一种混沌神经网络及其在优化计算中的应用

研究了一种具有混沌特性的神经网络 ,该网络具有瞬态混沌响应 ,类似于Hopfield网络的结构 ,但有比Hopfield网络更加丰富的动力学特征、更强的全局搜索能力。通过把混沌动力学与收敛动力学相结合 ,使网络逐渐由混沌神经网络向Hopfield网络过渡 ,达到控制混沌的目的 ,并且提供一个在全局最优解附近的初值 ,有效地解决了Hopfield网络的局部极值问题。该网络模型可以用来解决复杂的非线性优化问题。     

四色和K色图着色问题的瞬态混沌神经网络解法

首先给出了用神经网络求解四色图着色问题的神经网络结构和能量函数 ,然后采用了具有瞬态混沌特性的神经网络 ( TCNN)来解四色图着色问题 .由于引入具有复杂动态特性的瞬态混沌使得该法具有很强的搜索全局最优解的能力 .仿真结果表明 ,用该法解四色图着色问题总能保证使能量函数收敛到最优解 ,有效避免了用传统的 Hopfield人工神经网络 ( HNN)解此问题时极易陷入局部极小的缺陷 ,并且收敛速度更快 .另外我们还用此法求解了属于 NP-完全问题的 K色图着色问题.     

Job—shop调度问题的瞬态混沌神经网络解法

采用具有瞬态混沌特性的神经网络（TCNN）解Job-shop调度问题。利用神经元的自抑制反馈产生混沌动态,其随机搜索能力有效地了传统Hopfield神经网络（HNN）极易陷入局部极小的缺陷;同时利用一时变参数控制混沌行为,使网络在经过一个短暂的倍周期倒分岔后逐渐趋于一般的神经网络,从而收敛到一个最优或近似最优的稳定平衡点。仿真结果表明,该网络解Job-shop调度问题比HNN具有更强的全局搜索能力和寻优能力,并具有更高的搜索效率。     

一种混沌神经网络模型及其在优化中的应用

通过在Hopfield神经网络模型 (HNN)中引入非线性自反馈项 ,提出了一种具有暂态混沌动力学行为的神经网络模型。该模型首先经过一个倍周期倒分叉过程进行混沌搜索 ,进而进行类似HNN的梯度搜索。由于它利用了混沌搜索固有的随机性和轨道遍历性 ,因而具有较强的克服陷入局部极小的能力。两个典型的函数优化例子表明了该算法的有效性     

双混沌神经网络及其在优化问题中的应用

分析了三种现有的混沌神经网络模型的优化性能,针对目前混沌神经网络收敛率不高和搜索时间较长的问题提出了一种双混沌神经网络。它不同于以往的混沌神经网络改进方法,不是延长退火时间或改变混沌程度来提高网络性能,而是通过混沌迭代搜索使混沌神经网络在有限步内找到全局最优解的初值来提高收敛率与收敛速度。这种方法能使混沌神经网络在应用中具有更好的全局优化能力,并且可以缩短混沌神经网络的搜索时间,对旅行商问题求解的仿真对比和函数优化问题的仿真,说明了新方法比现有方法具有更好的收敛率和更短的搜索时间。     

混沌粒子群优化及其分析

通过分析了经典的粒子群优化中单个粒子模型,发现其具有混沌Hopfield神经网络的特点.提出了一种新的粒子群优化模型,该模型不像以往的粒子群算法那样包含随机参数,而是一个确定性的混沌Hopfield神经网络群,其搜索轨道展现了从混沌到周期分岔再到汇的逆周期分岔演化过程.初始混沌式搜索模式展宽了搜索范围,逆周期分岔演化过程决定了搜索的稳定性和收敛性.另外,理论上给出了新的粒子群优化的收敛性结论.最后,通过数值仿真给出了与经典的粒子群优化结果的不同点,并且说明了混沌粒子群优化的有效性.     

装备保障任务分配建模与DLS-BCIWBA算法求解

针对以时效优先为目标的装备精确保障协同任务分配问题,设计考虑保障单元能力更新机制,提出基于动态列表规划 (dynamic list scheduling,DLS)和二进制混沌入侵杂草蝙蝠算法 (binary chaotic invasive weed bat algorithm,BCIWBA)的混合任务分配方法,通过DLS选择所需执行的任务,设计BCIWBA为选定任务分配保障单元。BCIWBA利用蝙蝠算法的全局寻优能力和迭代初期快速收敛性进行全局搜索,然后选取部分最优个体融合入侵杂草生长繁殖、空间扩散和竞争生存机制进行局部搜索,并通过学习因子和惯性权重的自适应协同更新以平衡探索和开发能力,结合脉冲频率、响度和发生率变化区间的混沌搜索避免早熟收敛。仿真算例表明,所提方法可对时序逻辑任务分配问题进行快速高效求解。     

基于混沌神经网络最短路问题的优化算法

在混沌神经网络中引入一时变参数控制混沌行为,形成具有瞬态混沌特性的神经网络(TCNN),保证网络收敛到一个稳定的全局最优解,同时针对最短路问题设计了神经网络结构并构造了能量函数.仿真结果表明,TCNN解最短路问题时,总能收敛到全局最优,同时具有更高的搜索效率.     

随机需求情形VRP的退火网络解法

随机需求情形下的车辆路由问题 ( VRP)是一种普遍存在而求解较为困难的运筹学问题 .模拟退火算法 ( SA)和 Hopfield神经网络解法是解决该问题的两个较好的方法 .本文采用一种改进了的平均场退火方法 ( MFA) ,该方法将模拟退火算法 ( SA)和 Hopfield神经网络解法相结合 ,加速了神经网络的收敛并具有与模拟退火算法 ( SA)相当的精度 .     

基于改进花朵授粉算法的风电预测神经网络模型

针对常规Elman神经网络容易陷入局部最优、泛化能力不足等缺点，提出一种将花朵授粉算法和Elman神经网络相结合的风电预测新方法。采用逻辑自映射函数构建混沌序列，将混沌变量映射到问题的解空间，使缺乏变异机制的花粉粒集具有较强的自适应能力，有效地防止算法后期最优解趋同的现象；利用变换系数动态收缩自变量范围，降低算法陷入局部极值的概率，使算法的搜索效率得到有效提高。结合预测需求和网络特征，对花粉粒参数进行编码，确定Elman神经网络的最佳权值和阈值。算例分析表明，所提出的风电预测神经网络模型在保证概率预测精度的条件下能达到较好的预测效果，为短中期风电功率预测提供了一种可行的解决思路。     

一种求解多处理器作业调度的Hopfield神经网络方法

多处理器作业调度是一类非常复杂的组合优化问题 ,而Hopfield神经网络通常被广泛用于求解各种组合优化问题。针对具有时间约束 (执行时间和最后执行期限 )和若干资源约束的多处理器作业调度问题 (已知是NP难解的 ) ,提出了一种基于离散的Hopfield神经网络的求解新方法。该方法直接把问题的各种约束表示为Hopfield神经网络的能量函数项 ,进而导出神经网络模型。实验仿真结果表明了该方法的有效性。     

嵌入隔离小生境技术的混沌粒子群算法

针对标准粒子群算法(standard particle swarm optimization,SPSO)无法很好平衡全局与局部搜索能力,且收敛速度较慢、易于早熟收敛等问题,提出了嵌入隔离小生境技术的混沌粒子群算法(isolation niches em-bedded in chaos particle swarm optimization,INCPSO)。利用隔离小生境技术,保证了解的多样性,同时,引入混沌搜索策略,提高了解的搜索精度和收敛速度,且避免早熟收敛。仿真试验结果表明,与标准粒子群算法和只嵌入隔离小生境技术的粒子群算法(isolation niches particle swarm optimization,INPSO)相比,嵌入隔离小生境技术的混沌粒子群算法对复杂问题的求解能力较强,寻优性能较好。     

一种改进的变尺度混沌优化算法及其仿真研究

为了避免混沌优化在区间内的盲目重复搜索，提高搜索效率，提出一种改进的变尺度混沌优化方法，该方法在混沌搜索过程中，只需设置两个循环，内循环进行混沌搜索，外循环负责缩小区间．将每次搜索到的较优值计数，并设置一个标志A，当搜索到较优值的次数=A时，则根据搜索区间的大小动态缩小空间，在小区间中再重复上述过程，直至找到全局最优解，方法非常简单。仿真结果表明，该方法局部搜索能力强，搜索效果优于变尺度混沌优化方法。     

注意力机制CNN的毫米波大规模MIMO系统信道估计算法

在室外光线追踪通信场景下,针对毫米波大规模多输入多输出(multiple input multiple output,MI-MO)信道具有稀疏特性、系统受噪声因素影响导致信道估计精度低的问题,提出一种基于图像去噪的注意力机制卷积神经网络信道估计方法.首先,设定参数产生模拟真实环境的数据集,将所产生的信道矩阵看作二维图像...     

针对FJSP的新型邻域搜索算法及其应用

针对柔性作业车间调度问题提出两种新颖的邻域搜索方法：极值优化邻域和扩展的关键块邻域,并将其结合形成搜索范围广、寻优能力强的复合邻域;以复合邻域为基础,构造改进的遗传算法,使之兼具广阔的全局搜索能力和深刻的局部搜索能力。另外,算法采用较新颖的两级编码方式,使得对于工序排序编码和机器分配编码两部分可采用相同或相近的遗传算子进行运算,提高运算效率。对算例的测试结果及与其他算法的比较验证了本文算法的有效性。     

Intelligent control over chaos in the rolling process and its comparison with tracking control

Some existing methods for chaos control in engineering fields are analyzed and their drawbacks are pointed out. A tracking method can solve these problems to some extent, but it still depends on the mathematical model of the system to be controlled. An intelligent method based on fuzzy neural network (FNN) is used to control chaos in engineering fields. The FNN is employed to learn the inherent dynamics from the input and output of chaos, which can be used in the inverse system method, so that the method is free of the exact mathematical model of the system to be controlled. This intelligent method is compared with tracking method in the presence of measurement noise and model error. Simulation results show its superiority and feasibility.     

一种新的结构自适应竞争神经网络

针对一般竞争神经网络进行聚类分析时需要事先指定聚类数目 ,并且聚类结果依赖于神经网络初始权值的缺点 ,提出了一种结构自适应的竞争神经网络 ,根据聚类结果的MH(modificationHuber)标记值 ,自适应地调整神经网络输出神经元数目以得到最优的聚类数目。仿真结果表明 ,该网络具有良好的动态聚类效果。