基于模糊神经网络自适应控制研究

为了改善模糊神经网络控制系统的收敛速度,提出一种模糊神经网络自适应控制方案,在传统控制结构的基础上增加系统输出反馈网络,一方面使得控制量包含更多的系统动态信息,另一方面,也不至于增加模糊神经网络控制器的复杂度。仿真结果显示此种结构能够加快控制系统的收敛速度。     

基于自适应动态重组和极值扰动的人工蜂群算法

针对人工蜂群算法存在寻优能力弱和收敛速度慢的问题, 提出一种基于自适应动态重组和极值扰动的人工蜂群算法. 首先通过引入混沌优化算子产生初始解, 根据雇佣蜂的贡献度对其进行自适应动态重组, 然后引入极值扰动算子对雇佣蜂个体极值和全局最优值实施随机扰动. 实验结果表明, 该算法增加了种群的多样性, 加快了算法收敛速度, 提高了种群的可进化能力.      

一种基于推荐的信誉系统初始化定值策略

为了解决在面向开放网络的信誉系统中,不合理的初始化定值策略使信誉收敛速度受阻并引发漂白攻击问题,提出一种基于推荐的信誉系统初始化定值策略.首先构建了信誉收敛形式化模型、系统动态模型和系统恶劣度模型.然后依据对乐观初始化、悲观初始化和动态初始化等初始化策略的理论分析,提出基于推荐的初始化策略,采用打分和双向匿名机制保障初始化策略的有效性和安全性.仿真结果表明,新的策略可以有效地加快信誉收敛速度和遏制漂白攻击.     

一种融合多种策略的改进鲸鱼优化算法

针对标准鲸鱼优化算法容易陷入局部最优、收敛精度低的问题,提出一种融合动态划分等级策略和交叉存档策略的自适应鲸鱼优化算法,记为IWOA。首先引入自适应收敛因子,根据适应度值动态调整个体在迭代过程中的包围步长,平衡算法的探索和开发能力;然后对适应度不同的个体采用不同的自主学习策略,在增加种群多样性的同时加快算法的收敛速度;最后提出一种交叉存档策略,赋予陷入更新停滞的个体更好的位置,增强算法跳出局部最优的能力。在22个基准测试函数上的实验结果表明,IWOA在收敛速度和寻优精度等方面均有显著改善。在压力容器设计问题中的应用也表明IWOA可以有效解决复杂的非线性优化问题。     

一种动态改变惯性权的自适应粒子群算法

针对惯性权值线性递减粒子群算法(LDW)不能适应复杂的非线性优化搜索过程的问题,提出了一种动态改变惯性权的自适应粒子群算法(DCW).在该算法中引入了参数粒子群进化速度因子和聚集度因子,并根据这2个参数对粒子群算法搜索能力的影响,将惯性因子表示为粒子群进化速度因子和聚集度因子的函数.在每次迭代时算法可根据当前粒子群进化速度因子和聚集度因子动态地改变惯性权值,从而使算法具有动态自适应性.对几种典型函数的测试结果表明,DCW算法的收敛速度明显优于LDW算法,收敛精度也有所提高.     

一种改进的快速高效的差分进化算法

文章针对差分进化算法收敛速度和全局搜索能力之间不能同时兼顾这一问题,提出了一种改进的差分进化算法,该算法从动态更新种群、递增策略的交叉概率因子及递减策略的缩放因子对标准DE算法进行了改进,并用6个典型的测试函数对改进的差分进化算法和标准差分进化算法进行测试比较,结果表明改进后的差分进化算法在收敛速度、收敛精度和算法鲁棒性方面都要优于标准差分进化算法,采用动态更新种群的策略也有效地提高了算法的运算效率.     

一种改进惯性权重策略的粒子群优化算法

针对惯性权重改进策略大多采用同代粒子使用相同权重,忽略了粒子本身特点以及不同维上的有效信息,提出一种基于不同粒子不同维的动态自适应惯性权重粒子群算法(AWPSO)。在该算法中利用矢量运算分析粒子进化公式,用一种新的方法构造惯性权重公式,使惯性权重随不同代不同粒子不同维动态改变,加快粒子收敛速度和全局搜索能力。通过对7个典型测试函数的测试结果表明,AWPSO在收敛速度,收敛精度,全局搜索能力方面比线性惯性权重粒子群算法(LDIWPSO)均有不同程度上的提高。     

基于随机收敛因子和差分变异的改进灰狼优化算法

针对基本灰狼优化算法在求解高维复杂优化问题时存在解精度低和易陷入局部最优的缺点,提出一种改进的灰狼优化算法。受粒子群优化算法的启发,设计一种收敛因子a随机动态调整策略以协调算法的全局勘探和局部开采能力;为了增强种群多样性和降低算法陷入局部最优的概率,受差分进化算法的启发,构建一种随机差分变异策略产生新个体。选取6个标准测试函数进行仿真实验。结果表明:在相同的适应度函数评价次数条件下,此算法在求解精度和收敛速度上均优于其他算法。     

动态参数调整的多策略差分进化算法

针对差分进化算法在处理函数优化问题时存在的收敛速度较慢和过早收敛的问题,提出了一种动态参数调整的多策略差分进化算法.先将种群随机分为3个独立的子种群,分别采用3种不同的变异策略来避免种群陷入局部最优,并通过动态参数调整机制提高算法的收敛性能.经过一定代数的进化后,将种群中的优秀个体进行择优保留.采用CEC2005的25个标准测试函数对算法进行仿真,实验结果表明,新算法能够有效避免过早收敛,具有较好的优化性能.     

基于多输入多输出-正交频分复用系统的动态马尔可夫链蒙特卡罗检测算法

在多输入多输出-正交频分复用系统中,基于马尔可夫链蒙特卡罗方法的贝叶斯多用户检测算法可以有效地抑制多径衰落、载波频偏以及相位噪声干扰,但因收敛速度较慢导致实时性较差.针对这一问题,提出一种动态马尔可夫链蒙特卡罗检测算法.该算法利用系统状态样本间的相关性和所设定的收敛阈值门限,实现动态选取系统状态采样值的迭代收敛区间,以求在确保算法检测性能的同时,进一步提高检测估计运算的实时性.仿真结果表明,该算法具有收敛速度快、误码率低等优点.     

基于动态平衡因子自适应步长的布谷鸟搜索算法

针对标准布谷鸟搜索算法依赖Lévy飞行的游走导致整个搜索过程步长具有随机性的问题,提出一种基于动态平衡因子自适应步长的布谷鸟搜索算法。通过对标准布谷鸟搜索算法中参数偏度动态自适应取值来实现算法对步长的动态自适应,同时引入动态平衡因子以调节全局适应度和当前迭代次数所占的比重,从而实现布谷鸟搜索算法收敛速度和搜索精度的平衡。测试仿真实验结果表明,与标准布谷鸟搜索算法相比,提出的算法收敛速度显著提升;与单纯依赖迭代次数自适应步长的布谷鸟算法相比,提出的算法避免了为追求收敛速度而造成的算法早熟现象。     

一种快速收敛粒子群优化算法在云计算中应用

针对现有云计算平台在调度中任务派发速度相对较慢和资源利用率较低的问题,提出一种快速收敛的改进粒子群优化算法,能快速确定合理的子任务分配方案,以较高的寻优率达到所有任务总完成时间最短的优化目标.针对粒子群算法初期收敛速度快后期收敛变慢的情况,按时段动态调整惯量权重值,提高算法的收敛能力和求解精度;通过用粒子群中所有个体最优位置的平均值代替粒子群优化算法的速度更新式中的个体最优位置,大幅加快收敛速度,加快任务派发方案预测的速度.通过建模和算法实现对比,表明该粒子群优化算法能有效地提高任务分配的派发速度和减少任务的总完成时间.     

一种改进的解相关LMS自适应算法

针对变步长LMS自适应滤波算法在输入信号高度相关时,收敛速度下降导致性能下降的问题,提出了一种改进的解相关LMS自适应算法,该算法引入解相关原理和归一化处理,用输入向量的正交分量来更新滤波器权系数,有效加快了算法的收敛速度,且稳态误差小,使得算法在有色输入和大范围的动态输入下都能保持良好性能.     

一种基于复合惯性权值的粒子群优化算法

在研究神经网络优化的问题上,粒子群优化算法被广泛应用.针对基本粒子群优化算法收敛速度慢和易陷入局部最优等问题,提出了一种改进的粒子群优化算法.该算法除了采用线性惯性权值和进化速度-聚集度动态惯性权值相结合的方式来调整其权值,还将一种新颖的收缩因子引入到算法中.通过对4种典型测试函数进行仿真测试,实验结果表明新算法在收敛速度、收敛精度、改善优化性能上完全优于基本的粒子群优化算法,有效避免了基本群优化算法的缺陷.     

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。     

基于函数动态递减因子的布谷鸟算法

针对布谷鸟搜索算法存在收敛速度慢,求解精度低的缺陷,提出一种改进布谷鸟搜索(ICS)算法.将函数动态递减因子引入到步长和发现概率中,并对步长和发现概率进行自适应调整.测试结果表明,改进后的布谷鸟算法在收敛速度和求解精度方面均优于原始布谷鸟算法.     

改进的Elman网络在非线性系统辨识中的应用

通过对Elman网络的研究,提出一种新型的基于输入层、隐层、输出层神经元递归的动态递归神经网络,给出Elman网络的标准BP学习算法,针对标准BP算法的收敛速度慢和容易收敛于局部极小点的缺点,利用非线性动量项自适应变步长的BP算法进行改进,从而提高算法的收敛速度,避免陷入局部极小点的问题.通过在系统辨识中的应用,表明该网络收敛速度快,模型精度高,并具有较强的自适应性和鲁棒性,适合于动态系统的实时辨识.     

蚁群神经网络在变压器故障诊断中的应用

针对蚁群算法收敛速度慢的问题, 提出了一种改进方法, 通过为蚁群算法增加一种收敛因子, 使其在信息素的全局更新中为每次迭代产生的最优路径赋予额外的信息素增量, 降低了算法陷入局部最优解的可能性。分析了改进蚁群算法的收敛性, 并对其寻优能力进行了测试, 结果表明, 改进蚁群算法具有较强的寻优能力和较快的收敛速度。用改进蚁群算法优化神经网络并将其应用于变压器的故障诊断, 与BP神经网络诊断结果对比, 蚁群算法优化神经网络具有更快的收敛速度和更高的诊断精度。     

基于改进萤火虫算法与动态窗口法融合的移动机器人动态路径规划

针对传统萤火虫算法无法有效躲避未知障碍物、收敛速度慢、易陷入局部最优等问题,对其进行了改进,并将其与动态窗口法相结合,从而提出了一种移动机器人动态路径规划新算法。通过三种策略对萤火虫算法进行了改进：首先,采用Skew Tent混沌映射产生混沌序列对萤火虫种群进行初始化,提高萤火虫算法的全局收敛速度;其次,引入自适应步长平衡萤火虫算法全局和局部最优;最后采用差分进化算法通过变异、交叉和选择操作加强萤火虫算法的搜索能力。然后将改进萤火虫算法与动态窗口法相结合,使移动机器人在全局最优路径的基础上进行实时动态路径规划,在能保证全局最优路径的基础上有效躲避未知障碍物。本文基于MATLAB进行了仿真,仿真结果验证了所提算法的有效性。     

基于混合优化鱼群算法的近空间飞行器控制分配

为解决近空间飞行器的控制分配问题, 研究了一种融合了差分进化与遗传进化的鱼群优化算法控制分配策略。该方法能充分考虑执行器的动态约束, 根据操纵面物理约束随机产生鱼群的初始个体, 再利用鱼群算法进行全局搜索。鱼群算法搜索范围从全局搜索快速收缩进入局部搜索, 在收敛速度减慢或停滞时, 利用差分进化算法运行速度快及局部优化的优势, 以提高收敛速度和精度。同时在差分进化未能获取更优解时, 由遗传算法进行全局寻优, 避免分配结果收敛于局部最优解, 从而提高整个分配算法效率。同时将该方法应用于某近空间飞行器。仿真结果表明, 该控制分配方法能有效地将控制指令分配到各操纵面上, 实现良好的跟踪效果。