4.1 概述 4.2 神经计算 4.3 模糊计算 4.4 粗糙集理论 4.5 遗传算法 4.6 进化策略 4.7 进化编程 4.8 人工生命 4.9 粒群优化 4.10 蚂群算法 4.11 自然计算 4.12 免疫算法

进化博弈的基本内容 我们的研究工作 随机进化博弈所面临的理论困难 在计算机网络中的应用 在复杂网络中的应用 我们的未来研究工作

针对非平衡数据集分类中\少数类样本精度难以提高\这一瓶颈问题,提出了一种基于协同进化机制的欠采样方法.此方法将少数类样本与多数类样本划分为两类种群,采用种群协同进化原理,利用提出的动态交叉变异算子自适应协同进化过程,实现种群间自动调节和自动适应.仿真试验结果表明,此采样方法增强了局部随机搜索能力,改善了种群的分布特性,加强了算法的全局收敛能力,在不降低多数类样本分类性能的基础上有效提高了少数类样本的精度.与其他经典重采样方法相比,本文办法抗噪能力好,具有更强的鲁棒性

7.1.1智能控制理论体系 模糊智能控制(Fuzzy Control)神经网络控制(Neurocontrol)模糊神经网络与神经模糊控制 遗传算法与进化控制(Genetic Algorithm/ Control)软计算(Soft Computation)

绪论 基本粒子群算法 粒子群算法改进 粒子群算法与进化算法的异同 粒子群算法理论分析工具 粒子群算法的应用

对一种已有的自适应算法进行了改进,并将该算法思想引入到粒子群算法的改进中,在种群进化到一定代数时按照改进自适应算法改变搜索范围的大小,实现了自动调整搜索范围、提高收敛速度和精度并可有效防止粒子群算法早熟收敛的目的,同时通过实验仿真进行了验证.将该改进粒子群算法应用到热连轧机精轧机组的负荷分配优化计算中,程序运行时间小于5s,满足实时性的要求,为其提供了一种更为有效的优化手段

叙述了人工免疫学的概况及免疫系统的组成,提出了一种新的优化算法——免疫遗传算法,该算法突出了免疫系统中抗体群合作进化思想.将该方法用于以高炉焦比为优化目标的优化问题,取得较好的效果

提出了一种基于免疫原理的故障检测及诊断系统模型.通过对检测对象正常工作状态下获得的自己模式串的阴性选择,随机产生初始检测器;利用基于人工免疫的进化学习机制,实现对检测对象异常工作状态下获得的非己模式串进行学习和记忆;利用进化学习结果和系统故障信息库知识,区分和标记不同故障在状态空间上对应的区域.将抗原学习过程中抗体集合变异所产生的各代抗体集合看作随机序列,给出了序列的收敛条件及证明,证明了所提出的动态免疫进化学习算法是概率弱收敛.应用于机床齿轮箱故障检测和诊断问题的实验结果表明了所提出方法的有效性

为使钢铁企业主体工序炼钢-连铸-热轧之间的生产协调有序、提高生产计划水平和加强生产资源配置效益,运用统一建模思想进行轧制单元计划、炉次计划和浇次计划的抽象描述,从注重共性的角度统一各阶段批量计划的目标函数,通过对目标函数的组合来实现各阶段计划的有效衔接.设计基于Multi-agent的协同进化算法进行模型求解,编制炼钢-连铸-热轧-体化计划.以某钢铁企业的生产计划制定实例进行模型测试,仿真计算结果表明模型的有效性

提出了一种新的模糊认知图分类器模型构造方法,它包括构建流程、激活函数、推理规则和学习方法等核心构件.模型利用提出的动态交叉变异算子自适应遗传进化过程,实现种群间自动调节和自动适应.仿真实验表明:本文提出的模型增强了局部随机搜索能力,加强了算法的全局收敛能力,与其他经典分类方法相比,不但性能较好,而且具有较强的抗噪能力,从而具有更强的鲁棒性