经典粒子群算法由于多样性差而陷入局部最优，从而造成早熟停滞现象.为克服上述缺点，本文结合人工免疫算法，提出一种基于自适应搜索的免疫粒子群算法.首先，该算法改善了浓度机制；然后由粒子最大浓度值来控制子种群数目以充分利用粒子种群资源；最后对劣质子种群进行疫苗接种，利用粒子最大浓度值调节接种疫苗的搜索范围，不仅避免了种群退化现象，而且提高了算法的收敛精度和全局搜索能力.仿真结果表明该算法求解复杂函数优化问题的有效性和优越性

本章对目前常用的几种智能优化计算算法作简单介绍，以使读者对它们有个基本认识。内容包括神经网络、遗传算法、模拟退火算法和神经网络混合优化学习策略。 10.1 人工神经网络与神经网络优化算法 10.2 遗传算法 10.3 模拟退火算法 simulated annealing,简称SA 10.4 神经网络权值的混合优化学习策略

◆理解按频率抽选的基-2FFT算法的算法原理、运算流图、所需计算量和算法特点 ◆理解IFFT算法 ◆了解混合基、分裂基和基-4FFT算法 ◆了解CZT算法 ◆理解线性卷积的FFT算法及分段卷积方法

针对G-P算法及其改进算法的不足,提出了一种新的改进算法.应用该算法不仅能简化无标度区的确定过程,而且能客观地判断系统的关联维数是否饱和,从而对随机信号和混沌信号加以识别.对新的G-P改进算法进一步分析表明:新的G-P改进算法适用范围广泛,对于混沌信号的识别很有效

第一章绪论 1.1什么是数据结构 1.2基本概念和术语 1.3抽象数据类型的表示与实现 14算法和算法分 1.4.1算法 1.4.2算法设计的要求 1.4.3算法效率的度量 1.4.4算法的存储空间的需求

针对标准遗传算法在求解车间作业调度问题中易陷入局部极值点的缺点,提出了一种基于领域知识的动态双种群遗传算法.由于最优调度必定是活动调度,算法利用活动调度技术来进行空间缩减;两个子种群分别采用正、逆序调度策略来提高种群的多样性.算法采用一种新的染色体编码来表示活动调度方案,并给出了相应子种群的初始化策略、遗传操作,以及子种群之间的交叉方式.Benchmark算例的仿真实验与分析表明,该算法在计算时间和求解质量上均具有较好的效果

提出了一种适用于多镜像站点环境下的分布式Web使用聚类局部挖掘算法LUC和全局挖掘算法GUC,较好地解决了Web访问信息的异地存储、分布式算法通讯量等因素给模式分析过程带来的困难.将给出的算法用Java语言加以实现,并对算法性能进行了研究.结果证明,该算法是有效的,可以用来高效、准确地在多镜像站点环境下发现Web用户群体模式

第一章绪论 1.1什么是数据结构 1.2基本概念和术语 1.3抽象数据类型的表示与实现 1.4算法和算法分 1.4.1算法 1.4.2算法设计的要求 1.4.3算法效率的度量 1.4.4算法的存储空间的需求

研究了多智能体网络中受集合约束的一致性最优化问题，提出了基于原始–对偶梯度的定步长分布式算法。算法中包括步长在内的参数会影响收敛性，需要先进行收敛分析，再根据收敛条件设置合适的参数。本文首先针对一般的定步长迭代格式，提出一种基于李雅普诺夫函数的收敛分析范式，它类似于一般微分方程关于李雅普诺夫稳定的分析方法。然后，针对所考虑的分布式梯度算法，构造了合适的李雅普诺夫函数，并根据收敛条件得到了算法参数设定范围，避免了繁冗复杂的分析论证。本文提出的理论与方法也为其他类型的分布式算法提供了一个框架性、系统性的论证方法

提出了一种基于聚类的支持向量机增量学习算法.先用最近邻聚类算法将训练集分成具有若干个聚类子集,每一子集用支持向量机进行训练得出支持向量集;对于新增数据首先聚类到相应的子集,然后计算其与聚类集内的支持向量之间的距离,给每个训练样本赋以适当的权重;而后再建立预估模型.此算法通过钢材力学性能预报建模的工业实例研究,结果表明:与标准的支持向量回归算法相比,此算法在建模过程中不仅支持向量个数明显减少,而且模型的精度也有所提高