基于改进粒子群优化极限学习机的弹丸参数辨识

针对随机产生输入权重和隐含层神经元阈值导致利用极限学习机辨识弹丸气动参数时会出现辨识结果发散问题,本文将粒子群算法与极限学习机结合,并且引入自适应更新策略以及粒子变异策略,提出了一种自适应变异粒子群优化极限学习机算法。该算法利用自适应变异粒子群算法寻优产生极限学习机的输入权重和隐含层阈值,有效改善算法性能。仿真实验表明,利用自适应变异粒子群优化极限学习机算法辨识弹丸气动参数,精度高、收敛速度快,能够充分满足实际工程需要。     

基于动态自适应布谷鸟搜索算法的多目标闭环供应链网络优化

针对不确定环境下的闭环供应链网络设计问题,构建以最小网络成本、碳排放量和顾客满意度损失为目标的闭环供应链网络规划模型。采用多面体不确定集描述不确定参数,建立基于多面体不确定集的多目标鲁棒优化模型,同时提出一种基于动态步长和动态发现概率的自适应布谷鸟搜索算法,并引入群搜索策略以增加种群的进化效率,结合案例企业的运营数据,分别采用动态自适应布谷鸟搜索算法和非支配排序遗传算法求解模型,验证改进型布谷鸟搜索算法的优越性。最后为验证模型的鲁棒性,将多面体鲁棒优化模型与确定模型、盒式鲁棒优化模型以及区间多面体鲁棒优化模型进行对比,验证所提模型对不确定扰动的有效抑制作用。     

考虑行为特征的多期鲁棒投资组合模型及实证研究

考虑投资者的行为特征以及模型参数的不确定性,构建考虑行为特征的多期鲁棒投资组合模型.在前景理论的基础上,引入动态损失厌恶系数和动态财富参考点,建立动态前景理论价值函数.为了满足投资者的安全性要求,在模型中考虑机会约束,调整模型的保守程度.针对模型多期规划的特点,设计两阶段初始化策略.进一步地,在标准粒子群算法的基础上,根据种群性能的反馈信息,设计多频振动变异操作,提出改进的粒子群算法.实证结果表明:改进的粒子群算法能够有效提高算法的求解精度;考虑行为特征的多期鲁棒投资组合模型能够满足投资者的心理预期,且在实际投资决策中具有可行性.     

基于支持向量机元模型的随机鲁棒设计

随机鲁棒设计是一种基于蒙特卡洛仿真的优化设计方法.通常情况下,对于复杂仿真模型的随机鲁棒设计时间开销很大.为减小随机鲁棒设计过程中的时间开销,使用参数最优的最小二乘支持向量机替代仿真模型进行随机鲁棒设计.使用标准粒子群优化算法搜索支持向量机参擞和控制器参数的寻优.通过一个基准测试问题证明了该方法的可行性.     

基于混合QPSO的模糊柔性作业车间调度问题研究

针对加工时间不确定的柔性作业车间调度问题,利用三角模糊数表征相关的时间参数并提出了一种混合量子粒子群算法进行求解,在充分发挥量子粒子群算法全局搜索能力的基础上,设计了边界修正与协作更新策略增加其搜索效率,同时使用交叉算子和路径重连技术直接对优秀粒子所映射的工序编码操作,弥补了大多数连续算法在求解离散问题时深度发掘能力不足的弊端。通过5个经典的测试算例以及光纤制造车间的实例分析,说明所提方法在寻优效率上要高于原始的量子粒子群算法和另外3种近期文献中的算法,具有较好的实际运用价值。     

航空发动机性能仿真的分群量子粒子群算法

针对传统迭代方法求解航空发动机模型非线性方程组存在受初值影响不易收敛的问题,采用量子粒子群算法求解.为解决算法的局部收敛现象,设计一种分群量子粒子群算法:将种群分为多个分群,每个分群在各自全局极值的引导下搜索解空间不同区域,并对精英解集定期更新.对测试方程组的求解表明分群机制能有效提高量子粒子群算法的搜索性能和收敛速度.运用改进算法对某型混合排气涡扇发动机模型进行仿真求解,得到了满意的结果.     

基于粒子群的状态反馈控制特征向量的配置

状态反馈控制特征结构的配置分为特征值的配置和特征向量的配置,在特征值已经确定的情况下,特征向量矩阵的条件数对于系统鲁棒稳定性有着直接的影响.因此以减小特征向量矩阵的条件数为直接目的对特征向量进行配置,是提高系统鲁棒稳定性的最直接的办法.由于在状态反馈控制中特征向量的配置存在自由度,因此以特征向量矩阵的条件数为适应度函数,采用粒子群算法进行优化.同时针对粒子群算法中存在的后期收敛速度慢,搜索精度不高,并可能陷入局部极值的缺陷,对粒子浓度进行调节以保持粒子的多样性,防止算法陷入局部极值.同时建立优秀粒子记忆库,克服粒子群算法后期收敛速度慢的缺点.最后通过实例将改进后的粒子群算法与其它算法进行了比较,验证了本算法对于减小特征向量矩阵的条件数和提高系统鲁棒稳定性的优越性.     

一种优化计算确定神经网络结构的方法

对于一个具体的多层前向神经网络设计问题,网络的输入输出以及标准样本数为已知,网络的隐层结构,即隐层层数和每个隐层神经元个数如何选择是神经网络设计中的关键.根据代数方程理论,通过权值和阈值与隐层结构的关系,建立了以权值和阈值为设计变量的目标函数表达式,通过分析,提出了多层前向神经网络合理的隐层层数和每个隐层神经元个数的一般确定方法,给出了确定多层前向神经网络合理结构的优化目标函数及其约束条件.仿真研究结果表明所提出方法确定的多层前向神经网络结构是合理的.     

基于神经网络和PSO的机器人路径规划研究

提出一种神经网络和粒子群算法相结合的移动机器人路径规划方法。采用小波网络和RBF网络相结合的四层神经网络结构,克服了传统神经网络方法进行路径规划时对每个障碍均设计一些特定的隐节点,当障碍较多且环境动态时,网络结构庞大且神经元的阈值随时间的变化而需要不断改变的缺点。利用粒子群对神经网络的参数进行训练,在规定的代数内对网络参数优化,使得机器人在移动过程中能够快速响应环境的变化。通过对移动机器人在动、静态不同环境下的仿真实验,证明了方法的有效性。     

基于改进粒子群-模糊神经网络的短期电力负荷预测

为了提高短期电力负荷预测精度,提出了改进的粒子群-模糊神经网络混合优化算法.用改进的粒子群训练神经网络,实现了模糊神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统模糊神经网络法、BP神经网络法、粒子群-BP算法和粒子群-模糊神经网络方法,该优化算法克服了神经网络和粒子群优化方法的缺点,改善了模糊神经网络的泛化能力,提高了电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.2%以内.该算法可有效用于电力系统的短期负荷预测.     

基于粒子群模糊神经网络的丙烯腈收率软测量建模

对粒子群优化算法与模糊神经网络的结合进行研究，提出粒子群模糊神经网络，并将其应用丙烯腈收丰软测量建模．该方法采用模翱神经网络来杓建丙烯腈收率软测量模型，用粒子群优化算法优化模糊神经网络的参数；并结合实际工艺，对所建软测量模型进行仿真研究。实验结果表明，该模型的性能优于粒子群神经网络模型，能够准确预测丙烯腈收率，具有较高的精度和良好的应用前景。     

一种改进的PSO-MBCV算法的车底阴影分割

针对当前车底阴影分割算法在复杂环境下鲁棒性较差以及最大类间方差（maximum between class variance,　MBCV）多阈值分割算法不能自动确定阈值个数的问题,提出利用峰值自适应方法自动确定MBCV多阈值分割算法中阈值个数;然后,以阈值的个数为粒子群优化算法（particle swarm optimization,　PSO）中粒子的维数,提出了一种改进的PSO MBCV算法的车底阴影分割。实验结果表明,该算法能有较低的误分类误差,能有效地分割出车底阴影。     

改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

基于一种新型动态神经网络的非线性自适应逆控制

根据生物神经元的机能,提出了一种具有动态激励函数的新型神经元模型,由此构成的神经网络(DAFNN)应用在非线性自适应逆控制中时只需要确定隐层神经元个数,从而克服了用NARX回归神经网络时需确定输入和输出延时阶数及隐层神经元个数等多个参数的不足。通过对单输入单输出(SISO)及多输入多输出(MIMO)非线性系统的自适应逆控制仿真研究,证实了DAFNN是一种很好的非线性系统建模和控制工具。     

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。     

多供应商竞争下再制造闭环供应链鲁棒生产计划

针对外部环境不确定的再制造闭环供应链,采用基于情景分析的鲁棒优化方法,建立了一类基于单方决策型供应链契约的具有多供应商竞争和顾客需求不确定的产品再制造闭环供应链生产计划运作鲁棒优化模型。各供应商可以制定自己的价格策略,企业可通过价格进行优选,模型对新材料、回收品进行分类管理,分类生产与再制造。对基于情景分析的鲁棒优化模型进行了改进,为企业生产计划的制订提供了一个解决方案。数值算例的结果验证了该模型的鲁棒性。     

脉冲信道下基于深度学习的BP译码方法

在脉冲信道下,针对置信传播(belief propagation, BP)算法对短码长的低密度奇偶校验(low-density parity-check, LDPC)码译码性能差的问题,提出了一种基于深度学习的BP译码方法。首先,根据Tanner图构建两种深度神经网络模型,通过对Tanner图中边的权重重新赋值来提升译码性能。然后,简化信道对数似然比(log-likelihood ratio, LLR)的计算方法,通过模型训练优化近似计算参数,得到对参数γ鲁棒的译码模型。最后,构造鲁棒训练集,训练得到对参数α和γ鲁棒的译码模型。仿真结果表明,在高码率时,该方法相对于传统BP译码算法性能显著提升,且在近似计算信道LLR值时,译码性能在不同参数的脉冲信道下均具有鲁棒性。     

混沌量子粒子群的权重类条件贝叶斯网络分类器参数学习

针对贝叶斯网络判别学习方法在处理大数据集时,存在的模型训练时间长、算法迭代次数过多等问题,通过引入指数级参数,提出了混沌量子粒子群的权重类条件贝叶斯网络参数学习方法。该方法首先通过优化对数似然函数,解决生成学习的参数估计问题。然后,使用生成学习的结果,初始化判别学习的参数。最后,引入混沌映射序列,通过混沌量子粒子群优化(chaos quantum particle swarm optimization, CQPSO)算法,优化条件对数似然函数。使用权重类条件贝叶斯网络分类器对液体火箭发动机的故障进行分类,仿真结果表明,改进的方法分类精度高,误分类率低。同时,采用CQPSO与量子粒子群优化(quantum particle swarm optimization, QPSO)算法、标准粒子群优化(particle swarm optimization, PSO)算法相比,能够有效减少算法的迭代次数,提高算法的效率。     

脉冲信道下基于深度学习的BP译码方法

在脉冲信道下,针对置信传播(belief propagation, BP)算法对短码长的低密度奇偶校验(low-density parity-check, LDPC)码译码性能差的问题,提出了一种基于深度学习的BP译码方法。首先,根据Tanner图构建两种深度神经网络模型,通过对Tanner图中边的权重重新赋值来提升译码性能。然后,简化信道对数似然比(log-likelihood ratio, LLR)的计算方法,通过模型训练优化近似计算参数,得到对参数γ鲁棒的译码模型。最后,构造鲁棒训练集,训练得到对参数α和γ鲁棒的译码模型。仿真结果表明,在高码率时,该方法相对于传统BP译码算法性能显著提升,且在近似计算信道LLR值时,译码性能在不同参数的脉冲信道下均具有鲁棒性。     

人工神经网络控制的Sigmoidal函数研究

本文针对前馈神经网络误差反向传播算法（ＢＰ）算法应用于控制系统收敛速度慢，神经元非线性处理函数选择难等问题，提出了自动寻找最优Ｓｉｇｍｏｉｄａｌ函数方法。与ＢＰ算法相比较，该方法不仅收敛速度快，而且学习次数和隐节点数减少。仿真计算结果表明，该方法应用于控制系统鲁棒性能好，提高了网络学习能力，改善了学习性能，在神经网络控制中有一定推广价值。