饶玉成[1]2003年在《基于参数自适应的极大熵结构优化算法研究》文中研究表明本文以信息论极大熵原理为基础，着眼于一类新型的结构优化算法，在改进原有类似算法不足的基础之上，提出了控制参数自适应的观点，同时拓宽了原来代理概念的适用范围，系统研究了完全基于极大熵的结构优化理论和方法。 主要研究内容如下： 对极大熵方法在结构优化中的应用进行了全面详细的描述。在极大熵基础理论方面，重点介绍了以李兴斯教授为代表的学者们在结构优化极大熵方法中的研究现状和最新成果；在离散变量处理方面，重点介绍了霍达教授提出的附加约束方法的研究成果。这些开创性的研究成果构成了本文研究工作的背景和基础。 对于松弛参数的选取进行了深入研究，在传统的极大熵方法的基础上提出了基于参数自适应的MEMP方法。该方法不同于人工调试和仅凭经验的传统参数选取方法，由于在计算代理系数的时候不需要过分的依赖于频繁的调试，同时对于是否可以求解的问题给出一定的判断，避免了有些问题本身的条件不好而导致人工调试失效的问题。它可以根据迭代的结果判断计算状态的优劣而自动适应调整，迫使迭代返回到正常的轨迹上来。正是由于这个特点，MEMP算法具备一定的智能性。 在一阶近似的水平上推导了传统的尺寸优化模型，该方法不再基于常见的泛静定化假设而是从泰勒近似的角度研究问题，在数学上严格地证明了传统的泛静定化模型具备一阶精度。 在K-S函数的迭代简化形式的基础上，进一步的拓宽“代理”的概念，在迭代点上用“代理目标评价函数”代替K-S函数，提出了一种新的评价函数方法MOP。 在本文MEMP算法和MOP算法的基础上，研究了桁架结构的形状优化的二步算法，该算法两步均建立在极大熵的方法之上，不需要其他的优化方法作为辅助，这种运用极大熵原理统一处理目标函数和约束函数的方法是极大熵方法的一种综合应用。 深入的研究了霍达教授在八十年代提出的附加约束方法。拓宽了离散化的约束条件，提出了离散变量的MEMP算法，并且自然的将其推广到形状优化和混合离散变量的优化。 文中最后对于本文完成的研究成果进行了总结，并且对于本课题的进一步研究方向和有待解决的问题给出了作者的看法。
尹大伟[2]2011年在《航空发动机模型求解算法及性能寻优控制中的参数估计研究》文中认为航空发动机性能寻优控制(Performance-Seeking Control,PSC)旨在挖掘发动机潜力以充分发挥其性能,从而提高新一代战机的综合作战能力。发动机非线性数学模型是PSC中所有相关模型的基础。精确的机载发动机模型是PSC的关键,PSC通过参数估计技术保证模型的准确。本文主要针对性能寻优控制中的两项重要技术——发动机数学模型求解算法和参数估计开展研究。论文以解决这两项技术中存在的一些实际问题为目的,通过引入新理论和新方法,取得了一定成果。建立并分析了发动机部件级解析模型。(1)根据元建模思想,应用Kriging方法建立了压气机特性元模型,在此基础上重构了未知换算转速下的压气机特性,扩充了特性数据表;(2)建立了涡扇发动机部件级模型,分析了建模中压气机特性插值和局部非线性方程(组)求解存在的问题,分别给出了通过特性变换和变量无因次化处理的解决方法;(3)建立了发动机共同工作方程组,分析了独立变量的选择方法;(4)分析了直接应用Newton-Raphson法求解模型时,算法对迭代初值要求过高,可能出现因插值超界、计算奇异导致迭代中断,以及因Jacobian矩阵条件数恶化导致计算发散等问题。研究了应用传统优化算法求解发动机数学模型。(1)基于最小二乘准则,将发动机共同工作方程组的求解问题转化为非线性最小二乘问题,提出了基于优化理论求解该等价优化问题的思想;(2)以求解一般非线性最小二乘问题的Gauss-Newton ( G-N )法为基础,分别研究了带步长因子的G-N法和Levenberg-Marqurdt(L-M)法两类改进算法;(3)将G-N法及其改进算法迭代格式中的矩阵求逆问题转化为线性方程组求解问题,采用矩阵正交分解技术,以解决因矩阵条件数恶化导致的计算发散问题;(4)设计了结合带步长因子G-N法和L-M法优点的混合迭代优化算法,根据模型求解的数值实验,应用混合算法获得了满意精度解,而单独的带步长因子G-N法或L-M法求解结果并不理想。研究了应用现代优化算法求解发动机数学模型。(1)提出了采用带边界约束的非线性最小二乘模型,以保证应用现代优化算法时求解过程不中断;(2)研究了标准粒子群(Particle Swarm Optimization,PSO)算法,选择并设计了可用于求解发动机模型的PSO算法参数;(3)研究量子粒子群(Quantum-behaved PSO,QPSO)算法,选择并设计了可用于求解发动机模型的QPSO算法收缩-扩张系数。根据合理参数设置下的模型求解数值实验,都得到了满意的计算精度,验证了这类算法用于求解发动机模型的可行性。研究了性能寻优控制中参数的线性估计技术。(1)研究了离散自适应Kalman滤波算法,以解决状态模型误差不确定的问题;(2)基于可测参数的CA(Const与估计过程的可测参数偏离量间接估计方法,并且采用分散计算式,提高精度的同时也保证了计算速度;(3)针对集中式Kalman滤波估计性能退化参数存在的问题,设计了联邦滤波器,通过分布式计算模式的子滤波器和具有信息融合与分配作用的主滤波器,充分利用了测量信息,有效降低了计算量和提高了估计精度,并提高了系统的容错性。研究了性能寻优控制中参数的非线性估计技术。(1)分析了部件性能退化原理,联立发动机共同工作方程和性能退化后的可测参数测量平衡方程,建立了发动机性能退化模型,将性能退化参数估计问题转化为解非线性方程组问题;(2)研究了应用抗差Kalman滤波对测量数据进行预处理的方法;(3)提出了应用现代优化算法求解性能退化模型,设计了引入变异操作的PSO和QPSO算法,以解决标准算法陷入局部最小的问题,完成了退化模型求解,并给出了获得满意估计结果时目标函数的收敛量级。论文将种类丰富的优化算法引入发动机数学模型求解领域,一定程度上解决了传统数值方法存在的问题;提出的两种参数线性估计方法,均采用分布式计算模式,解决了集中式Kalman滤波算法存在的不足,并且符合发动机控制系统分布式发展趋势;初步研究了基于现代优化算法的参数非线性估计技术。所做研究对性能寻优控制的发展具有一定理论意义和工程应用价值,也能够为发动机仿真及故障诊断等相关研究提供一定技术支持与参考。
杜长海[3]2009年在《计算智能及其在城市交通诱导系统中的应用研究》文中研究说明随着社会经济的高速发展与城市化进程的不断加快,城市人口和机动车辆日益增加,城市道路交通拥堵已经成为世界大中城市普遍存在的现象,由此带来的交通事故、能源浪费以及环境污染等问题,不仅严重地制约着城市和社会经济的可持续发展,同时也严重地影响着城市居民的生活质量。因此,运用智能交通系统来解决日益严重的城市交通问题,已经成为了交通工程未来发展的重要方向。本学位论文研究的交通诱导系统是智能交通系统中的重要子系统之一,它能够有效地引导车辆在路网中运行,减少车辆在道路上的行驶时间,并最终实现交通量在整个路网中均匀分配。将自然科学的最新研究成果和工程技术的最新方法引入城市交通诱导系统,不仅有利于提高交通系统的运行效率,而且关系到土地资源与能源的合理利用、环境污染与噪声的改善,这对满足社会需求、推动国家和社会的进步以及学科的发展,无疑都具有十分重要的意义。城市交通系统集成了人、车、路和环境等各种因素,具有高度的复杂性、时变性和不确定性。精确的数学模型和方法难以有效解决复杂的现代城市交通问题,而计算智能是一种仿生计算方法,它从生物底层对智能行为进行模拟和研究,拓展了传统的计算模式,不需要建立问题本身的精确模型,具有智能性、并行性、自适应性等优点,为复杂问题的求解提供了卓有成效的解决途径。因此,本学位论文依托重庆市科学技术委员会自然科学基金计划项目——智能交通系统重点项目“城市交通路网拥堵动态预警与疏导决策技术研究”(项目编号:CSTC,2006BA6016),在总结该领域现有研究成果的基础上,引入新兴起的计算智能理论,对交通诱导系统研究中应解决的若干关键理论问题进行了较为全面深入的研究,试图解决目前城市交通诱导领域存在的一些疑难问题。本文主要的创新性工作如下:①针对支持向量回归机(SVR)的拟合精度和泛化能力取决于相关参数的选取问题,提出了基于灾变FS算法的SVR参数选择方法,并应用于交通流预测的研究。通过提出基于尖点模型的灾变策略来改进FS算法的个体迭代位置选择机制,以降低设置搜索半径的依赖性,从而扩大搜索空间,提高全局搜索能力。对实测交通流量进行滚动预测实验,结果表明该方法优化SVR参数是有效、可行的,与经验估计法相比,得到的SVR模型具有更好的泛化性能和预测精度。②针对基本蚁群算法存在容易陷入局部最优解出现早熟停滞的缺点,提出了基于混沌选择策略的蚁群算法,并应用于城市交通路径寻优的研究。在基本蚁群算法的概率转移中引入混沌扰动的策略,以使解易于跳出局部极值区间,加快收敛速度。以重庆市渝中半岛的路网为实例计算以行程时间为目标的最优路径,结果表明该算法获得了较好的效果,与基本蚁群算法相比,提高了全局搜索能力。③针对牛顿法初始值要求严格、易产生局部收敛并含有矩阵求逆的不足和粒子群算法存在收敛速度慢和局部最优的问题,引入粒子间相对位置改进基于抗体浓度的概率选择公式,提出了一种带免疫机理的粒子群算法,并将其用于由路段流量反推OD矩阵的极大熵模型求解研究。粒子不仅根据个体极值和全局极值更新速度和位置,而且按一定概率以轮盘赌法选择某个粒子进行学习,以保持种群多样性,降低了算法过早收敛于局部最优解的几率。以重庆市某交叉路口为实例进行实验,粒子群算法求解成功率高于牛顿法,表明粒子群算法推算OD矩阵是一种行之有效的方法;而且,改进的粒子群算法比基本粒子群算法和基本遗传算法具有更好的全局寻优能力。④针对城市交通状态的不确定性和模糊C均值聚类(FCM)算法存在的初值敏感性和局部搜索性问题,提出了基于混合蛙跳算法(SFLA)的模糊C均值聚类算法(SFLA-FCM),并应用于城市交通状态识别研究。SFLA-FCM使用SFLA的优化过程代替FCM的基于梯度下降的迭代过程,有效地避免了FCM对初值敏感及容易陷入局部极小的缺陷。实验结果表明,与FCM相比,SFLA-FCM在收敛速度和精度上均有所提高,结果更为合理、稳定;而且,能够有效地对交通状态进行识别,为交通状态实时识别提供了一个新的研究思路。总之,本文对计算智能的理论和方法在城市交通诱导系统领域的应用进行了较为全面深入的分析研究,对进一步解决城市交通问题具有重要的意义和广阔的应用前景。
董春茹[4]2015年在《机器学习中的权重学习与差分演化》文中提出机器学习是人工智能的核心研究问题,是计算机获得智能的根本途径。自从20世纪50年代人工智能学科建立以来,人们已经提出了大量的机器学习算法,如决策树、神经网络、支持向量机、K均值聚类及KNN算法等。而实际问题中的真实数据往往具有以下的一个或几个特点:含噪音的、具有缺失数据、数据类别分布不平衡、特征重要程度不同、大数据以及数据含有不确定性等,特别是当前随着计算机技术及通讯网络的迅猛发展,这些问题变得更加突出。为了处理这些不完美的数据,人们提出了许多改进的算法,比如可以集成多个学习器的集成学习系统,能够处理模糊数据的模糊系统,引入权重的加权学习算法,基于高性能进化计算技术的学习算法等。其中加权技术和模糊系统是经常使用的两种技巧,在这两个课题上仍然存在着一些问题值得我们进一步研究,如在学习系统中如何获取“良好”的权重以提高加权学习算法的性能?模糊分类器的性能与其模糊输出向量之间有没有关系?本文在选定的几个学习模型上深入研究了权重的优化模型及模糊分类器的模糊度与其性能的关系,并将改进的差分演化技术引入到权重的学习问题中。具体工作主要包括:首先,提出了基于多进化策略的混合差分演化算法,并将之用于求解加权模糊聚类中的权重;其次,针对更复杂的极速学习机(Extreme learning machine,ELM)中的网络结构及随机参数优化问题,我们将进化策略及参数自适应技术引入前述差分演化算法,提出了一个基于自适应差分演化的2阶段进化ELM算法;随后,在加权模糊规则推理系统中,我们研究了加权模糊规则中的权重与推理系统的泛化能力之间的关系,随后提出了一种基于最大模糊熵的权重精炼方案;最后,在集成学习系统中,我们分析了模糊基分类器输出向量的模糊性与集成系统泛化能力的关系,并通过实验及理论给出了几个有意义的结论,同时对集成学习中基分类器的学习提出了一些实用的建议。基于以上工作,本论文主要贡献可总结为如下几个方面:(1)提出了一种包含多种进化策略的混合差分演化算法并将之用于学习基于相似度的加权模糊聚类中的特征权重。提出的差分演化算法相对于已有算法,其即使用适于全局搜索的策略,也使用适于局部搜索的策略,从而增强了搜索能力,同时算法也没有增加过多额外的计算。(2)提出一种自适应多进化策略混合差分演化算法,该算法通过依次选用多种进化策略以提高搜索能力,同时其可实现进化策略及控制参数的自适应。进一步基于该算法提出了一种ELM网络的2阶段训练方案。该方案分两个阶段分别对ELM的网络隐单元个数及隐单元参数进行优化,即实现了网络结构及随机参数的自动获取及优化,又避免了传统trial-and-error方法的高耗时性以及已有其它进化ELM同时优化隐单元数及随机参数时解空间的超高维、多峰值及冗余性,从而可以自动以较小的网络结构获得与基本ELM相当甚至更好的测试性能。(3)针对加权模糊推理系统,提出了一种基于模糊最大熵原则的权重优化模型。该模型与传统大多数方法最小化训练精度或验证精度不同,其将加权模糊规则中的权重等参数看成变量,然后对于初始获取的一组模糊规则(权重都为1),在模糊规则满足所有已知约束(一般为训练样本的类别分对)的前提下,通过最小化模糊规则推理系统在训练集上的输出模糊熵来学习规则中的权重等参数的值。我们的数值仿真试验也验证了该方法可以很好地避免过拟合问题,从而得到满意的分类器。(4)针对基于一般模糊分类器(或输出为样本属于各个类别隶属度的多类分类器)的集成学习系统,我们首次研究了模糊基分类器的输出不确定性(如模糊性、不可指定性等)与集成分类器的测试精度之间的关系。并得到了几个有意义的结论,如:a)对于带有复杂边界的分类问题,模糊性大的样本比模糊性小的样本更容易被错分;b)距离边界近的样本集与具有较高模糊性的样本集一致,但是难于得到两者之间的映射,该映射基于边界样本的定义;c)若训练准确率可以被接受,带有较高模糊性的分类器对复杂边界问题具有较好的泛化能力能,并对该结论进行了实验验证。
邓赵红[5]2008年在《基于神经模糊的模式识别的几个问题的研究》文中进行了进一步梳理模式识别技术是人工智能的重要研究内容。基于各种技术,几十年来各种不同的模式识别方法得到了广泛的研究。其中,随着神经模糊技术的发展,基于神经模糊技术的模式识别方法也得到了长足的发展,引起了众多学者的广泛关注,形成一个独特的研究方向:神经模糊模式识别技术。目前,基于神经模糊技术的模式识别及其相关技术已经得到了较深入的研究,一些成果已成功高效地应用于不同的领域。虽然如此,该类技术依然面临着许多重大的挑战。其中几个关键的挑战是:1)如何构建更鲁棒的神经模糊模式识别算法。2)如何开发基于新模型的神经模糊模式识技术。3)如何把神经模糊模式识别及其相关技术应用于更广泛的领域,如生物信息学、计算机视觉等。针对上述的挑战,本课题进行了相关的研究。所研究内容主要涉及叁个部分,分述如下。第一部分,包含第二章到第五章,主要探讨了鲁棒的神经模糊模式识别技术。具体地,第二章针对模糊聚类神经网络FCNN对例外点敏感的缺陷,通过引入Vapnik’sε?不敏感损失函数,重新构造网络的目标函数,并根据拉格朗日优化理论推导出新的鲁棒模糊聚类神经网络及其算法RFCNN。第叁章针对极大熵聚类算法MEC对例外点较敏感和不能标识例外点之缺陷,提出了一种鲁棒的极大熵聚类算法RMEC。第四章提出了一种较鲁棒的基于视觉原理和WEBER定律的TSK模糊系统建模方法。第五章提出了一种新的级联MLP神经网络CATSMLP。证明了CATSMLP神经网络等价于一种特殊的基于演绎模糊推理的级联模糊推理系统CATSFIS;由于级联模糊逻辑推理较之于if-then模糊逻辑推理对噪声的干扰具有较小的误差上界,从而推导出CATSMLP神经网络较ATSMLP具有更好的鲁棒性。第二部分,包含第六章到第八章,主要探讨了基于球模型的神经模糊模式识别技术。具体地,第六章提出了一种基于核化技术的模糊核超球感知器分类算法,该算法通过核化技术把样本数据映射到高维特征空间,并利用超球感知器学习寻找高维特征空间的决策超球,从而得到各类样本的决策函数。第七章基于最小最大概率策略和模糊技术提出了一种新的分类学习机:模糊超椭球学习机MPFHM。第八章探讨了压缩集密度估计器RSDE和最小包含球MEB之间的关系,证明了RSDE能被视为一个特殊的MEB问题。进一步引入基于核集的最小包含球逼近策略开发出了快速的压缩集密度估计器FRSDE,并有效地应用于分类、建模及图像分割。第叁部分,即第九章,基于模糊推理规则提出了一种具有自适应学习功能的自动弹性图像配准方法。进一步地,把形变视频跟踪看作一个动态图像配准问题,提出的弹性配准方法被应用于视频跟踪。
刘殿锋[6]2011年在《土地质量空间抽样的群智能优化决策方法研究》文中研究说明随着人类对土地系统扰动作用的日益增强,土地质量安全问题已经成为全球性的科研议题。准确合理地调查和监测土地质量变化情况是科学制定土地管理政策的基础,是保障土地质量安全和实现土地资源可持续利用的有力支撑。FAO、UNEP等国际组织以及各国政府均广泛开展了土地质量调查、监测和评价工作。鉴于我国人多地少和社会经济发展迅速的基本国情,土地资源面临的压力将大于任何其他国家,开展此项工作更是迫在眉睫。在土地质量调查、监测实施过程中,空间抽样技术因其能够在保证精度的前提下避免全面调查造成的巨大人力、物力和财力开销,已经成为主要的数据获取手段。但是,传统土地质量空间抽样方法在设计抽样方案时并未考虑不同的土地质量指标空间分布特征的影响,定量化、智能化程度亦不高,抽样效率和精度难以满足研究人员的要求。因此,研究面向不同土地质量指标样点空间分布特征的、智能化的、高效能的土地质量空间抽样优化决策技术和方法成为土地资源调查和监测技术研究领域的发展趋势。微粒群算法是群智能优化技术的典型代表,它能够利用个体间的合作和竞争行为产生的群体智能解决复杂优化问题,具有框架开放、智能化程度高、搜索速度快和收敛效果好等特点,被广泛用于车辆路径、车间调度和土地利用优化布局等空间优化领域。本文针对土地质量自然属性指标和社会经济属性指标具有的不同空间分布特征,系统研究了单变量土壤质量抽样、多变量土壤质量协同抽样和城镇土地质量抽样等抽样方案设计问题,在开放的微粒群算法框架基础上整合多种优化目标和约束条件,提出了基于微粒群智能的土地质量抽样方案优化设计框架和方法,实现了土地质量空间抽样的样点数量和布局的一体化优化设计。论文的主要研究成果和创新总结如下：结合土地质量的概念将土地质量空间抽样模式界定为土壤(农用地)质量空间抽样和城镇土地质量空间抽样两类,并针对各自模式下的样点空间分布特征,分别讨论了应用基于地统计学的和基于适应性空间聚类的空间抽样方法进行抽样方案设计的必要性。详细介绍了以微粒群算法为代表的群智能优化方法原理和框架,分析了其在土地质量空间抽样方案优化设计领域的广泛应用前景。针对传统单变量土壤质量空间抽样方法在先验知识应用、抽样效率等方面的不足,在地统计学空间抽样框架下,结合基于设计的空间分层抽样方法(Design based stratified sampling)提出了基于二进制微粒群算法的单变量土壤质量一体化抽样模型(BPSO_SV)。BPSO_SV模型以克里金方差最小和极大熵准则作为抽样优化目标,以最小样本量、空间阻隔性和采样可达性为样点布设约束,实现了单变量土壤质量空间抽样样本方案的数量和空间结构一体化设计。在先验知识的约束下,模型采用Voronoi分析和变异结构分析方法进行空间分层和样本空间构造,保证了空间分层和样本单元的区域特征。与其他方法结果相比,BPSO_SV方法设计的抽样方案最小克里金方差显着下降,最大熵信息含量增加,算法收敛时间仅是空间模拟退火(SSA)算法的69%。针对传统多变量土壤质量空间抽样方法协同能力的不足,在地统计学空间抽样框架下提出了基于协同微粒群的多变量土壤质量空间抽样模型(CPSO_MV)。CPSO_MV结合基于模型的抽样(Model based sampling)思想,以每个变量的最小克里金方差为优化目标,以多变量的最小协同样本量、采样可达性和采样费用限制为约束条件,采用“环状结构”的多目标协同微粒群算法搜索同时满足多变量精度和费用要求的抽样方案,它具有多变量协同性、计算智能性以及样本量、样点布局一体化设计的特点。在CPSO_MV模型中,为了提取土壤质量抽样变量,采用了一种基于可变粗糙集(VPRS)的土壤质量影响因子提取方法,实现了土壤质量指标空间关联性的定量化分析。实验结果表明CPSO_MV模型的协同精度高于传统的加权求和法(WA)。通过分析城镇土地质量因子的空间分布特征,在适应性空间聚类抽样方法框架下提出了基于适应性微粒群聚类算法的城镇土地质量空间抽样优化模型(ASCPSO)。ASCPSO改进了适应性聚类抽样方法,结合基于设计的抽样思想和微粒群聚类算法,以极大类间距准则为优化目标选取初始样点,结合基于模型的抽样(Model based sampling)思想和二进制微粒群优化算法,以极大熵准则和WM准则作为优化目标选取加密样点,并采用采样可达性、分布轴线(中心)吸引性等条件约束样点的布设。实验结果表明ASCPSO设计的城镇土地质量抽样样本能够准确描述样点的集聚特性,相比传统的基于统计学理论方法结果WM目标值降低了29.18%,ME目标值提升了3.83%。归纳总结本文提出的土地质量空间抽样群智能优化决策技术和方法,基于空间优化决策支持系统(SDSS)原理构建了智能化的土地质量空间抽样优化辅助决策原型系统(SSDSS-LI)。SSDSS-LI系统采用叁层框架结构,实现了农用土地和城镇建设用地土地质量空间抽样方案的优化设计功能,具有定量化、智能化、业务流程化和可扩展性强的特点。系统实施结果表明其具有可行性和有效性。
杨晓华[7]2002年在《参数优选算法研究及其在水文模型中的应用》文中研究说明本文对单纯形算法、Rosenbrock算法和模式搜索算法等多种常规优化方法，模拟退火算法、混沌算法和最大熵优化等多种革新优化算法以及具有很大发展潜力的遗传算法(GA)进行了系统的分析，并针对不同水文模型所出现的大量高维、多峰、非线性、不连续、非凸性等复杂的参数优选问题，建立了改进的加速遗传算法、改进的混合加速遗传算法并对上述改进的加速遗传算法进行数值模拟、系统的理论研究、应用研究并与常规优化方法进行比较，提高了水文模型参数优选的稳健性和解的精度以及遗传算法的速度。主要研究内容如下： 1．对二进制编码加速遗传算法的杂交算子、变异算子进行改进，建立了改进的加速遗传算法，提高了GA的全局优化能力。 2．利用混沌变量特定的内在随机性和遍历性，建立了简单混沌优化算法。 3．在进化过程中，根据种群的实际情况，随时调整杂交、变异算子大小，把这一思想应用于加速遗传算法中，提出基于动态杂交、变异操作的自适应加速遗传算法，克服了算法的早熟收敛，在一定程度上提高了GA的全局优化能力。 4．二进制编码有时不便于反映所求问题的结构特征，对于一些连续函数的优化问题，GA的局部搜索能力也较差。相邻整数的二进制编码可能具有较大的Hamming距离，这种缺陷将降低遗传算子的搜索效率。格雷码遗传算法虽然可以克服二进制编码的Hamming悬崖这一缺点，但也存在着收敛速度慢等问题。为此，本文提出基于格雷码编码的加速遗传算法，并将格雷码加速遗传算法应用于河流横向扩散系数、结构最优设计和非线性极大极小问题等参数识别问题中，大大提高了格雷码遗传算法解的精度和搜索效率。 5．二进制编码需频繁的编码和解码，计算量大。实数编码遗传算法虽然不需频繁的编码和解码，但局部搜索能力有时也较差。本文在实编码遗传算法中加入单纯形法、模拟退火法和模式搜索法，提出了单纯形混合加速遗传算法、模拟退火混合遗传算法和模式搜索混合遗传算法，在一定程度上，减少了GA的计算量，提高了GA的搜索效率、全局优化能力和解的精度。 6．建立了上述两点杂交、两点变异格雷码加速遗传算法的模式定理，给本文所建立的格雷码加速遗传算法提供了理论基础。 7．对模拟退火算法进行了改进，建立了改进的模拟退火算法，在一定程度上提高了模拟退火算法的搜索效率。 8．和用基于最大熵原理的变尺度算法(DFP)利实编码加速遗传算法(RAGA)，解决了带约束的环境优化问题。 9．本文对10种优化方法的全局收敛性进行了数值实验和分析比较，结果表明混合加速遗传算法SAGA、JHGA的全局优化性能较好。 10．给出了12种参数优选方法在水文模型中的应用结果，建立了适合于水文模型尤其是流域水文模型的混合加速遗传算法。
吴文婷[8]2013年在《基于压缩感知的凸优化算法研究》文中认为随着信息技术的迅猛发展,海量数据日益增长,传统的信号处理模式已经越来越不能够适应这种局面,信号处理能力也受到了极大的挑战。压缩感知理论应运而生。压缩感知理论能够从繁冗的信号中提取简洁的信息,从而减少信号处理的数据量。压缩感知理论包含了信号的稀疏分解、观测矩阵的设计与选择以及信号的恢复,利用较少的观测值精准地恢复信号是压缩感知恢复过程的关键。本文在压缩感知理论框架下研究凸优化恢复算法。首先,本论文详细介绍了压缩感知的理论基础,描述了压缩感知框架下的压缩过程和恢复过程,详细介绍了稀疏分解和观测矩阵的有限等距特性,而且分析了恢复过程中凸松弛法与贪婪算法各自的特点和区别。其次,论文分析比较了最小l0法,最小l1法以及最小l2法的区别,深入研究了凸优化算法中的稀疏梯度投影算法和内点法,阐述各算法的基本内容,从理论上分析总结各算法的优缺点,通过仿真实验比较算法的性能,发现算法恢复性能受到信号规模、信号稀疏度以及噪声大小的影响。最后,针对上述算法不能稳定收敛的问题,本文提出了结合拟牛顿的梯度投影算法和适用于多数凸优化算法的停止准则。该算法充分利用了拟牛顿的校正机制和线性收敛特性,近似的目标矩阵有效降低了恢复算法的计算复杂度,而校正机制则弥补了方向误差,在可行梯度上寻找最优解,并且采用的停止准则能够很好的平衡算法精度和运行时间。仿真实验结果表明,基于拟牛顿的梯度投影算法能够以极小的误差恢复原始信号,并且获得更加稳定且更快的算法收敛速度,提高算法恢复性能和鲁棒性。
雷鹏[9]2016年在《基于时延估计的风电系统风速测定研究》文中进行了进一步梳理随着传统化石能源越来越紧张,不能满足国民经济可持续发展的要求,可再生能源的地位不断地提高,对风能等新能源的研究与应用提出了更高的要求。风速对于风资源评估和风力发电场是一个重要的参量。多种测风技术中,超声波测风技术由于没有转动的机械部分,省去了经常性的维护,并且它是通过测定信号从发射器到接收器的时间,从而得到精度较高的风速值,能够满足风力发电场在恶劣环境的条件下对测风仪器仪表的要求。时间延迟估计是一种可以较快速、准确地测出超声波飞行时间的方法。本文首先对alpha稳定分布和时间延迟估计问题进行了讨论与研究,接着从随机信号中噪声建模的角度,把时间延迟估计方法分为基于高斯模型的和基于alpha稳定分布的两大类,为后续的研究做了理论铺垫。然而,针对超声波信号中出现的脉冲性非高斯信号,传统的高斯模型不能够对它进行准确的建模。为了解决对脉冲信号合适建模及提高基于该模型的算法性能的问题,本文给出了基于改进的自适应时间延迟估计方法,具体是用alpha稳定分布来描述此类脉冲信号,重新设计了符合信号特性的优化准则。通过计算机仿真分析,比传统的高斯模型下的算法,在性能和精度上有所提升。最后,通过搭建超声波信号采集系统,来完成对超声波的发射与接收,分别得到超声波基准信号和超声波回波信号,对给出的算法进行实验验证并解决出现的算法问题。通过得到时间延迟的估计值,根据时差法中超声波顺风和逆风传播时的时间差与风速值的线性关系,计算出实时风速。经过对实验测得的风速值进行比较,超声波测风系统相对于机械式测风系统有更高的精度等优点,由于和标定的风速值相对误差较小,具有良好的经济适用价值。
程旸[10]2017年在《面向新学习场景结合用户需求的模式识别研究》文中提出随着现代社会的快速进步,以及高速发展的科技和不断提高的技术水平,人们在实际需求中发掘出了越来越多的新兴学习场景,随之而来的就是相应的新学习场景下学习方法的问题及其带来的挑战。本文选择使用迁移学习框架探索如何解决新学习场景所带来的种种挑战。此外,大多数传统的聚类算法,包括迁移聚类算法在内,仅仅能得到单个结果,但是当对复杂数据进行聚类分析时,很可能存在多个具有合理性的聚类结果。这一特点在高维数据上表现得尤为明显,例如文本、图像、基因数据等,这些数据具有多种特征,而不同的特征子空间往往会得到完全不同的聚类结果,同时每一种结果都能体现数据不同的结构信息。综上所述,如何结合迁移学习改进传统的聚类算法,并得到大量聚类结果供用户按需要进行选择就成了亟待解决的问题。本文在迁移学习和多可选聚类发掘算法方面主要进行了以下研究:1.探索了一种新型的基于知识迁移的极大熵聚类技术。拟解决两大挑战性问题:1)如何从源域中选择合适的知识对目标域进行迁移学习以最终强化目标域的聚类性能。2)若存在源域聚类数与目标域聚类数不一致的情况时,该如何进行迁移聚类。为此,提出一种全新的迁移聚类机制,即基于聚类中心的中心匹配迁移机制。进而,将该机制与经典极大熵聚类算法相融合提出了基于知识迁移的极大熵聚类算法(KT-MEC)。实验表明在不同迁移场景下的纹理图像分割应用中,KT-MEC算法较很多现有聚类算法具有更高的精确度和抗噪性。2.目前的迁移学习模型旨在利用事先准备好的源域数据为目标域学习提供辅助知识,即从源域抽象出与目标域共享的知识结构时,使用所有的源域数据。然而,由于人力资源的限制,收集真实场景下整体与目标域相关的源域数据并不现实。因此提出了一种泛化的经验风险最小化选择性知识利用模型,并给出了该模型的理论风险上界。所提模型能够自动筛选出与目标域相关的源域数据子集,解决了源域只有部分知识可用的问题,进而避免了在真实场景下使用整个源域数据集带来的负迁移效应。在模拟数据集和真实数据集上进行了仿真实验,结果显示所提算法较之传统迁移学习算法性能更佳。3.绝大多数的聚类分析算法仅能得到单一的聚类结果,考虑到数据的复杂程度普遍较高,以及看待数据的视角不同,所得到的聚类结果在保证其合理性的基础上应当是不唯一的,针对此问题,提出了一个新的算法RLPP,用于发掘多种可供选择的聚类结果。RLPP的目标函数兼顾了聚类质量和相异性两大要素,采用子空间流形学习技术,通过新的子空间不断生成多种互不相同的聚类结果。RLPP同时适用于线性以及非线性的数据集。实验表明,RLPP成功地发掘了多种可供选择的聚类结果,其性能相当或优于现有的算法。
参考文献：
[1]. 基于参数自适应的极大熵结构优化算法研究[D]. 饶玉成. 北京工业大学. 2003
[2]. 航空发动机模型求解算法及性能寻优控制中的参数估计研究[D]. 尹大伟. 国防科学技术大学. 2011
[3]. 计算智能及其在城市交通诱导系统中的应用研究[D]. 杜长海. 重庆大学. 2009
[4]. 机器学习中的权重学习与差分演化[D]. 董春茹. 华南理工大学. 2015
[5]. 基于神经模糊的模式识别的几个问题的研究[D]. 邓赵红. 江南大学. 2008
[6]. 土地质量空间抽样的群智能优化决策方法研究[D]. 刘殿锋. 武汉大学. 2011
[7]. 参数优选算法研究及其在水文模型中的应用[D]. 杨晓华. 河海大学. 2002
[8]. 基于压缩感知的凸优化算法研究[D]. 吴文婷. 合肥工业大学. 2013
[9]. 基于时延估计的风电系统风速测定研究[D]. 雷鹏. 上海电机学院. 2016
[10]. 面向新学习场景结合用户需求的模式识别研究[D]. 程旸. 江南大学. 2017
标签：数学论文; 遗传算法论文; 聚类论文; 模糊聚类分析论文; 模糊算法论文; 空间分析论文; 空间数据论文; 自适应学习论文; 参数估计论文; 模糊理论论文; 模糊神经网络论文; 混合策略论文; 系统学习论文; 优化策略论文; 模式识别论文; 算法论文;