二阶伏特拉滤波器RLS算法改进

分析了二阶伏特拉滤波器的一种快速RLS算法,针对其存在的收敛速度与收敛精度之间的矛盾,构造了遗忘因子函数并取代该算法中的固定遗忘因子,得到改进的RLS算法。提出了遗忘因子函数的构造原则并分析了相关参数的选取方法。算例表明:改进的RLS算法能解决收敛速度与收敛精度之间的矛盾,有效地加快了收敛速度。     

求解QoS组播路由问题的改进蚂蚁算法

蚂蚁算法是一种相对较新的启发式方法，通过模拟蚂蚁的觅食行为，提出了求解QoS组播路由问题的改进蚂蚁算法。仿真实验表明，该算法能以较高速度收敛，有效地解决QoS组播路由问题。     

方程迭代求根加速收敛的算法研究

文章介绍了方程迭代求根的方法。以迭代法的收敛性和收敛速度为出发点,提出并讨论了采用迭代值的组合和方程式的变换等技巧来提高迭代的收敛性并加快其收敛速度的算法。文中对算法进行了描述,并用具体实例证明了该算法的有效性。     

BP模型的改进算法及其在负荷预测中的应用

分析了BP模型学习算法——累积误差进传播算法在接近极小点时收敛速度变得异常缓慢的原因,并通过对连接权值的调整量引入权重系数,提出了一种改进的BP模型学习算法,大大加快了收敛速度,提高了收敛性。还利用提出的改进算法对某省中期负荷进行了预测,算例结果表明了该算法的有效性。     

一种混合的垃圾邮件过滤算法研究

贝叶斯邮件过滤器具有较强的分类能力,极高的准确率,在内容过滤领域占据主导地位。人工免疫系统具备强大的自学习、自适应,鲁棒性等能力,已发展成为计算智能研究的一个崭新的分支。该文在分析贝叶斯的原理和人工免疫的仿生机理的基础上,将贝叶斯与人工免疫相结合,设计和实现了一种基于贝叶斯和人工免疫的混合垃圾邮件过滤算法,并利用现有的垃圾邮件语料库得到预期的实验结果。     

混合策略改进的粒子群算法

针对粒子群算法易陷入局部最优、收敛精度低、收敛速度慢等缺陷,提出了基于混合策略的改进粒子群算法。使用融合Circle映射与精英反向学习的策略初始化种群,提升初始种群的质量,同时加快收敛速度;在粒子速度更新方式中引入蜘蛛移动策略平衡算法的全局搜索与局部搜索;提出了基于自适应t分布的变异策略,增强算法全局搜索和跳出局部最优能力;对15个单峰和多峰函数进行仿真实验,与其他3种算法进行了对比分析,结果表明：所提出的改进算法具有很强的寻优能力与稳定性。     

交叉变异蛙跳算法

针对基本蛙跳算法搜索速度和精度不高的缺点,将变异的思想融入基本蛙跳算法,提出了一种新的改进蛙跳算法——交叉变异蛙跳算法(KSFLA).该算法通过子族群中排名较前的个体变异产生新个体代替子群中较差的若干个体,而其余的非子群最优个体则模仿大雁飞行策略,参照前面的个体进行位置更新,充分利用群体的信息提高算法性能.实验表明,改进后的算法在收敛速度以及收敛精度方面都有了很大程度地提高.     

面向安全服务重组多目标优化的粒子群遗传算法

遗传算法具有快速随机的全局搜索能力,但局部搜索能力差,易陷入早熟收敛,迭代效率低.粒子群算法采用速度——位置模型,可以较快收敛到指定精度.将粒子群算法与遗传算法融合,采用多目标遗传算法得出初步的优化结果,并将其作为粒子,利用粒子群算法强化局部搜索,加快收敛速度,仿真结果证明了该算法的优越性.在CSSM对底层安全服务的重组时利用粒子群和遗传算法的结合(GAPSO),能够提高效率.     

遗传聚类算法及其改进

本文给出了一种改进的基于遗传算法的聚类算法。传统的KMeans算法具有较强的局部搜索能力,但是对初始化聚类中心很敏感,容易陷入局部收敛性。基本遗传算法具有全局优化性,但局部搜索能力较差,收敛速度慢。针对二者算法的优缺点,利用了面向对象程序设计思想,结合二者的优点,提出了一种改进的遗传聚类算法。数据实验表明,该方法有效地提高了基于遗传算法的聚类算法的局部搜索能力和收敛速度。     

粒子群优化算法在天线方向图综合中的应用

针对目前粒子群优化算法在多零点低旁瓣约束的阵列天线方向图综合中早熟收敛、易陷入局部极值的问题,提出了一种改进的粒子群优化算法MSPSO,在多子群、层次化的模型中采用von Neumann邻域结构,以改善收敛速度和优化精度。建立一种新的目标函数模型,对顶层和底层的子群分别采用适合其特点的适应值目标函数,平衡了算法的全局和局部搜索能力。仿真结果表明,将该算法应用于阵列天线方向图综合中,取得了很好的优化效果。     

免疫遗传算法在柔性Job-shop调度问题中的应用

借鉴生物免疫机理提出了一种求解柔性Job-shop车间调度问题的免疫遗传算法．仿真结果表明，该算法有效地避免了传统遗传算法中因选择压力过大造成早熟现象的发生，显著地提高了遗传算法（GA）对全局最优解的搜索能力和收敛速度，这将使遗传算法在众多实际的优化问题上具有更广泛的应用前景．     

动态变异遗传算法

遗传算法是根据达尔文生物进化理论而提出的一种优化算法。该文提出了一种新的遗传算法,理论分析显示,它不仅能保持遗传种群的多样性,而且能快速收敛。计算机仿真实验证明了改进后的遗传算法能够有效地克服不成熟收敛、进而搜索到全局最优解,并将这种新遗传算法用于BP网络的拓朴结构的优化和连接权值的训练,实例表明了该算法的有效性和可行性。     

基于0-1规划的软硬件划分方法研究

将0-1规划算法应用于软硬件协同划分过程中,一种节点的映射方式对应单位立方体上的一个顶点。利用单位立方体几何性质求出无约束的目标最优解;由此解出发,利用折半查找和一定的编码策略向外搜索,直到满足系统约束为止;利用仿真数据对该算法进行了有效性验证。仿真结果表明,0-1算法的收敛速度与遗传算法相当;精度与整线性规划相当。     

二进制改进粒子群算法在背包问题中的应用

提出了用于求解0 1背包问题的二进制编码的粒子群算法,阐明了该算法求解背包问题的具体实现过程.为了提高粒子群算法的收敛速度,在传统的二进制编码的粒子群算法中嵌入了记忆功能.通过对其他文献中仿真实例的计算和结果比较,表明该算法在寻优能力、计算速度和稳定性方面都超过了文献中提到的遗传算法和模拟退火算法.提出的求解背包问题的二进制改进粒子群算法,同样可以应用于其他离散优化问题.     

一种前馈神经网络综合快速学习算法

目前基于高斯牛顿法及其衍生算法的前馈神经网络虽然可以达到局部二阶收敛速度，但只对小残量或零残量问题有效，对大残量问题则收敛很慢甚至不收敛．为了实时解决神经网络学习过程中可能遇到的小残量问题和大残量问题，引入NL2SOL优化算法，并与LM(Levernberg-Marquardt)法相结合，构建基于LM-NL2SOL法的前馈神经网络学习算法．仿真实例表明，该神经网络学习算法较好地解决了残量问题，具有良好的收敛性和稳定性．     

一种基于二层感知网络的判决反馈均衡器

采用基于二层感知网络的判决反馈均衡器结构实现非线性信道均衡，导出了其权值自适应调整的学习算法，给出了一种有效的权值初始化方法。针对一种具有严重码间干扰与有色噪声的非线性信道，分别应用文中提出的二层感知网络判决反馈均衡器和一般的三层感知网络判决反馈均衡器对该信道进行均衡，对其均衡性能进行了计算机模拟，并作了分析和比较。研究表明所提出的二层感知网络判决反馈均衡器无论是收敛速度、误比特率，还是计算复杂度方面都明显优于文献［５］提出的多层感知判决反馈均衡器。     

基于蚁群BP神经网路算法的六维力传感器解耦研究

针对传统BP神经网络在六维力传感器解耦训练过程中,由于其初始参数的选取不确定性导致神经网络出现震 荡、收敛速度缓慢和陷入局部极值等问题,提出一种基于蚁群BP神经网络算法并应用于六维力传感器解耦研究。该算 法利用蚁群算法在种群寻优方面的优越性,通过局部和全局信息素更新相结合的方式更新信息素,提高蚁群算法搜索的 效率,为BP神经网络提供一组最优的训练初始参数,网络收敛速度得到很大地提高,同时局部极值和震荡等缺点也有一 定的改善。实验仿真结果表明,在六维力传感器神经网络模型训练过程中,达到同样的目标误差,基于蚁群BP神经网络 算法的迭代次数Ⅳ比传统算法少50%,运行时间r快60%。这说明蚁群BP种经网络算法在六维力传感器解耦研究中 有着很好的应用效果。     

基于模拟退火遗传算法(N+M)容错系统优化模型的求解

本文提出了求解（N＋M）容错系统优化模型的模拟退火遗传算法．该算法在遗传算法的约束条件处理、交叉和变异概率选取、变异个体等环节引入了模拟退火机制，实现了模拟退火和遗传算法的融合，进一步改善算法的搜索能力、搜索效乍和收敛性能，计算结果验证了算法的有效性和正确性。