极度并行计算：演化算法和演化神经网络的研究发展

演化算法，神经网络以及两者的结合作为一种极度并行的计算，已引起人们极大的注意，本文首先对演化算法的不同流派作了比较和分析，然后对演化算法与神经网络的结构作了回顾与展望，并讨论了演经神经网络的并行实现模式，最后指出了演化算法及演化神经网络有待解决的几个关键问题，为后续研究指明了方向。     

进化神经网络的研究进展

进化神经网络由于充分利用了进化算法与神经网络的优点而越来越受到人们的关注,从而形成了一门新兴的计算智能学科.讨论了进化神经网络的起源,从辅助式进化神经网络和结合式进化神经网络评述了进化神经网络的研究现状,阐述了进化神经网络的并行实现.最后指明了进化神经网络的发展与未来.     

基于演化神经网络的飞机自动着陆自适应逆设计

应用基于演化神经网络的自适应逆方法对飞机纵向自动着陆控制系统进行了设计与研究。首先,提出了逆控制器的结构,并将演化神经网络用于自适应逆控制的学习过程。然后用神经网络自适应逆控制方法对飞机自动着陆系统进行设计,最后,对所设计的控制系统做了数字仿真研究。结果表明,所设计的自动着陆控制系统具有良好的可行性和鲁棒性。     

基于自适应差分演化的特征选择算法在石油储层识别中的应用

近年来我国石油产量跟不上需求,供需矛盾进一步凸显,导致石油的对外依存度已经连续几年超过警戒线,为了缓解供需矛盾,石油的增储上产是一种有效措施,但精确地识别石油储层成为增储上产的一大难题,而特征选择是精确识别石油储层的有效保障.本文提出了一种增强型自适应差分演化算法,即ESADE算法,在算法中使用了双种群的概念,构造了一个简单的双层差分演化,并且在算法的选择操作中加入模拟退火的思想;接着将ESADE算法作为特征选择的搜索策略,将ReliefF算法、BIF算法、FCBF算法及随机抽选特征算法作为评价准则库,SOM神经网络算法、模糊C均值算法、K均值算法和K近邻算法作为分类器库,得到了一种基于ESADE的特征选择算法.然后将此算法应用于某油田oil81、oil82、oil83、oil84和oil85五口井的测井数据集上进行石油储层的油层、差油层、水层和干层的分类识别,并与未进行特征选择直接进行分类的结果进行比较及相同分类正确率下不同分类算法组合及不同属性选择的比较.实验结果表明与SOM神经网络算法、模糊C均值算法、K均值算法及K近邻算法这四种分类算法相比,基于ESADE的特征选择算法能在利用较少属性的同时提高分类准确率,并能够提供不同的属性和分类算法的最优组合方案.     

网络化作战信息流转策略适应性演化建模

动态灵活、优化匹配的信息流转策略,是网络化作战中信息顺畅传递、高效流转的重要保证。首先,定义了网络化作战信息流转的相关概念,抽象了信息流转策略结构;其次,给出了信息流转策略与使命任务的一致性匹配测度方法,分析了信息流转策略适应性演化的一般过程,提出了由演化收益和演化风险组成的适应性演化距离,以相邻信息流转策略之间的演化距离最小为优化目标,建立了网络化作战信息流转策略的适应性演化模型;然后,采用逐次优化算法搜索最优演化路径,并给出了相应的算法流程及求解步骤。最后,通过空中进攻作战案例分析,验证了模型与方法的可行性、有效性。     

基于粒子群优化模糊神经网络的高技术知识创新评价

针对高技术知识创新非线性、不确定性、时变性的特点,建立了评价指标体系|结合粒子群优化算法,提出了一种改进的模糊神经网络评价模型。该模型能够进行多个并行时变模糊神经网络组合算法,这些算法通过进化预置网络的连接权值、阈值和补偿参数,实现网络的学习和精确推理。通过仿真应用,证明了此种模型结构与算法适用性好,便于计算机实现,且全局收敛能力、收敛速度和泛化精度等性能均优于原先的学习算法。     

一种混合交叉策略的多目标演化算法及其性能分析

演化算法（EA）是求解多目标优化问题（MOP）重要而有效的方法，而应用演化策略、技巧是改善解性能的重要途径。作者叙述了多目标优化问题的有关概念，结合已有算法中的方法，设计了基于两种交叉操作相互结合的多目标演化算法（MOEADC），并且分析相关性能。该算法不仅具有较高的计算效率，而且具有较好的收敛性能，并且运用了有关方法维护了解集的分布性能。算例结果表明该算法的良好性能。     

基于演化博弈的制造企业研发团队知识转移网络演化

为揭示制造企业研发团队知识转移与持续流动的微观机制,结合演化博弈与复杂网络相关理论,利用计算机仿真技术,探究了无标度网络载体下,制造企业研发团队知识转移行为的扩散现象.研究结果表明,组织激励奖惩制度、知识转移成本与知识协同收益之间的关系对制造企业研发团队知识转移网络演化结果有显著影响;小规模知识转移网络的演化深度与速度对三者关系变化较中大规模网络更敏感;知识转移直接收益与知识聚合收益对知识转移网络演化结果影响不显著.     

基于演化博弈的制造企业研发团队知识转移网络演化北大核心CSCD

为揭示制造企业研发团队知识转移与持续流动的微观机制,结合演化博弈与复杂网络相关理论,利用计算机仿真技术,探究了无标度网络载体下,制造企业研发团队知识转移行为的扩散现象.研究结果表明,组织激励奖惩制度、知识转移成本与知识协同收益之间的关系对制造企业研发团队知识转移网络演化结果有显著影响;小规模知识转移网络的演化深度与速度对三者关系变化较中大规模网络更敏感;知识转移直接收益与知识聚合收益对知识转移网络演化结果影响不显著.     

基于投影动态系统理论的网络交通演化模型

为了分析时间标准以小时或天为单位的网络交通流演化问题,利用投影动态系统理论建立了相关问题的演化投影动态系统。从网络组成基本元素入手,首先分析了出行者途中对出行路段的选择行为和对局部网络节点最短行程时间的重估问题,得到了基于网络局部信息的出行者路线调整策略。对上述策略进行时间上的演化建模,得到了网络交通流演化的投影动态系统。通过分析与该投影动态系统有相同稳态点的变分不等式,揭示了该系统与基于用户均衡的交通流分配模型的一致性。利用建模过程的分析,设计了启发式的投影动态系统离散演化算法。通过设计阶梯式算法收敛指标,可以加速演化得到网络的稳态。算例分析验证了模型算法的有效性。研究表明基于投影动态系统的交通流演化模型不仅能较好地刻画交通流演化特征,而且可应用于交通管理措施的短期交通流影响分析。     

一种基于神经网络的混沌控制方法

将神经网络(NN)与内模控制(IMC)相结合,提出了一种用基于BP神经网络的内模控制进行混沌抑制的方法,该方法既具有内模控制的特点,又引入了神经网络的在线自校正机制。应用所提出的方法,针对Duffing振荡器的混沌控制问题进行了仿真研究,仿真结果验证了该方法的有效性,同时还表明该方法具有很好的鲁棒性与自适应能力。     

集中式粗粒度分布并行模型和并行进化神经网络

提出了一种分布计算环境下并行进化神经网络的实现机制：集中式粗粒度模型。该模型基于并行遗传算法，可以同时对前馈神经网络的结构和权值进行优化。在分布计算环境中的实现为其在分布式网络中的应用开辟了广阔的前景。初步的实验结果表明该模型可以加快神经网络的进化速度，提高进化的效率     

船舶航向的神经网络并行鲁棒模型参考控制

针对大型船舶的航向控制特性,提出一种神经网络并行自学习鲁棒模型参考控制方法。这种复合控制结构利用神经网络的学习能力和非线性映射能力,解决传统自适应控制中模型的在线辨识和控制器的在线设计问题,以达到对不确定非线性船舶的高精度输出跟踪控制;通过引入运行监控器,克服神经网络控制方法实时性差的问题;利用一个鲁棒反馈控制器,来保证神经网络模型学习初期闭环系统的稳定性。仿真结果表明这一方法对设定航向具有精确的跟踪控制效果。     

基于混合型专家系统的目标综合识别模型

鉴于目标识别在防空信息处理中的重要性 ,在对目标信息进行综合利用的基础上 ,利用人工智能原理 ,研究把专家系统、神经网络和证据推理相结合用于目标识别 ,建立了目标综合识别的专家系统模型 ,模拟专家识别思维。给出了知识库的构造方法及推理机制。该模型通过人工神经网络 ,实现了知识的并行处理和自动获取 ,具有自学习功能 ;再学习机制可对系统进行及时调整 ,增加或修改知识库的知识 ,具有很好的人机界面和实用性 ,对目标的综合应用识别具有很好的借鉴作用。     

基于多物种进化遗传算法的神经网络进化设计方法

针对神经网络结构设计的问题与一般结构学习方法的不足，提出了多物种进化遗传算法(SEGA)，并以MLP为例给出了基于此算法的神经网络结构进化设计方法。该方法融合了遗传算法与神经网络，具有模型搜索空间广泛、算法适应性强的特点。仿真结果表明该方法是有效的。     

利用人工神经网络技术确定零部件的维修策略

将遗传算法应用于人工神经网络模型,确定一零部件的维修策略,并结合实例进行了分析     

基于多主分量神经网络的同步DS-CDMA伪码盲估计

针对批处理方法在实现非等功率同步直接序列码分多址(direct sequence code division multiple access, DS-CDMA)信号伪码序列盲估计时存在的复杂度高、收敛速度慢的问题,引入了3种多主分量神经网络(Sanger NN、LEAP NN和APEX NN)。首先将已分段的一周期DS-CDMA信号作为神经网络的输入信号,用神经网络各权值向量的符号函数代表DS-CDMA信号各用户的伪码序列,然后通过不断输入信号来反复训练权值向量直至收敛,最终DS-CDMA信号各用户的伪码序列就可以通过各权值向量的符号函数重建出来。此外,本文提出了一种在递归最小二乘(recursive least square, RLS)意义下的最优变步长收敛模型,极大地提高了网络的收敛速度。理论分析与仿真实验表明:将3种神经网络用于同步非等功率DS CDMA信号伪码盲估计时的复杂度均明〖JP2〗显降低,且LEAP NN与Sanger NN均可有效地实现-20 dB信噪比、10个用户下的同步非等功率DS-CDMA〖JP〗伪码盲估计,APEX NN则相对较差,此外,LEAP NN消耗内存较大、收敛速度快,APEX NN相反,Sanger NN则介于两者之间。     

基于BP神经网络的超分辨率图像重建

针对卫星图像成像过程中成像装置存在极限,导致图像分辨率低的问题,提出了基于神经网络的图像超分辨率重建(neural networks super-resolution reconstruction,NNSR)方法。该方法利用误差反向传播神经网络(back propagation neural networks,BPNN)对样本图像进行学习和训练,利用图像退化模型获取学习样本,采用向量映射加速BP神经网络的收敛,充分融合了低分辨率序列图像中的冗余信息。通过对训练好的神经网络分别进行样本仿真实验和泛化实验,验证了这种图像超分辨率重建方法的有效性。     

直扩信号的谱检测和神经网络估计

论述了二次谱理论、谱相关理论和神经网络方法在直接序列扩频(DS/SS)信号的检测与估计中的应用,提出了利用谱分析结合神经网络的方法来实现对低信噪比DS/SS信号的参数及其伪码(PN)序列的估计.计算机模拟结果表明,该方法在较低的输入信噪比条件下能良好地工作.