一个多目标交互规划法的理想点权系数调整方案

本文对用理想点权系数调整来求解多目标规划的交互规划方法,给出一个权系数调整方案。它不仅适用于线性目标和约束的情况,而且可应用于非线性的情况。文中证明了由方案所给的方法得出的解是多目标规划的弱有效解,最后给出一个算例。     

基于变权的多目标综合决策

介绍并讨论了在诸多因素影响下基于变权的综合决策问题。讨论了某些情况下变权的必要性。因此相互影响和相对独立两种情况下变权的确定，综合优选程度的计算，并给出了相应的算例。     

多目标模糊优选权敏感分析及其应用

研究了多目标模糊优选模型的权敏感性质 ,导出了权扰动方程 .找到了转移矩阵之范数的一个万有上界 .据此给出了保持最优决策序列不变的权扰动条件 ,即 |Δwi| 相似文献   

基于熵权多目标决策的保障性评价方法研究

给出了一种基于熵权多目标决策的某型飞机保障性评价方法。该方法在只有判断矩阵而没有专家权重的情况下,通过多对象关于多指标的评价矩阵的熵权计算,对多个合理方案进行优选评估,得出了可信度较高的优选方案,应用举例表明本文方法可行。     

多目标协调与权系数选择

研究了加权ｐ范数函数及其一阶偏导数，协调解表面及其法向量，多目标协调和单 目标极小化等问题，找出权系数、ｐ范数法中的ｐ值及协调解构成的超面之法向量之间 的关系，从两方面论证了选择权系数的公式。还讨论了公式中引入近似替换量的方法及 其在求解协调解中的作用。给出了用无穷大ｐ范数法求解多目标问题时，权系数的几何 含义并论证了当ｐ范数法中的ｐ值从１向∞升值时，求得的协调解轨足 的变化情 况。这些对指导多目标协调有着重要意义。     

目标规划及其权系数的选法

对目标规划中达成函数的优先级和权系数的选取提供了一种简单易行的方法——逐级调整法。并以制订生产方案为例,说明其用法。     

基于自适应环境因子熵权决策的多目标特征选择

多目标进化算法在特征选择方面有显著的优势,但其求解高维数据最优特征子集的性能依然较差,且从获得的Pareto解集中选择合理最优解仍是一个挑战性的问题.为了解决该问题,提出一种基于自适应环境因子熵权决策的多目标特征选择算法.首先,通过设计环境因子来自适应识别关键特征,优化候选特征子空间;其次,将环境因子嵌入改进的交叉算子和变异算子,实现全局最优特征子集的自适应搜索;最后,利用关联环境因子的熵权决策策略,从获得的Pareto解集中选出最优解.实验表明,与现有的五种多目标特征选择算法相比,提出的算法具有更高的分类精度,并能准确地获取全局最优解,验证了该算法的有效性.     

基于联系数的多目标决策应用

在联系数的基础上,建立了一种基于联系数的多目标决策方法模受,并给出了具体的实例说明该方法的具体应用.     

模糊优选神经网络多目标决策理论

把笔者建立的模糊优选理论与神经网络理论结合起来，提出确定网络拓扑结构：隐含层数，隐含导节点数与节点激励函数的合理模式，提出模糊优选神经网络权重调整ＢＰ模型；且网络有良好的学习功能。神经元激励函数具有明确的物理意义。     

基于新型进化规划的异构神经网络集成算法

提出一种基于新型进化规划的异构神经网络集成算法。首先利用改进的进化规划,克服传统的进化规划及EPNet模型的不足,生成多个异构的最优网络,然后对异构网络进行组合求解。该集成算法充分利用了Bootstrap采样的天然特性实现了网络间的异构和差异度,同时又保证了单个成员网络的精度,克服了传统Bagging,Boosting算法中成员网络结构固定,缺乏个体精度的缺点。通过仿真实验证明,该方法较传统集成算法具有更好的泛化性能并减少了传统集成算法中的随机不确定因素。     

基于人工神经网络描述的编程

目的在神经网络结构和算法描述语言的基础上,提出神经网络编程的概念,建立神经网络仿真系统。方法采用具有强类型,并发性和面向对象等特点的Ａｄａ语言作为系统的宿主语言,建立基于结构,算法描述的神经网络认真系统。结果为神经网络的工程应用研究提供手段。结论采用神经网络编程,可以将神经网络与传统的编程语言在通用计算机的基础上统一起来,达到更新更高的处理能力。     

基于模糊神经网络算法的灰色线性规划及其应用

将灰色系统理论与线性规划相结合,给出了灰色线性规划模型,采用模糊神经网络算法,求出其最优解,并将该方法运用于连云港市的土地结构优化中,取得了理想的效果.关键词：目标函数;灰色线性规划;模糊神经网络     

神经网络融合信赖域求解非线性规划的新方法

人工神经网络在解决优化问题方面具有速度和精度的优势，将一种新的Hopfield网络模型与信赖域技术融合起来，采用逐次二次规划方法将约束非线性规划问题转换成一系列的二次规划子问题，并采用信赖域技术协调计算速度与精度之间的矛盾，同时通过Hopfield网络求解各个二次规划子问题，得到原来规划问题的最优解，通过对大量函数进行仿真计算，取得了很好的仿真结果。     

一种新的加权目标函数下的神经网络训练方法

采用罚函数算法的思想构造一个新的加权目标函数,可以用一个无约束优化过程实现约束条件下的参数寻优·基于此种新的加权目标函数,采用遗传算法训练了神经网络控制器参数·仿真表明,该方法比采用Clarke目标函数及其改进方案使系统具有更好的输出响应性能,更具有工程实用性·     

基于凸规划观点的神经网络学习

人工神经网络最重要的特征就是网络的学习能力,通过对神经网络内部权值的调整,学习外部环境结构的特征和信息的表示.从信息几何的角度,对神经网络的学习过程进行了几何描述,并将神经网络的学习问题转化为,最小化外部环境表示的真实分布与网络模型表示的逼近分布之间的"距离",并证明了对于可编码成指数簇流形的神经网络是凸规划问题.为神经网络学习的研究提出了一个新的思路,也为在高维非线性空间中解决网络学习问题的有效性,从信息几何的角度给出了一种解释.     

基于新型PID神经网络的自适应控制系统研究

提出一种新的PID型神经网络的自适应控制系统,该控制系统采用对角递归神经网络辨识对象的正向模型,采用一种新型神经网络控制器产生控制量,与常规PID控制不同的是,该控制量不再是误差信号的比例、积分和微分量的简单线性组合,而是这些信号的一种非线性组合,从而可以有效地解决常规PID控制器存在的快速性和超调量之间的矛盾.仿真实验表明,这种新型控制系统具有较强的自适应性和鲁棒性.     

—种求解线性二层规划的神经网络方法

提出了—种求解线性二层规划的神经网络方法.采用以下层问题的对偶间隙为罚项,构造线性二层规划罚问题的思想,将线性二层规划转化成相应的单层规划问题,然后设计求解单层规划问题的神经网络模型,从而得到线性二层规划的最优解.该网络是Lyapunov稳定的,且在适当的条件下收敛于线性二层规划的最优解,仿真结果表明该神经网络可以有效地得到线性二层规划的最优解.     

基于遗传算法BP神经网络优化IRFPA非均匀性适应校正算法

本文具体研究了红外图像非均匀性校正算法中的基于场景类BP神经网络校正算法。针对BP神经网络算法运算量大、容易进入局部最小值、实时性能差的问题,提出利用遗传算法优化BP神经网络校正过程的算法。     

一种新的基于自组织神经网络的运动估计算法

提出了一种新的基于自组织网络的CFSSOM-VQ运动估计算法,新的帧间预测编码方案采用基于自组织特征映射算法(SOM)的矢量量化(VQ)作为帧间预测,以取代目前常用的运动补偿帧间预测(ME MC).并对SOM算法进行了改进,提出了一种分类频率敏感自组织特征映射(CFSSOM)算法.将该算法应用到会议电视视频编码的实验结果表明,与ME MC算法相比,CFSSOM-VQ算法具有更好的预测编码性能.