一种BP神经网络算法的改进模型

首先对BP网络的结构和算法进行了分析,针对BP网络收敛速度慢,容易陷入局部极小等问题,提出了一种改进的BP网络模型,并对该模型算法进行了改进,通过激活函数的选择,网络的初始化,学习率的调整和训练样本数据的处理等方法,可实现加快网络的收敛速度,并且较好的解决局部最优问题.     

基于改进的BP算法的RoboCup防守策略研究

传统的BP神经网络算法已被有效地应用于处理RoboCup中防守策略,但是它具有最速下降法收敛速度慢和易陷入局部极小的缺点.针时该问题提出了一种改进的BP算法,通过增加附加动量项对BP算法进行了改进,并将之应用于离线的防守学习.随后,在RoboCup环境中与传统的BP算法进行了比较,结果表明:该方法可有效提高收敛成功率.     

改进的萤火虫算法优化BP神经网络及应用

针对传统萤火虫算法存在收敛速度慢和易陷入局部最优解的问题,将传统的固定搜索步长修改为与个体分布密度相关的自适应调整步长,提出了自适应步长萤火虫算法。将自适应步长萤火虫算法和BP神经网络结合,通过自适应步长萤火虫算法寻优,获取BP神经网络最优的权值和阈值,并将其作为BP神经网络的初始参数进行训练,以提高BP神经网络的训练精度和速度。以弹道导弹突防效能评估为例,构建突防效能评估指标体系,建立基于改进BP神经网络的弹道导弹突防效能评估模型。算例分析和仿真试验表明,采用自适应步长萤火虫算法优化的BP神经网络计算结果准确率高、收敛性强,在弹道导弹突防效能评估中具有推广应用价值。     

基于改进蜂群算法的无人机路径规划

人工蜂群算法存在初始蜜源具有随机性,后期收敛速度慢,易早熟等问题.运用最大最小距离积法处理初始蜜源,把K均值聚类算法与人工蜂群算法相结合,提出改进的人工蜂群算法,用于解决无人机路径规划问题.仿真结果表明改进的人工蜂群算法收敛速度更快,得到的解的适应度更好.     

BP神经网络的遗传模拟退火算法动态选址仿真

针对战区装备保障点动态选址问题的广义最大覆盖选址模型,综合分析传统的启发式算法全局、局部搜索中的优缺点,提出一种基于BP神经网络的遗传模拟退火算法,并将其运用于战区装备保障点动态选址决策实际问题中,对该算法进行了仿真研究,给出具体实例的仿真结果验证了该算法求解最优解的高效性以及运算的高收敛速度.     

用线性规划法设计复系数FIR滤波器

讨论了在复Chebyshev逼近意义下设计复系数FIR滤波器问题。直接把复Chebyshev逼近问题离散化成有限维线性规划问题 ,再用单纯形法求解这种方法一直被认为只能设计实系数滤波器 ,而且计算量大、收敛速度慢。本文从直接离散化出发 ,推导出一种求解此问题的改进的单纯形算法 ,适用于设计复系数滤波器 ,极大地减小了计算量 ,提高了收敛速度。并证明了它与通过求解半无限线性规划的对偶问题而得到的改进的单纯形法是等价的。最后给出了算法的仿真结果     

BP网络的优化及其在光纤陀螺温度漂移建模中的应用

针对BP网络存在易陷入局部极小和收敛速度慢的问题,采用遗传算法(GA)优化BP网络;采用混配的方法,对遗传算法进行了改进,克服了遗传算法中所存在的种群内过早收敛的缺点,并在光纤陀螺温度漂移建模中,取得了预测的效果。     

基于改进粒子群算法的神经网络及其在核电站故障诊断中的应用

针对传统BP神经网络以及标准PSO算法神经网络在故障诊断过程中易出现收敛速度低及易陷入局部最优点的问题,提出了一种使用改进PSO(IM-PSO)算法进行训练的神经网络。该方法具有收敛速度快、不易陷入局部极小值的优点。使用该方法对核电站二回路凝给水系统的典型故障进行了诊断,诊断结果表明:该方法的性能优于传统BP算法和标准PSO算法,在复杂系统故障诊断领域具有很好的应用前景。     

联合势场与蚁群算法的机器人路径规划

针对全局静态环境下传统蚁群算路径规划时,易陷入局部最优、前期路径有效性差等问题,提出了基于改进人工势场局部搜索和改进蚁群算法全局搜索的机器人路径规划算法.在地图环境栅格化基础上,算法首先利用有效障碍物检测和临时中间目标点改进人工势场算法,以优化其死锁和欠优问题,通过改进人工势场优化蚁群算法的初始路径搜索,避免其早期的交叉等问题,同时构建与收敛相关的负反馈通道,调节全局与局部信息素的自适应更新,以平衡算法的收敛速度与全局搜索能力.简单环境与复杂环境的仿真实验结果表明,所提算法具有较好的全局搜索能力,收敛速度和搜索能力优于已有改进蚁群算法,验证了算法的有效性.     

基于混沌蚁群算法的云计算应用优化研究

以改进蚁群算法应用在云计算中的不足为目的,讨论了蚁群算法基本原理和云计算下应用的缺陷.提出一种适合云计算的混沌蚁群改进算法,该算法通过Logistic映射产生混沌量,根据混沌遍历性和有界性对蚁群算法初始路径进行混沌初始化,同时加入混沌扰动调整算法信息素更新策略,改进了蚁群算法收敛速度慢和易陷入局部最优的缺点.最后通过CloudSim搭建仿真云环境并进行算法调度实验,通过横向对比标准蚁群算法和Dijkstra算法,证明混沌蚁群算法在执行效率和相对标准差等方面优于其他算法,更加适合于云计算环境.