤度算子和强支配关系保证结果良好的分布性.测试函数的仿真对比分析及对铜电解实际过程数据的优化运行结果均表明该方法在收敛性、解的分布性及计算效率方面具有良好品质,特别是在求解三目标优化问题时的突出表现,表明这种算法在多目标优化领域具有更广泛的适用性.     

递归算法非递归化的一般规律

尽管递归算法具有结构简练、清晰、可读性强、正确性容易得到证明等优点，但递归算法在执行过程中会耗费太多时间和空间。为了追求算法的时空效率，特别是使用不支持递归的程序语言的情况下，必须将递归算法转化为非递归算法，问题才能得到有效解决。为此，给出了递归算法转化为非递归算法的一般方法，并以Hanoi塔问题、二叉树的中序遍历问题为例进行了详细地分析。     

两种智能优化算法及其应用

遗传算法和蚁群算法是两种新型的寻优策略,遗传算法用于函数优化问题,蚁群算法用于求解非线形规划问题.建立通过相应的优化模型,并得出了实现的步骤,结果表明遗传算法具有简单、通用、鲁棒性强、适用于并行处理的特点.蚁群算法具有正反馈性、较强的鲁棒性、并行性以及易与其他方法结合的特性.     

基于多值编码GA-BP混合算法的板形板厚综合预测控制

为克服BP神经网络存在的收敛速度慢、易于陷入局部极值等不足,提出了可以同时优化BP神经网络的结构和参数的基于多值编码方式的嵌入梯度下降算子的混合遗传算法(GA-BP).并在此基础上针对板形板厚综合系统(AFC-AGC)具有强非线性、强耦合而难以建立精确的数学模型的问题,设计了基于BP网络板形板厚综合预测模型,引入了反馈校正的方法来提高板形板厚控制系统的抗干扰能力.仿真结果表明,该模型可以实现板形板厚的精确控制,为热连轧板形板厚综合控制提供了一个新的有效的方法.     

一种基于静电场概念的聚类算法

在静电场中质心位于静电平衡或那些能够被接受的平衡位置处,基于这一思想提出了一种发现簇中心的新方法。根据静电场中电荷间的引力作用来确定质心位置,然后根据相应的准则(如最小距离准则等)使用选定的质心对数据点进行聚类。最后将提出的方法与K-means算法进行实验对比,结果表明该方法克服了K-means算法存在的问题,例如,对噪声和初始聚类中心敏感以及易于陷入局部最优等。该方法具有很高的效率,并且对多维数据集有强的鲁棒性。     

基于多值编码GA—BP混合算法的板形板厚综合预测控制

为克服BP神经网络存在的收敛速度慢、易于陷入局部极值等不足，提出了可以同时优化BP神经网络的结构和参数的基于多值编码方式的嵌入梯度下降算子的混合遗传算法（GA-BP）．并在此基础上针对板形板厚综合系统（AFC-AGC）具有强非线性、强耦合而难以建立精确的数学模型的问题，设计了基于BP网络板形板厚综合预测模型，引入了反馈校正的方法来提高板形板厚控制系统的抗干扰能力．仿真结果表明，该模型可以实现板形板厚的精确控制，为热连轧板形板厚综合控制提供了一个新的有效的方法．