基于奇异值分解的混合递阶遗传算法训练径向基神经网络

提出了一种将递阶遗传算法和奇异值分解的优点相结合的新型径向基神经网络学习算法--混合递阶遗传算法。它具有较高的学习效率,并能同时确定径向基神经网络的结构和参数。利用所提出的混合递阶遗传算法对混沌时间序列学习和预测,取得了较好的效果。     

基于改进递阶遗传算法的RBF神经网络分类器

针对通信信号调制类型识别,应用递阶遗传算法动态确定径向基神经网络分类器结构。建立了新的适应度函数,该函数简单直观,待定参数少;同时结合相关联赛选择方法对选择算子进行了改进,增加了种群进化的多样性,避免了早熟收敛。仿真结果表明改进算法能更好地确定分类器结构,分类准确率更高。     

连续参数小波神经网络的递阶遗传训练方法

提出递阶遗传训练方法用于训练连续参数小波神经网络的参数及其结构.现有的连续参数小波网络训练方法大多只能训练网络的参数,包括平移参数、伸缩参数和权值,而网络的结构得预先用某种方法确定.应用递阶遗传算法能够把网络的结构和参数同时通过训练确定.利用混沌时间序列数据进行仿真,结果证明该模型具有较高的预测精度,提出的方法是可行的.     

基于递阶遗传算法的一类多旅行商问题优化

针对最小化单个旅行商路程的多旅行商问题,提出了一种递阶遗传算法和矩阵解码方法。该算法根据问题的特点,采用一种递阶编码方案,此编码与多旅行商问题一一对应。用递阶遗传算法优化多旅行商问题不需设计专门的遗传算子,操作简单,并且解码方法适于求解距离对称和距离非对称的多旅行商问题。计算结果表明,递阶遗传算法是有效的,能适用于优化多旅行商问题。     

基于递阶遗传算法和BP网络的时间序列预测

提出一种基于递阶遗传算法和BP神经网络的时间序列预测模型。现有的BP训练方法只能训练BP网络的权重,网络的结构得预先用某种方法确定。利用很好设计的递阶遗传算法能够把网络的结构和权重同时通过训练确定。以铁路客运市场数据进行训练和测试,与传统的BP网络预测模型相比较,结果证明该模型的预测精确度是令人满意的,所提出的方法是可行的。     

基于递阶遗传算法和BP网络的财务预警

提出一种基于递阶遗传算法和BP神经网络的财务预警模型.现有的BP网络模式分类训练方法大都只能训练BP网络的权重,网络的结构得预先用某种方法确定.利用巧妙设计的递阶遗传算法能够把网络的结构和权重同时通过训练确定.以模式分类数据库中的数据进行训练和测试,并与其他模式分类模型相比较.结果表明,该模型更优,分类精确度更令人满意.根据上市公司的财务数据用所提出的方法进行财务预警是可行的.     

基于递阶遗传算法和BP网络的模式分类方法

提出一种基于递阶遗传算法和BP神经网络的模式分类模型.现有的BP网络模式分类训练方法大都只能训练BP网络的权重,网络的结构得预先用某种方法确定.利用巧妙设计的递阶遗传算法能够把网络的结构和权重同时通过训练确定.以模式分类数据库中的数据进行训练和测试,并与其它模式分类模型相比较,结果证明该模型更优,分类精确度更令人满意的,所提出的方法是可行的.     

模糊系统的递阶遗传算法设计新方法

针对模糊系统的特点和根据输入-输出数据,应用递阶遗传算法设计模糊系统。现有的模糊系统设计方法大多只能训练模糊系统的模糊集的中心参数、高斯隶属度函数的系数、中心参数和扩展参数,系统的模糊规则得预先用某种方法确定。利用很好设计的递阶遗传算法能够把模糊系统的模糊规则数目和参数同时通过训练确定。通过对混沌时间序列进行预测仿真,结果证明用该方法设计的模糊系统预测的精确度是令人满意的,文中提出的方法是可行的。     

分布式计算机控制系统的递阶优化控制算法

根据大系统分解协调原理,提出了一种适于分布式计算机控制系统（DCCS）的递阶优化算法。应用这种算法,可使各子系统的控制度为局部反馈控制和协调量开环控制的迭加。反馈控制仅与子系统的结构和状态有关,开环控制与系统的结构及系统的所有状态有关。通过动态调整松弛矩阵,可使协调量的收敛速度加快,实验表明,这种方法于DCCS的应用。     

中国经济递阶优化发展模型体系研究

在区域价值—实物型投入占用产出表和单部门区域间投入占用产出表的基础上，提出中国经济优化发展模型、某省域经济优化发展模型和中国经济协调优化发展模型的中国经济递阶优化发展模型体系.     

基于自适应遗传算法和BP网络的物重监测模型

采用自适应遗传算法与误差反向传播算法(BP)相结合,建立一个通过图像监测物体重量的模型。先对图像进行特征提取,然后用遗传算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免局部极小。作为实例,利用圆柱体、锥形体、梯形体等物体图像相关资料建立了数据库,将图像的特征因素作为样本对网络进行训练,并用训练好的网络预测未知物体重量。由实例表明,该方法在预测物体重量中是可行的,误差较小,为物体重量监测提供了一种新思路和新方法,可用于大型生产线上的物体重量在线监测和质量控制。     

基于小波神经网络的图像重建算法研究

针对传统的图像重构算法的不足,提出一种基于小波神经网络的图像重建快速学习算法。运用小波神经网络对图像重构进行了仿真研究。实验表明,对于不同的误差模型,小波神经网络采用不同的基函数可以很好地对非线性系统进行逼近,收敛速度快,近似精度高,而且网络规模比较小,计算量少。对计算机视觉和图像处理具有良好的应用价值。     

基于遗传神经网络的指数跟踪优化方法

针对使用完全复制法进行指数跟踪的缺点和仅以跟踪误差作为指数跟踪目标的不足,以跟踪误差最小化和超额收益最大化两者的权衡作为指数跟踪的目标函数,综合考虑实际中的交易成本、现金、卖空限制等约束,建立指数跟踪优化模型,并采用二进制和实数值混合编码的遗传BP网络对指数跟踪管理中的资金进行优化配置.该算法能同时优化网络结构和权值矢量,并结合遗传算子和Solis Wets算子生成后代使遗传搜索空间的群体多样性更好,加快了遗传算法的收敛速度,提高了连接权系数的优化精度.跟踪深证100指数的实证结果表明:应用遗传神经网络算法进行指数跟踪的效果明显优于完全复制法,并且实现了目标指数的动态跟踪.     

模糊粗糙神经网络的结构与参数优化

基于模糊粗糙隶属函数,建立了一种五层结构的模糊粗糙神经网络（fuzzy rough neural network, FRNN）,对神经元之间的连接,引入一个开关函数,从而把结构优化和参数学习问题转化为单纯的函数优化问题。提出一种混合智能优化算法（hybrid intelligent optimization algorithm, HIOA）用于FRNN的结构和参数优化,适应度函数同时考虑模型的精确性和网络的节俭性。典型的实验结果表明,FRNN适用非线性系统建模,相对于普通神经网络及其优化方法能获得更高的精度和泛化能力。     

基于粒子群-遗传的混合优化算法

提出了一种基于实数编码的粒子群优化和遗传算法的混合优化算法,该算法首先由粒子群优化进化一定代数后,将最优的M个粒子保留,去掉适应度较差的pop_size M个粒子。然后以这最优的M个粒子的位置值为基础,选择复制得到pop_size M个个体,并进行交叉、变异等遗传算法运算。最后将保留的M个粒子位置值与遗传算法进化得到新的pop_size M个体合并形成新的粒子种群,进行下一代进化运算。该算法在进化过程中能进行多次信息交换,使两种算法互补性得到更充分的发挥。通过5个函数优化实例与其他多种算法的对比研究,表明该算法收敛性能好,运算速度快,优化能力强。此外,还研究了最优粒子保留规模M以及粒子群优化进化较少代数规模对算法性能的影响。     

基于混合优化算法的遗传算法参数设定研究

有限计算量条件下遗传算法的理论收敛条件难以完全满足,参数选择的恰当与否直接影响到算法性能的发挥。针对这一情况,在分析现有参数设定方法的基础上,将遗传算法参数设定问题描述为随机优化问题,并提出一种解决该问题的新的混合优化算法,即基于序优化的巢分区算法。该算法将序优化思想融入巢分区算法的局部搜索过程,大大提高了局部搜索效率,而巢分区的算法框架则保证了算法的全局收敛性。以典型旅行商问题为算例的仿真结果验证了该方法的高效性与可靠性。     

一种基于复形调优遗传算法的多学科优化方法

建立良好的优化方法,是多学科设计优化（multidisciplinary design optimization, MDO）求解的关键和难点。结合具有全局搜索能力的遗传算法和局部收敛特性的复形调优算法的优势,建立了全局优化算法,并将全局优化算法应用于多学科可行（multidisciplinary feasible, MDF）方法的多学科分析模型求解,建立了两级优化MDF（double optimization MDF, DO-MDF）方法和单级优化MDF（single optimization MDF, SO-MDF）方法两种计算构架。以CASCADE系统产生的多学科问题求解为例,对比5种计算构架对MDO求解的优化结果,结果表明,DO-MDF、SO-MDF两种计算构架通过有效关联学科分析的前馈信息流表现出更好的计算能力。     

基于免疫算法的前向神经网络学习方法

提出了一种采用免疫算法训练多层前向神经网络的方法。该方法利用免疫算法训练前向神经网络,能够使网络优化过程趋于全局最优。利用基于遗传策略的聚类机制确定前向神经网络的初始权值,增加了网络训练算法收敛于全局最优的概率。将这种神经网络用于雷达模拟调制信号的调制方式识别的仿真结果表明,采用该算法设计的前向神经网络达到了较高的性能。     

用混合小波网络和遗传算法对期权定价的研究

由于波动率微笑的存在,不同种类的期权的隐含波动率不同,如何衡量不同种类期权的隐含波动率的最优权重一直是期权定价领域中的重要问题.提出了新的基于Black-Scholes模型的混合小波神经网络,建立了混合小波神经网络和遗传算法相结合的模型,将期权按钱性进行分类,提出了加权的隐含波动率作为神经网络的输入变量,通过遗传算法来求取不同种类期权的隐含波动率的最优权重.在香港衍生品市场的实证中表明,所提出的模型要优于传统的Black-Scholes模型和其它的神经网络模型.