论文摘要
本文针对动态Elman神经网络,提出了两种改进模型,并对Elman网络及其改进模型的收敛性与稳定性进行了分析。采用不同的Elman网络模型对超声马达进行辨识,并进行比较分析。基于改进的Elman网络模型,提出了一种超声马达的控制方法,实验结果验证了方法的有效性。提出了三种改进的遗传算法,即:变种群规模的遗传算法、“部落通婚”遗传算法和基于适应度—距离选择机制的遗传算法。通过数值模拟证明了所提出的算法与标准遗传算法相比具有一定的优势。针对旅行商问题,提出了一种离散的粒子群优化算法,并进一步将其推广到广义旅行商问题。通过对一些标准的TSP库问题的测试,表明了所提出方法的有效性。此外,还将混合进化算法总结为三种类型,即并行混合算法、串行混合算法与有机混合算法。以遗传算法、粒子群算法和免疫算法为例,对各种类型的混合算法做了综合比较,并通过对一些标准测试函数的计算,比较分析了各类算法的性能。
论文目录
第0章 序第1章 Elman 神经网络的理论基础1.1 神经网络简介1.1.1 神经网络的发展与应用1.1.2 人工神经网络模型1.1.3 人工神经网络的学习规则1.2 Elman 神经网络1.2.1 Elman 网络1.2.2 Elman 网络的学习算法第2章 改进的Elman 神经网络模型2.1 改进Elman 网络2.1.1 改进Elman 网络的数学模型2.1.2 改进Elman 网络的学习算法2.2 Elman 及其改进网络的稳定性2.3 Elman 神经网络及其改进模型在超声马达模拟中的应用2.4 本章小结第3章 Elman 神经网络及其改进模型在超声马达控制中的应用3.1 神经网络控制3.1.1 概述3.1.2 神经网络控制结构3.2 RBPC 神经网络模型3.3 RBPC 神经网络的稳定性3.4 数值模拟3.5 本章小结第4章 进化计算基础4.1 生物进化4.1.1 进化论4.1.2 遗传变异理论4.1.3 新达尔文主义4.2 进化计算的发展过程4.2.1 遗传算法4.2.2 进化规划4.2.3 进化策略4.2.4 进化计算的诞生4.2.5 粒子群优化算法4.2.6 蚁群算法4.3 进化计算概述4.3.1 进化计算的基本框架4.3.2 进化计算的特点4.3.3 进化计算的理论研究现状4.3.4 进化计算的应用现状第5章 几种改进的遗传算法5.1 引言5.2 “部落通婚”遗传算法5.2.1 “部落通婚”遗传算法5.2.2 在神经网络训练中的仿真5.2.3 结论5.3 基于适应度—距离选择机制的遗传算法5.3.1 基于适应度—距离选择机制的遗传算法5.3.2 用遗传神经网络识别油气层5.3.3 数值结果5.3.4 结论5.4 变种群规模遗传算法5.4.1 变种群规模遗传算法5.4.2 变种群规模遗传算法的应用5.5 本章小结第6章 离散PSO 算法解决（广义）旅行商问题6.1 引言6.2 离散PSO 算法及其在TSP 问题中的应用6.2.1 引言6.2.2 解决TSP 问题的离散PSO 算法6.2.3 数值结果6.3 离散PSO 算法在广义TSP 问题中的扩展6.3.1 广义TSP 问题6.3.2 解决广义TSP 问题的离散PSO 算法6.3.3 数值结果6.4 本章小结第7章 进化算法的混合模式研究7.1 免疫算法简介7.1.1 免疫系统的生物模型7.1.2 免疫算法7.2 进化算法的混合模式7.2.1 进化算法的混合模式7.2.2 串联混合模式7.2.3 并联混合模式7.2.4 有机混合模式7.3 数值计算及结果比较第8章 结论与展望参考文献作者在攻读博士学位期间发表的论文作者发表论文的检索及论文被他人引用等情况作者在攻读博士学位期间参加的科研项目作者在攻读博士学位期间的主要获奖致谢学位论文摘要（中文）学位论文摘要（英文）
相关论文文献
标签：计算智能论文; 神经网络论文; 进化计算论文; 遗传算法论文; 粒子群优化论文;
