计算智能问题研究

论文摘要

从生命现象和人类的智能活动中得到启发,人们提出了计算智能方法来解决许多复杂问题,形成了以人工神经网络、进化计算与模糊逻辑为代表的三个典型分支。本文主要针对计算智能中的人工神经网络与进化计算这两个领域展开一些理论及应用问题研究。论文主要工作和创新点包括:1.研究了现代神经网络-神经场的特征、理论和方法。2.通过构造Lyapunov-Krasovskii函数和线性矩阵不等式（LMI）,给出了判定时滞反应-扩散不确定神经网络的全局指数鲁棒稳定性的一种新的实用的LMI方法。3.研究了遗传算法的混合改进策略,提出了一种新的混合遗传算法:采用混沌序列产生初始种群、多个交叉后代竞争择优和自适应变异来改进遗传操作;并通过精英个体保留、二次插值和改进遗传操作三种策略共同产生种群新个体,以克服标准遗传算法的收敛速度慢、早熟等缺陷。4.为解决神经网络的过度学习问题,提出一种综合适应度作为训练指标,以混合遗传算法为学习算法训练神经网络,有利于避免神经网络对训练样本集的过度学习,改善了神经网络的泛化能力。5.研究了粒子群算法的种群多样性测度,提出了一种新的基于种群多样性的自适应粒子群算法:通过对种群多样性测度新指标的应用,自适应粒子群算法采用精英保留变异操作、新的速度项和动态自适应惯性权重技术,防止了种群多样性的过早丧失,有效地平衡了粒子群寻优过程中的探索和开发。6.使用动态罚函数法和标记罚函数法处理约束条件,将改进的粒子群算法应用于约束优化问题求解。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 计算智能的研究意义
• 1.3 本文的主要工作
• 1.4 本文的组织结构
• 第二章 人工神经网络研究基础
• 2.1 人工神经网络简介
• 2.1.1 人工神经网络的发展历史
• 2.1.2 人工神经网络模型
• 2.2 人工神经网络的学习规则
• 2.3 反馈神经网络的数学模型
• 第三章 现代神经网络研究的特征、理论和方法
• 3.1 引言
• 3.2 现代神经网络的特征
• 3.3 现代神经网络的理论和方法
• 3.3.1 预备知识
• 3.3.2 神经网络的流形表示
• 3.3.3 神经场理论
• 3.4 结语
• 第四章 判定时滞反应-扩散不确定神经网络的全局指数鲁棒稳定性的一种 LMI 方法
• 4.1 引言
• 4.2 本章采用的记号
• 4.3 主要结论
• 4.4 数值例子
• 4.5 结论
• 第五章 遗传算法的研究基础
• 5.1 遗传算法的基本思想
• 5.2 标准遗传算法
• 5.3 二进制遗传算法的理论基础
• 5.4 实数遗传算子和算法收敛性
• 第六章 遗传算法的改进研究
• 6.1 引言
• 6.2 广义邻域搜索算法
• 6.3 广义邻域搜索算法的关键问题
• 6.3.1 搜索机制的选择
• 6.3.2 搜索方式的选择
• 6.3.3 邻域函数的设计
• 6.3.4 状态更新方式的设计
• 6.3.5 控制参数的修改准则和方式的设计
• 6.3.6 算法终止准则的设计
• 6.4 一种新的混合遗传算法
• 6.4.1 改进的遗传算法
• 6.4.2 二次插值法
• 6.4.3 混合遗传算法
• 6.4.4 仿真算例
• 6.5 结语
• 第七章 基于混合遗传算法的前向神经网络训练
• 7.1 引言
• 7.2 遗传算法优化神经网络概述
• 7.3 遗传算法优化神经网络流程
• 7.4 综合适应度
• 7.5 仿真试验
• 7.6 结论
• 第八章 粒子群算法原理
• 8.1 引言
• 8.2 基本粒子群算法
• 8.3 标准粒子群优化算法
• 8.4 PSO 算法的统一模型
• 8.5 基于统一描述模型的PSO 收敛性分析
• 8.6 PSO 与GA 的比较
• 8.7 结语
• 第九章 一种基于种群多样性的自适应粒子群算法
• 9.1 引言
• 9.2 设计粒子群算法的基本原则
• 9.3 PSO 算法的设计步骤
• 9.4 种群多样性测度分析
• 9.5 自适应策略
• 9.5.1 惯性权重的自适应动态调节
• 9.5.2 基于精英保留策略的变异操作
• 9.6 自适应粒子群算法APSO
• 9.7 数值实验
• 9.8 结论
• 第十章 改进的粒子群算法在非线性约束优化中的应用
• 10.1 引言
• 10.2 粒子群算法的改进
• 10.2.1 随机系数和惯性权重的选取
• 10.2.2 新的适应度函数
• 10.3 约束条件的处理
• 10.3.1 动态罚函数法
• 10.3.2 标记罚函数法
• 10.4 数值试验
• 10.5 结论
• 参考文献
• 攻读博士学位期间发表论文情况
• 致谢