无约束全局优化的一个新凸填充函数

对连续的非线性全局最优化问题，给出了一个新的凸填充函数，该函数带有两个容易调节的参数，它克服了原有的凸填充函数在计算上的不足之处；在讨论了所给出的凸填充函数性质的基础上，提出了一种求解连续无约束全局极小化问题的一种新的凸填充函数算法。     

一个非线性全局优化的单参数填充函数

根据填充函数算法的思想和基本理论,文章给出了一个求解无约束优化问题的单参数填充函数,讨论该填充函数的性质并设计了相应的算法。该填充函数只含有1个参数,在实际计算中易于调节。实验结果表明该填充函数是可行的。     

一个新的解全局优化问题的填充函数

给出了一个新的非线性全局优化问题的填充函数和相应的填充函数算法.算例表明,该算法是可行且有效的.     

全局优化问题的无参数填充函数法

通过对全局优化问题的填充函数算法的研究,克服了填充函数P（x,x^＊,γ,ρ）和P（x,x^＊）存在的缺陷,构造了2个连续的无参数填充函数W（x,x^＊）和W（x,x^＊）,并证明了它们满足填充函数的定义。数值试验的结果表明,新的填充函数算法对于求解全局优化问题是有效的。     

有约束连续全局优化问题的填充函数

求解全局优化问题的填充函数法的关键在于构造一个称为填充函数的辅助函数,给出了一类求解带约束的连续全局优化问题的填充函数,讨论了其填充性质.     

连续无约束优化问题的一个新填充函数

关于连续无约束全局优化的问题,构造了一种新填充函数的形式,证明了该形式是满足所定义的填充函数的有关性质,根据该函数形式设计了相应填充函数算法。数值试验表明此算法是可行和有效的。     

求解全局优化问题的一个新的填充函数算法

构造了一个新的单参数且连续可微的填充函数,并将其与进化算法相结合提出了一个新的填充函数算法。该算法通过不断跳出局部最优解进入更优解所在区域的方式来提高优化效率,通过设置进化算法中种群均匀分布、增加种群多样性的方式增加了算法的全局寻优性能,并将该算法在标准测试集上进行了测试。结果表明,该算法简单有效,并且随着优化问题维度的提高而表现稳定。     

全局优化的一类新的填充函数

使用填充函数法求解无约束问题的全局极小点, 用较一般的连续可微导数大于零的函数组合得到了一类新的填充函数, 并给出了相应的收敛性证明及满足此条件的一些特殊函数. 算例结果表明, 使用新填充函数更有效.     

用于全局优化的一种有效的单参填充函数

填充函数法是一种求解多变量、多极值函数全局最优的有效方法,但该方法的优化效果与构造的填充函数关系密切．构造了一种形式简单的单参数填充函数,并对其进行理论分析和仿真实验．对6个基准函数的数值实验表明,构造的填充函数对参数依赖性小,全局收敛速度快．     

一个新的求无约束全局优化的填充函数

根据Zhang对填充函数的新的定义给出了一个新的求无约束全局优化问题的填充函数,并根据这个填充函数提出了相应的填充函数算法。数值试验表明此算法是有效可行的。     

一类求解优化问题的神经网络及其全局吸引性分析

构造了一个以微分包含形式给出的神经网络模型来求解带有等式约束和不等式约束的非线性最优化问题.通过在网络模型中引入含有加权矩阵的高阶补偿项,不仅提高了神经网络优化计算的收敛速度,而且改进了优化解从不可行域逐步收敛到稳定域的问题.理论上不仅证明了神经网络的解的全局存在性和唯一性,也证明了解的有界性以及在有限的时间内收敛到最优化问题所确定的最优解集中,并分析了神经网络的全局吸引性.通过三个数值例子验证了所提出的神经网络优化的有效性.     

基于遗传算法的神经网络权值优化

针对BP算法学习效率低、收敛速度慢，以及易陷入局部最优等缺点，提出了一种新型的、基于自然选择和基因遗传学原理的随机搜索算法——遗传算法(Genetic Algorithm)，并论述了它在BP神经网络中权值优化的问题。仿真结果表明，用遗传算法优化BP神经网络的权值收敛速度快，并有效解决了BP算法易陷入局部最优的问题。     

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     

基于粒子群优化的过程神经网络学习算法

基于粒子群优化为过程神经元网络提出了一种新的学习算法。新算法在对网络输入函数和连接权函数进行正交基函数展开后,将网络中的结构参数和其他参数整合成一个粒子,再用粒子群优化算法进行全局优化。新算法不依赖于函数梯度信息,不需要手动调节网络结构。粒子群优化具有良好的全局优化性能和收敛性能,保证了过程神经元网络的全局学习能力和新学习算法的收敛能力,更好地发挥过程神经网络的逼近性能。两个实际预测问题的实验结果表明,基于粒子群优化的学习算法比现有的基于梯度的基函数展开方法以及误差反传神经网络模型具有更好的预测精度。     

前馈神经网络中BP算法的一种改进

在传统的BP算法基础上,提出了一种改进的BP学习算法,先加入描述网络复杂性的量,使算法能够考虑到网络的连接复杂性,进而有可能删除掉冗余的连接甚至节点;接着提出对网络的学习步长的动态调整,以此来尽量避免传统学习中的学习速度过慢和反复震荡;然后给出新的算法是高阶非线性收敛的证明;最后通过实验说明的新的BP算法在一定程度上可减少网络的复杂性,有着比传统算法更快的收敛速度。     

一种新型的前馈多层神经网络学习算法

利用矩阵Ｍｏｏｒｅ－Ｐｅｎｒｏｓｅ逆的方法,提出了一种新型的前馈多层神经网络学习算法－ＭＢＰ算法。该算法采用了群体搜索的策略,打破了ＢＰ算法一次一点的搜索方式,一次可搜索权空间中的一个超平面,仿真结果表明,该算法在提高收敛速度和避免陷入局部极小点方面都有一定的进展。     

一种局部回归神经网络的快速算法

针对目前局部回归神经网络动态ＢＰ算法的误差导数计算复杂、收敛速度慢的缺陷,提出了一种新的快速算法、该算法是将信号流图引入动态ＢＰ算法,较好地解决了求导数的复杂性,同时采用ＢＦＧＳ算法另快了网络的收敛速度仿真结果表明了本算法的有效性。     

时滞区间静态神经网络的全局鲁棒稳定性

应用Lyapunov泛函方法和拓扑度理论研究了时滞区间静态神经网络的全局鲁棒稳定性,给出了一些实用的判据。     

时滞BAM神经网络的全局稳定性

利用李雅普诺夫泛函方法并结合一些分析技巧获得了时滞BAM神经网络平衡点全局渐近稳定和全局指数稳定的充分条件，这些条件对设计全局渐近稳定的BAM神经网络和全局指数稳定的BAM神经网络具有重要意义．     

太湖洪水预报的前向人工神经网络全局最优逼近方法

将求解不等式约束非线性优化问题的群体复合形进化算法 ,应用于前向人工神经网络逼近 ,提出了前向人工神经网络全局最优逼近算法 ;将前向人工神经网络全局最优逼近算法应用于太湖水位预报 ,建立了太湖水位预报的神经网络模型 ,表明了提出的全局最优逼近算法的有效性