支持向量机的SMO算法及其自适应改进研究

提出在SMO算法上应用自适应学习的思想,并利用求解凸二次规划寻优问题的基础上进行改进的研究.研究表明,基于自适应学习的思想对SMO算法进行改进,可使SVM算法更能适应实际应用快速、高效的需求.     

基于自适应调整权重和搜索策略的鲸鱼优化算法

针对鲸鱼优化算法(WOA)收敛速度慢、收敛精度低、易陷入局部最优的问题,提出一种基于自适应调整权重和搜索策略的鲸鱼优化算法(AWOA).设计一种随着鲸鱼种群变化情况而自适应调整权重的方法,提高了算法的收敛速度; 设计一种自适应调整搜索策略,提高了算法跳出局部最优的能力.利用23个标准测试函数,分别针对高维和低维问题进行测试,仿真结果表明,AWOA在收敛精度和收敛速度方面总体上明显优于其他多种改进的鲸鱼优化算法.     

一种自适应蚁群分类算法

将分类学习看作是一个找出最优分类规则的优化问题,提出一种自适应蚁群分类算法——AdaptiveL_AMP,以得到一组可理解的分类规则.在基于规则的分类方法中,规则评价函数的选取至关重要,本文提出的算法能够针对不同数据集自动选取与之相适应的规则评价函数以提高分类准确性.此外,为进一步提高算法的分类准确率,设计了一种局部搜索策略并将其融入到AdaptiveL_AMP算法中.最后对算法进行了分析,并在多个公用的真实数据集上与相关算法进行了比较,结果表明AdaptiveL_AMP算法能够更加有效地解决分类问题.     

基于自适应动量更新策略的Adams算法

Adam算法是目前最常用的优化算法之一，但其面临学习率震荡导致模型不收敛问题，其改进算法AMSGrad也存在梯度递减导致的二阶动量失效问题。针对上述问题，提出了基于自适应动量更新策略的Adams算法。首先，通过为一阶动量和二阶动量引入自适应更新参数，并在最后的参数更新期间采用较小的一阶动量更新参数，构建了一种自适应的动量更新策略。其次，基于该更新策略，提出了一种能够快速收敛的Adams算法。最后，通过理论分析证明了Adams算法的收敛性。基于文本分类和图像分类的对比实验表明，相比于Adam和AMSGrad算法，Adams收敛速度更快、训练结果更好，且具有优秀的泛化能力；消融实验证明了Adams算法自适应动量更新策略的有效性。     

融合变精度粗糙熵和协同进化的概念格挖掘算法

为解决概念格挖掘优化问题,借鉴变精度粗糙集模型和协同进化思想,提出了融合变精度粗糙熵和全局粒子群的概念格协同挖掘算法(REVPT).该算法引入变精度粗糙熵对各概念格子群动态度量建立粗糙近似格,并通过种群之间协作共享寻优经验提高概念格的全局挖掘优化能力,有效缩减原格群规模并挖掘出一致粗糙分类规则.实验结果表明,当变精度粗...     

一种改进BP算法在制冷系统仿真中的应用

采用了改进的BP算法,用网络输出关于学习率的线性展开法来自适应优化学习率,BFGS为尺度法来调整权重,对BFGS法作了局部改进以处理可能发生的BFGS公式中分母项为零的情况,以实际制冷系统的热力性能参数实验数据为样本,对比研究了标准BP算法,含学习率优化的最速下降法和含学习率优化的BFGS法的学习过程,结果表明,文中选用的含学习率优化的BFGS法学习效率与学习精度高,且自适应性能好。     

具有反向学习的多目标元胞遗传算法的空间桁架结构优化设计

为了解决具有多约束的桁架结构问题,提出一种具有反向学习的多目标元胞遗传算法应用于空间桁架结构多目标优化设计中。根据分析元胞遗传算法特点,引入一种反向学习策略、差分进化策略和约束处理技术。通过标准测试函数对比分析,算法能很好地保持Pareto解集的收敛性和均匀性。针对空间桁架结构优化的数学模型,采用实数编码和个体修正方法,将该算法对72杆空间桁架优化问题进行求解,并与MOCell的优化结果进行比较。结果表明,新算法获得的Pareto解集更加均匀,极端点值域更宽广,具有一定的工程实用性。     

一种求解非线性规划问题的混合粒子群优化算法

粒子群优化算法(PSO)与其他演化算法相似,也是基于群体的·每一个粒子被随机初始化以表示一个可能的解,并在解空间追随最优的粒子进行搜索·提出一种基于改进的混合粒子群优化算法求解非线性约束规划方法·在介绍PSO算法基本原理的基础上,设计了约束适应度优先排序处理约束条件的方法,并通过动态邻域算子和可变惯性权重进行联合演化以求得全局最优解·对非线性规划例子的实例计算表明,该算法稳定性好,简单容易实现而又功能强大,易于掌握,对于多维非线性、复杂问题的求解具有普遍适用性·     

基于学习-竞争模式的启发式算法及其应用

建立了一种解决NP难组合优化问题的一般性的模式--学习-竞争模式.其中,"学习模式"侧重于个体局部的搜索;而"竞争模式"侧重于种群全局的搜索.利用此模式将多种算法的优点融合在一起.在对背包问题的实际求解中,采用贪婪算法实现了"学习模式",而"竞争模式"则采用了遗传算法实现,并且设计了一组参数来协调这两个模式之间的关系,结果证明与理论分析一致.     

基于改进型自适应遗传算法求解设备多行布局问题

对面积不等、形状固定的设备多行布局问题，提出了自由换行布局策略和净行间距概念.构建了带逆向物流、净行间距的多目标组合优化数学模型.引入免疫系统群体多样性作为种群进化的标志的基础上，建立了改进的自适应遗传算法(Improved Adaptive Genetic Algorithm, IAGA)，实现了交叉概率和变异概率的非线性自适应调整.最后，对算法进行了实验对比分析.结果表明，所提出的算法能快速有效地获得问题的近似最优解，稳定性好，对解决设备多行布局组合优化问题具有实用价值.
     

面向拥塞控制的WMN 联合功率控制与信道分配

为解决所构建的联合资源分配模型的资源分配问题,提出一种面向拥塞控制的联合功率控制与信道分配算法( CCJPCA: Congestion Control oriented Joint Power control and Channel assignment Algorithm) 。CCJPCA 算法通过混合编码策略实现了链路功率与信道变量的共同进化,利用Q-Learning 算法的回报机制实现变异策略的自适应选择,从而保证网络资源的合理配置。NS-3( Network Simulator-3) 仿真结果表明,CCJPCA 算法能优先为网络瓶颈链路分配网络资源,提高算法收敛速度,减少网络排队和重传时延,降低网络平均丢包率。     

非线性电路的ACNGA求解方法研究

在非线性电路的研究中，非线性电路的全解集的求解方法研究是非线性电路理论的重要研究领域之一。遗传算法是一种模拟生物进化的最优化搜索方法，因其稳定性好、不需要计算目标函数的能处理多维数值问题，遗传算法在科学研究和工程技术中得到广泛运用。针对非线性电路的全解集的求解要求，本文提出了一种改进的具有自适应交叉算子的小生境遗传算法，成功地应用于非线性电路的全解集的求解，结果表明了具有自适应交叉算子的小生境遗传算法（ACNGA）对非线性电路求解的有效性和实用性。     

基于改进遗传算法的水库群优化调度研究

提出一种基于自适应遗传算法的水库群优化调度问题的求解方法,并对其性能进行了分析。结果表明,该方法可以随个体适应度的大小及群体的分散程度自动调整遗传控制参数,较好地克服了标准遗传算法由于采用固定遗传控制参数带来的若干问题,能够在保持群体多样性的同时,加快收敛速度,提高遗传算法的全局寻优能力,为高精度水库群优化调度提供了一个新的途径。     

一个改进的BP神经网络自适应学习算法

提出了一个改进的自适应变步长ＢＰ网络学习算法,对多个布尔学习问题以及Ｆｉｓｈｅｒ收集的一个植物分类问题进行计算．结果表明,该算法不仅有相当快的收敛速度,而且在避免学习过程陷入局部极小方面也取得较好结果．     

反馈混沌遗传算法及其在约束优化中的应用

针对现有遗传算法中普遍存在的早熟与收敛慢的问题,将混沌映射和后天强化学习策略引入到标准遗传算法中,提出了带反馈的混沌遗传算法.该算法通过混沌映射来保持演化群体良好的多样性;通过基于Baldwin效应的后天强化学习来克服纯粹的随机演化.对复杂约束优化问题--基准问题的数值实验验证了文中算法的高效性及鲁棒性.     

LMBP神经网络PID控制器在暖通空调系统中的应用研究

针对BP神经网络学习过程收敛速度慢及易陷入局部极小值的缺陷,研究了levenberg-marquart算法(即LM算法).为解决LM算法中学习速率的选择和逆矩阵的求解这两个严重影响训练时间和收敛精度的问题,采用LU分解法对LM算法进行改进和优化,并通过MATLAB语言编程实现,将得到的LMBP神经网络PID控制器应用于暖通空调冷冻水循环的控制回路中,将其控制效果与PID控制算法、BP神经网络PID控制算法进行仿真对比研究.研究结果表明,采用LMBP神经网络PID控制器在减少超调量、加快收敛速度、减少稳态误差等方面的性能都得到了明显的改善.     

求解函数优化问题的自适应粒子群算法

本文提出了一种新的自适应粒子群优化算法(ASPO)。该算法利用种群多样性信息对惯性权重进行非线性的调整,并在算法的后期引入速度变异算子和位置交叉算子,使算法摆脱后期易于陷入局部最优点的束缚。将其应用于函数优化问题中,仿真结果表明APSO算法能有效的解决函数优化问题。     

自适应杂交NGA及其在多值电路分析中的应用

提出了一种具有自适应交叉算子的ＮＧＡ算法（简记为ＡＣＮＧＡ），以解决具有多模态函数的参数优化问题，ＡＣＮＧＡ能随着解空间参数结构的变化，自适应地选择不同的杂交算子并确定相应的杂交率，使解群在保持多样性的前提下，以较收敛率得到最优解集。该算法可求解非线性方程组，并主解具有任意约束关系的非线性电阻电路的所有解。     

基于预测码辅助的CDMA系统盲NBI抑制技术

在信号统计特性和训练序列未知的情况下,针对现存盲自适应最小均方(LMS,Least Mean Square)码辅助算法码分多址(CDMA,Code Division Multiple Access)系统强窄带干扰(NBI)进行抑制时稳态性能较差,以及盲自适应递归最小二乘(RLS,Recursive Least Square)码辅助算法收敛速度和性能难以折中的问题,提出盲自适应预测码辅助技术。盲自适应预测码辅助技术基于盲自适应RLS预测-LMS码辅助算法实现,实现了对三类NBI的抑制,包括音频干扰、数字窄带干扰和自回归(AR,Autoregressive)随机过程。本文详细分析了盲自适应RLS预测-LMS码辅助算法的性能,并通过仿真分析证明了算法的有效性。     

基于混合改进鸟群算法的贝叶斯网络结构学习

针对贝叶斯网络结构学习中寻优效率低下、易陷入局部最优的缺陷,提出了一种基于混合改进鸟群算法的贝叶斯网络结构学习算法.首先,通过互信息约束算法迭代初始网络;其次,改进鸟群算法,在经典鸟群算法中加入自适应惯性权重,随着迭代次数的增加动态调整搜索空间、改变收敛速度;最后,将改进的鸟群算法作为搜索策略,进行贝叶斯网络结构寻优.实验结果表明:改进的算法在寻优过程中不仅有较好的准确率和较快的收敛速度,而且具有良好的全局寻优能力.