MEMETIC算法在非线性方程组求解中的应用

将非线性方程组求解问题转化为函数优化问题,在Memetic(文化基因)算法的框架下,采用了拟牛顿局部搜索与自适应多点交叉、随机变异相结合的策略进行求解,充分发挥Memetic算法的群体搜索和全局收敛性,有效克服了拟牛顿法的初始点敏感问题. 选择了几个典型的非线性方程组进行求解,实验表明Memetic算法在求解非线性方程组应用上具有较高的收敛可靠性和精度.     

基于HS-BP算法的股票预测

为了有效预测股票问题,针对股票走势具有随机波动性和非线性的特点以及BP神经网络收敛速度慢、容易陷入局部极小值的缺点,提出利用和声搜索算法优化BP网络权重的方法改进神经网络,并通过对股票预测指标的分析,建立了股票预测模型,将和声搜索算法优化BP网络应用于所建立的模型中求解.实验结果表明,将HS算法和BP神经网络有机结合,加快了网络收敛速度、避免了局部极小值,有效地刻画了股票的随机波动特性,提高了股票预测的准确性.     

遗传算法在求神经网络权值方面的应用

遗传算法是一种应用广泛的算法,主要用在全局寻优方面,是以种求解非线性问题的主要方法。神经网络具有学习功能,目前已有的算法是BP算法,RTF算法。本文试图从另外一个方面求网络权值,应用遗传算法求解网络权值。将神经网络与遗传算法有机的结合,完成对非线性问题的求解。     

线性等式约束非线性最优化问题的一个新算法

有文献给出了一般等式约束非线性最优化问题的一种求解途径。在此基础上将线性等式约束非线性最优化问题转化为非线性最小二乘问题求解,提出了求解最优化问题的一种新思路。然后利用Gauss-Newton法求解非线性最小二乘问题,在求解过程中引入非精确的一维搜索,提高了计算的效率,加快了算法收敛的速度,从而找到了具有线性等式约束非线性最优化问题的一个新算法,算法具有很好的收敛性,收敛速度是二阶的。最后经过数值实验证明新算法与Matlab优化工具箱计算的结果一致,是可行的、有效的。     

非线性约束极值问题的算法模型

本文给出了非线性约束极值问题的三个收敛算法模型。作者利用点到集映象的概念,以统一的观点讨论了如何将求解线性约束极值问题的算法用于求解非线性约束极值问题。作为应用,得到了一些已有的算法及一些新算法。     

凸非线性规划的一个预估-校正跟踪路径算法

提出一个预估-校正跟踪组合内点同伦路径算法,证明其全局收敛性,并用实数值算例验证其有效性.该算法由任意给定的一个内点,通过跟踪组合同伦路径得到凸非线性规划问题的解,并由β-锥邻域在可行域的内部确保迭代点是内点.该算法全局收敛,是一种求解凸非线性规划问题的有效算法.     

线性等式约束非线性最优化问题的一个新算法

有文献给出了一般等式约束非线性最优化问题的一种求解途径。在此基础上将线性等式约束非线性最优化问题转化为非线性最小二乘问题求解，提出了求解最优化问题的一种新思路。然后利用Gauss-Newton法求解非线性最小二乘问题，在求解过程中引入非精确的一维搜索，提高了计算的效率，加快了算法收敛的速度，从而找到了具有线性等式约束非线性最优化问题的一个新算法，算法具有很好的收敛性，收敛速度是二阶的。最后经过数值实验证明新算法与Matlab优化工具箱计算的结果一致，是可行的、有效的。
     

一种求解图的L(2,1)标号问题的混合遗传算法

通过Floyd算法、贪心算法和遗传算法结合提出了一种解决L(2,1)标号问题的混合遗传算法.通过仿真实验说明该混合算法加快了单纯应用遗传算法求解的收敛速度,能够快速解决给定图的L(2,1)标号问题.     

双种群进化策略解奇异非线性方程组

鉴于传统优化算法在求解奇异非线性方程组中存在受初值选取是否合适的影响、收敛速度慢且容易陷入局部最优解等缺点,提出一种改进双种群进化策略求解奇异非线性方程组算法.首先把奇异非线性方程组转化为无约束优化问题,再求解无约束优化.该算法克服了传统算法不足,避免了大量的求导计算,算法收敛速度快、求解精度高、稳定性强.     

基于LM-PSO算法和BP神经网络的非线性预测控制

针对非线性系统,提出了一种基于BP神经网络的预测控制方法。以BP神经网络建立多步预测模型并预测系统输出值,用LM(Levenberg-Marquardt)算法和PSO(Particle Swarm Optimization)算法组合的混合算法对目标性能指标函数进行滚动优化求解,得到非线性系统的最优控制量;利用误差修正参考输入法实现反馈矫正。通过将粒子群算法引入LM算法,克服了LM算法依赖初值和粒子群算法过早收敛于局部极值的问题,提高了求解的运行速度和精确度。通过对单变量非线性系统仿真实验,证明了该控制系统具有良好的稳定性、自适应性和鲁棒性。该方法可在数学模型不确定的情况下设计出有效的预测控制器。     

随机的算术几何平均

本文证明了在Ｂｅｔａ随机分布权重下,Ｌａｇraｎｇｅ和Ｌｅｇｅｎｄｒｅ两种算术几何平均的几乎处处收敛性,讨论了两种算术几何平均的一些性质。     

井间层析成像的平滑SIRT算法

井间层析成像是一个非线性反演问题 ,为了保证反演过程的稳定性 ,并提高迭代的收敛速度 ,对常规的SIRT算法进行了改进 ,即引入了平滑算子对梯度场进行动态平滑 ,并且通过线性搜索确定速度更新的步长。将这种改进的算法称为平滑SIRT算法。模型试算的结果证明 ,该方法提高了迭代的收敛速度 ,而且反演结果不受初始模型的影响 ,使反演过程的稳定性大大提高     

粒子群优化神经网络在木材干燥动态建模中的应用

木材干燥是一个复杂的非线性系统,由于木材结构复杂且具有多样性和变异性,很难建立一个理想的符合木材干燥过程的数学模型.提出了利用粒子群算法的全局寻优能力优化动态递归网络连接权值系数的方法,对木材干燥动态建模.仿真结果表明:粒子群优化BP算法建立木材干燥动态模型提高了期望误差精度和收敛速度,避免了BP算法陷入局部极小值,具有较好的预测精度.     

VC实现常微分方程初值问题求解

论述了以计算机为辅助计算工具，在VC编程环境下分别使用欧拉算法、改进欧拉算法以及经典龙格—库塔算法对常微分方程的初值问题进行数值求解的实现算法。     

基于神经网络的坐标测量机几何误差模型研究

分析了坐标测量机几何误差的几种常用模型，提出了基于神经网络的单项几何误差模型。由于坐标测量机几何误差变化规律复杂，采用一般的BP神经网络模型算法，速度慢且难以收敛。利用牛顿变形算法训练网络，加快了网络收敛速度，效果显著。通过与线性插值、多项式拟合法和神经网络逼近法的比较，可以明显看出用该神经网络算法的优越性。     

求解广义动态非线性测量数据处理的信赖域法

针对误差方程中同时包含非随机参数和随机参数的情况，提出了一种广义非线性动态最小二乘测量数据处理的新方法，即信赖域方法，并建立了相应的解算模型。计算中仅使用目标函数及其一阶导数信息，通过BFGS校正方法构造Hessian阵的近似，该算法不仅当迭代初值要求不严格时，仍保证收敛，而且在较强条件下具有二阶收敛结果。     

基于动态和谐搜索的混合粒子群优化算法

针对粒子群优化算法随维数增大群体多样性相对减小而早熟收敛的问题,在对和谐搜索算法进行适应性改进的基础上,将其引入粒子群算法中,提出一种动态和谐搜索混合粒子群优化算法(DHSPSO).该方法使得粒子在搜索初期更具遍历性,降低算法对初始值的敏感性,并通过和谐搜索算法搜索的随机性和优胜劣汰机制改善粒子群的多样性,使得算法具有更快的收敛速度与更好的全局搜索能力.以多个标准测试函数优化进行仿真测试,结果表明,DHSPSO算法在进行高维优化问题时,在寻优速度、精度和成功率等方面均显示出良好的优化效果.     

改进的神经网络并行算法及其在地震初至拾取中的应用

针对经典BP神经网络易于陷入局部极小点、易于产生振荡等缺点,提出了神经网络初始权值的二分法,改进了一种网络结构自动确定算法,并将随机算子和遗忘因子引入BP神经网络中.在提高全局寻优能力的同时,加快了网络的收敛速度.在分析了神经网络内在并行性的基础上,基于MPI实现了改进算法的并行化,将算法应用于地震资料的初至拾取,并取得了良好的应用效果,验证了算法的有效性.     

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.      

基于改进遗传算法的模糊聚类研究及应用

模糊C-均值聚类算法是一种局部搜索算法,采用迭代的爬山技术,对初值敏感易陷入局部最小值。遗传算法是一种全局优化算法,能够克服模糊C-均值聚类算法陷入局部最小值的问题,但遗传算法收敛速度慢,易早熟。应用小生境思想对遗传算法进行了改进,以保护种群中基因的多样性,设计了基于最短距离的算术交叉算子、边界变异算子及双精英种子参与进化的策略。仿真实验结果表明,改进后的算法能够提高模糊聚类的收敛速度和聚类质量。