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     

一种求解非线性约束优化问题的新方法

针对标准遗传算法的缺陷,提出一种基于实数编码技术的新型自适应混沌遗传算法,求解复杂非线性约束优化问题.算法根据实数编码的特点,依据概率分布函数构造杂交算子,结合混沌动力学特性和人工神经网络理论,设计了一种自适应混沌变异算子,使算法有效维持群体多样性,防止和克服进化中的“早熟”现象,同时采用不需要惩罚因子的直接比较惩罚函数方法,对约束条件加以处理.通过算例数值实验,验证了算法在提高解的精度和加快收敛速度方面都有明显改善.     

一种改进的蚁群算法用于灰色约束非线性规划问题求解

针对灰色约束非线性规划问题,设计了一种改进蚁群算法．该算法采用了正反馈机制。在对灰色约束非线性规划问题白化处理后,将罚函数方法引入到目标函数中,同时给出了改进蚁群算法的仿真流程．实例应用表明,将改进后的蚁群算法应用于灰色约束非线性规划问题的求解是可行有效的。     

基于灰色系统理论的冲压成形稳健设计

利用灰色系统理论,以目标序列之间的关联度作为目标函数,从而将多目标优化转化为单目标优化问题.在冲压成形的稳健设计中,通常需要满足多个目标,如不拉裂、不起皱、变形充分等质量要求.通过实验设计,利用FEA软件获得冲压成形中各个目标对应的响应值.对目标序列的灰色关联度进行方差分析,得到目标函数的最优解,从而获得最佳参数.研究表明,将灰色理论应用到冲压成形稳健设计中,取得了满意的结果,该方法在多目标稳健设计中有很大的适用性.     

基于混沌思想的粒子群优化算法及其应用

提出一种基于混沌思想的粒子群优化(CPSO)算法,它利用粒子群优化算法收敛速度快和混沌运动遍历性、随机性等特点,对原粒子群优化算法进行了改进.在算法的初始化阶段,对粒子的位置混沌初始化;在算法运行过程中,根据群体适应度方差来自适应地对粒子的位置进行混沌更新.对几种典型函数的测试结果表明:CPSO算法提高了对多维空间全局搜索能力,并有效避免早熟收敛现象.应用在作为高频段电容标准的四端对电容器计量中,仿真结果与实测值基本一致,也证明了该算法的有效性和实用性.     

基于改进CS优化算法的灰色神经网络预测模型

为了提高灰色神经网络在人工智能预测领域中的预测准确性,提出一种改进布谷鸟算法优化灰色神经网络的预测方法.通过改进的布谷鸟算法对常规灰色神经网络(GNN)的白化参数进行优化,寻找出最优初始化参数,并将其结果作为灰色神经网络的输入,建立了基于改进布谷鸟优化的灰色神经网络预测模型,在此基础上,采用该方法对煤与瓦斯突出进行预测.仿真实验表明,该模型的预测精度要优于标准灰色神经网络和基于粒子群算法的灰色神经网络等方法.     

基于改进CS优化算法的灰色神经网络预测模型

为了提高灰色神经网络在人工智能预测领域中的预测准确性,提出一种改进布谷鸟算法优化灰色神经网络 的预测方法.通过改进的布谷鸟算法对常规灰色神经网络(GNN)的白化参数进行优化,寻找出最优初始化参数, 并将其结果作为灰色神经网络的输入,建立了基于改进布谷鸟优化的灰色神经网络预测模型,在此基础上,采用该 方法对煤与瓦斯突出进行预测.仿真实验表明,该模型的预测精度要优于标准灰色神经网络和基于粒子群算法的 灰色神经网络等方法.     

减少速度更新频率的混沌粒子群算法

把速度更新策略和混沌优化相结合,提出了减少速度更新频率的混沌粒子群算法. 该算法根据群体适应值的方差进行早熟收敛判断,从而使算法摆脱后期易于陷入局部最优点的束缚,同时又保持前期优秀的搜索速度的特性.通过几个基准函数测试,结果表明,新算法的性能较基本粒子群优化算法有明显的改善.     

配电系统短路电流峰值灰色预测模型优化

低压配电系统全局选择性保护对短路电流峰值预测提出了实时快速性特殊要求,以灰色预测理论为依据建立适合短路电流数据特征的传统预测模式的灰色预测模型存在理论上的缺陷,影响预测精确度.为此,在对传统灰色预测不足进行分析的基础上,通过调整初始迭代点,引入递推结构,选择合适的修正因子等方法对模型结构进行拓展,以相对误差均值最小为原则的目标函数动态选择参数,进一步优化灰色模型,将优化后的模型应用于低压配电系统,可实现短路电流峰值的快速、高精度预测.     

一种优于混沌优化的对分插值逼近算法

提出一种新的求解函数最优值的算法——对分插值逼近算法。该算法产生均匀分布于[a，b]区间的稠密点集，理论证明了该点集可以无限逼近[a，b]区间内的任何实数，且以概率1收敛于任何待优化函数的全局最优值。与混沌优化算法进行了比较，以一维、二维变量的仿真为例，结果表明，该算法在寻优过程中优于混沌优化算法。