一、进化计算与进化神经网络──计算智能的新方向(论文文献综述)
罗敏霞[1](2004)在《计算智能理论及应用》文中提出计算智能由美国学者JamesC .Bezedek1992年首次给出其定义 ,广义的讲就是借鉴仿生学思想 ,基于生物体系的生物进化、细胞免疫、神经细胞网络等某些机制 ,用数学语言抽象描述的计算方法。是基于数值计算和结构演化的智能 ,是智能理论发展的高级阶段。从方法论的角度和现在的研究现状 ,计算智能的主要方法有 :人工神经网络、模糊系统、进化计算、免疫算法、DNA计算以及交叉融合的模糊神经网络、进化神经网络、模糊进化计算、进化模糊系统、神经模糊系统、进化模糊神经网络和模糊进化神经网络。计算智能理论技术的应用主要可以分为以下几个方面 :智能建模、智能控制、智能优化、智能管理、智能仿真、智能设计和制造等。
柴园园[2](2011)在《普适的模糊推理系统理论及应用》文中指出计算智能(Computational Intelligence, CI)本质上借鉴了仿生学思想,它从模拟自然界的各种智能现象发展而来,通过用计算机模拟和再现生物体的某些智能行为(学习性,适应性),发展成改造自然界的一种新型研究领域。CI非常适合于解决那些因为难以建立有效的形式化模型而用传统技术难以有效解决、甚至无法解决的问题,它可以被定义为一种方法论,包含具有学习和处理新环境能力的诸多算法。其中,模糊逻辑旨在建立推理的不精确方式来模拟人类在不确定和不精确的环境下做出合理决策的能力,它在解决推理、决策和评估等这一类主观性认知问题时,在同时解决定量描述与定性描述问题时,具有强大的功能。在广泛收集整理已有计算智能分支算法及分类方法的基础上,从探讨计算智能的定义与本质出发,以计算机制为具体分类依据,本文提出基于模拟机制的分类方法(SMB),将计算智能所有分支分为三大类:有机机制模拟,无机机制模拟和人造机制模拟;在此基础上,归纳了有机机制模拟的计算智能分支算法,并总结出各子类的普适性计算模型。SMB方法旨在对各类和各类(子类)包含的分支算法的计算本质进行深入讨论,为进一步研究计算智能混合算法提供了基础框架。针对传统模糊推理系统(FIS)的局限性问题,在充分研究模糊逻辑的本质和模糊推理系统计算机制的基础上,本文提出普适的模糊推理系统(UFIS),其基本思想就是寻找具有普适意义的模糊推理算子,从而突破固有传统推理算子的局限,并实现考虑输入和规则权重的推理过程。该模型在推理算子的普适性表达和推理过程中输入及规则的重要性因素等方面具有很大优势,它试图建立能够充分表现模糊逻辑本质和人类思维模式的模糊推理系统。通过对模糊推理算子的普适性研究,从存在的各种聚合算子的计算本质出发,本文提出一种具有普适意义的聚合算子:Agg,从而总结出面向多对象(指标)决策问题的普适聚合理论。为了使UFIS具有自适应能力,从讨论神经网络和模糊逻辑的功能等价性和互补性出发,在对比分析已有的各种模糊神经网模型的基础上,通过对自适应模糊推理系统原理和基本结构的理解和掌握,本文将普适的模糊推理系统(UFIS)与前馈神经网络根据自适应模糊推理系统的基本原理进行结合,得到普适模糊推理系统(UFIS)的自适应模型(A-UFIS),并详细阐述了A-UFIS的模型结构和参数更新公式。为了证明普适模糊推理系统的自适应模型(A-UFIS)的模型有效性,将A-UFIS的特例:基于Sugeno推理系统的自适应模糊神经网(ANFIS),基于Mamdani模型的自适应模糊推理系统(M-AUFIS)和基于AggFIS模型的自适应模糊推理系统(Agg-AUFIS)这三类自适应模糊推理系统应用于交通服务水平评价问题中,分别建立基于ANFIS, M-AUFIS和Agg-AUFIS的服务水平评价模型。通过实验结果,我们可以看出:普适模糊推理系统的自适应模型(A-UFIS)的本质是一类普适逼近器,具有很强的逼近功能;训练后的UFIS具有很好的非线性映射能力,可用于非线性系统(复杂动态系统)的建模,分析及预测。作为一种有效的计算智能混合算法,A-UFIS为我们解决困难的复杂系统问题提供了新的思路和理论支持。计算智能是基于数据的智能,它是智能理论发展的高级阶段,势必拥有广阔的发展前景。
焦李成[3](1995)在《进化计算与进化神经网络──计算智能的新方向》文中认为该文讨论了新近得到迅速发展的进化计算与进化神经网络这一新的计算智能前沿领域的基本问题及其新进展,指出了有关研究方向。
焦李成,保铮[4](1995)在《进化计算与遗传算法──计算智能的新方向》文中研究指明本文讨论了新近得到迅速发展的进化计算与遗传算法这一新的计算智能前沿领域的进展,指出了有关研究方向。
史天运,贾利民[5](2002)在《计算智能理论及其在RITS中的应用》文中指出从分析生物智能、人工智能和计算智能的发展过程及研究本质出发 ,给出了目前计算智能的概念 ,综述了主要研究方法和研究现状 ,特别指出了计算智能理论技术面临的挑战 ,并进行了展望 ,最后分析了计算智能理论应用技术以及在铁路智能运输系统中的应用 .
康飞[6](2009)在《大坝安全监测与损伤识别的新型计算智能方法》文中研究说明随着经济的高速发展,我国兴建了大批的重大土木工程项目,这些重大工程项目的使用期较长,影响力较大,一旦失事,会造成严重的生命财产损失。因此为了保障结构的安全性、完整性、适用性和耐久性,已经建成的许多重大工程结构和基础设施急需采用有效的手段检测和评定其安全状况、修复和控制损伤。许多新建的大型结构和基础设施,如大坝、桥梁、海洋平台等,增设了长期的安全/健康监测系统,以监测结构的服役安全状况,并为研究结构服役期间的损伤演化规律提供有效的、直接的方法。监测系统中数据采集与传感的一个基本假设是这些系统不是直接测量结构异常,而是测量系统在它的运作或环境载荷下的响应,或者是对嵌入传感系统中作动器输入的响应。传感器的读数或多或少的与结构异常的存在及其位置相关。数据处理程序对于结构健康监测系统来说是必须的,它们将传感器采集到的数据转化为结构状况的信息。计算智能是大坝等结构安全监测建立预报模型和进行反演分析的有力工具,已经取得了一些成果,但仍存在一些不足。计算智能目前仍处于快速发展阶段,将几种新型的计算智能方法引入大坝等结构的安全监测预报建模与反演分析领域,开展了一些有意义的工作。差分进化算法、微粒群优化算法和人工蜂群算法是几种具有较大发展潜力的新型智能优化方法,和传统的遗传算法相比具有实现简单、收敛性能好等优点。差分进化算法和微粒群优化算法在处理多维优化问题时具有较好的收敛性能,将他们用于损伤识别问题,并将几种人工免疫特性引入微粒群算法,提出了一种结构损伤识别的免疫加强微粒群算法。对人工蜂群算法进行了改进,针对其由搜索模式的单一性导致的参数较少时的“趋同”问题,将单纯形算子引入算法中,提出一种混合单纯形人工蜂群算法,改进算法不仅收敛速度明显加快,且由于搜索方式的增多,也很少陷入停滞现象。静动态反演分析算例表明,所提出的算法是高效的优化反演方法,为大坝参数的识别,进而进行结构响应预报建模与损伤评估提供了新的途径。径向基网络与BP网络相比,不仅具有生物学基础和数学基础,而且结构简单,学习速度快,隐节点具有局部特性,逼近能力更强。提出了一种处理复杂反演分析问题的蚁群聚类径向基网络模型。该模型避免了智能优化反演方法需要循环迭代,计算效率不高的问题;以及传统神经网络模型训练时间长、易陷入局部最优以及反演精度不高的问题。它可以直接用于三维土石坝双屈服面模型参数反演这样计算量巨大的大型非线性多参数反演问题。采用蚁群聚类选择径向基函数中心,克服了传统K-means聚类易陷入局部最优,和对初始聚类中心依赖强的缺点,能够获得更合理的聚类中心,得到满意的径向基网络模型。支持向量机是数据挖掘中的一项新技术,是借助于最优化方法解决机器学习问题的新工具。模型参数选择是采用支持向量机进行建模的关键影响因素,采用三种方法进行模型参数选择,分别是:基于网格平行搜索的交互验证法、遗传算法和粒子群算法。将所建立的模型用于金竹山电厂贮灰坝渗流测压管预测,表明支持向量机模型预测精度高,泛化能力强,是一种高效的系统建模方法。优化的传感器网络结构可以最小化所需要的传感器数量,节约投资,同时能够提高精度并提供一个鲁棒性的系统。在研究大坝安全监测中静动态传感器优化配置模型和准则的基础上,将单亲遗传算法用于求解该问题。传统遗传算法在求解组合优化问题时,交叉操作可能产生不可行解,需要借助一些复杂的操作算子,不仅效率不高且缺乏理论基础;单亲遗传算法遗传操作在一条染色体上进行,避免了该问题。同时为了进一步提高单亲遗传算法的性能,提出了两种改进算法,即自适应模拟退火单亲遗传算法和病毒协同进化单亲遗传算法。通过算例验证了所提出模型和算法的有效性。
张喆[7](2008)在《计算智能问题研究》文中研究指明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。
刘建成[8](2005)在《模糊模型的智能学习方法与应用研究》文中进行了进一步梳理为了提高模糊模型面向复杂对象的学习能力和应用能力,将模糊模型与其它智能技术有机结合,成为互补的混合智能模糊模型。学习模糊模型具有多约束性和多目标性,单一智能技术学习模糊模型所涉及的问题是非常困难的,有必要利用多种智能技术通过互相合作,协同求解模糊模型,为此本文利用智能协作、层次智能、混合智能等理论和技术,从不同的角度研究这些智能方法与模糊模型互补学习的问题,构造基于多智能混合的模糊模型,为不同应用目的和不同类型的模糊模型学习问题提供一般性的学习框架,可几乎在不了解对象情况下,通过这些框架学习基于对象实值样本数据的不同特征模糊模型(广义模糊模型、语言模型、分层模糊模型)。 论文系统论述了模糊模型的表现形式及各自特点、糊模型的学习内容和模糊建模过程,总结了模糊建模技术的研究现状及存在的问题,相关计算智能技术的基本特征和研究现状。 在对当前主要应用的各种模糊模型进行统一描述(称为广义模糊模型)的基础上,提出了广义模糊模型的协同进化(COE-GFM)。在协同进化框架下将广义模糊模型的完整解由两类种群组成,第一类种群描述模糊模型及其规则的结构,采用灵活的二维编码方式;第二类种群描述了各分区隶属函数参数,采用分层树状结构编码方式,根据各种群的编码特点采用不同的进化策略,两异构种群协同进化形成模糊模型。GFM-COE可学习各种类型的模糊模型,并表现出较好的紧凑性和精确性,其另一个特点对系统的先验专家知识要求较少,几乎能实现黑箱系统的模糊模型学习。通过函数近似、混沌时间序列预测预测和典型分类问题为例证明模型的有效性。 可理解性模糊模型(语言模型)具有很好的对象描述性和认知性,但其在面向复杂对象时精确性比较低,为此开展了语言模型的可理解性和精确性平衡策略研究,提出了两种策略提高语言模型的精确性,一种是使语言值及其隶属函数参数符合各对象变量的本质特征,另一种是在子空间引入协作规则。应用微粒群算法(PSO)学习各变量上的语言值及其正交隶属函数参数,并采用合适的语言值合并策略,形成候选规则集和粗糙语言模型;应用模拟退火算法(SA)优选各子空间上的候选规则,重构精确的语言模型。在应用微粒群算法过程中,提出了基于模型性能启发信息和迭代次序特征的微粒惯性权重自适
时小虎[9](2006)在《Elman神经网络与进化算法的若干理论研究及应用》文中指出本文针对动态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。
朱云龙,申海,陈瀚宁,吕赐兴,张丁一[10](2016)在《生物启发计算研究现状与发展趋势》文中指出生物启发计算的宗旨是研究自然界生物个体、群体、群落乃至生态系统不同层面的功能、特点和作用机制,建立相应的模型与计算方法,从而服务于人类社会的科学研究与工程应用.它既是人工智能的继承与发展,同时也是从新的角度理解和把握智能本质的方法.本文阐述了生物启发计算所涉及的生物进化论、共生进化论和复杂适应系统的理论起源.在对生物启发计算进行分析、归纳和总结的基础上,介绍了现有生物启发计算算法研究成果,并从最优设计、最优分析和最优控制3个方面对生物启发计算的应用研究成果进行了梳理.以此为基础,进一步地提出了生物启发计算的统一框架模型.最后,围绕并行生物启发计算、具有学习推理和知识学习生物启发计算、生物动力学启发计算、基于微生物群体感应的生物启发计算以及人工大脑、进化硬件、大数据、群集机器人、虚拟生物和云计算等前沿热点理论问题和工程应用问题对生物启发计算的发展方向和研究挑战进行了展望及分析.
二、进化计算与进化神经网络──计算智能的新方向(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、进化计算与进化神经网络──计算智能的新方向(论文提纲范文)
(2)普适的模糊推理系统理论及应用(论文提纲范文)
致谢 |
中文摘要 |
ABSTRACT |
1 绪论 |
1.1 选题背景及意义 |
1.2 计算智能研究现状及趋势 |
1.3 模糊推理系统的研究现状和存在的主要问题 |
1.4 自适应模糊推理系统的研究现状和存在的主要问题 |
1.5 本文的主要研究路线及创新点 |
1.5.1 本文主要研究内容及结构 |
1.5.2 本文主要创新点 |
2 计算智能体系化分类研究及其混合算法一般性设计 |
2.1 计算智能的定义 |
2.2 计算智能分类方法概述 |
2.3 基于模拟机制的计算智能分类方法(SMB) |
2.4 有机机制模拟 |
2.4.1 基于种群的模拟 |
2.4.1.1 模拟种群进化 |
2.4.1.2 模拟种群协作 |
2.4.1.3 基于种群模拟的普适性模型 |
2.4.2 基于个体的模拟 |
2.4.2.1 模糊逻辑 |
2.4.2.2 神经网络 |
2.4.2.3 基于个体模拟的普适性模型 |
2.5 无机机制模拟 |
2.6 人造机制模拟 |
2.7 基于SMB的计算智能混合算法一般性设计 |
2.8 小结 |
3 普适的模糊推理系统(UFIS) |
3.1 模糊推理系统(FIS)及存在的主要问题 |
3.1.1 假言推理和模糊推理 |
3.1.2 模糊推理系统(FIS)存在的主要问题 |
3.2 普适的模糊推理系统(UFIS)基本思想与一般结构 |
3.2.1 UFIS基本思想 |
3.2.2 IS,FIS和UFIS |
3.3 UFIS计算机制设计 |
3.3.1 推理层(Inference Layer) |
3.3.1.1 问题描述 |
3.3.1.2 OWA定义 |
3.3.1.3 属性 |
3.3.1.4 考虑权重因素的OWA聚合 |
3.3.1.4.1 第一种计算方法 |
3.3.1.4.2 第二种计算方法 |
3.3.2 隐含层(Implication Layer) |
3.3.2.1 模糊隐含的本质 |
3.3.2.2 模糊隐含与模糊推理 |
3.3.2.3 模糊隐含小结 |
3.3.3 聚合层(Aggregation Layer) |
3.3.3.1 Uninorm |
3.3.3.1.1 定义及属性 |
3.3.3.1.2 R~*和R_*算子 |
3.3.3.1.3 考虑权重因素的Uninorm聚合 |
3.3.3.2 模糊测度和模糊积分 |
3.3.3.2.1 模糊测度 |
3.3.3.2.2 模糊积分 |
3.4 基于Choquet积分-OWA的模糊推理系统(AggFIS) |
3.5 小结 |
4 普适聚合理论 |
4.1 多对象(指标)决策问题及两类重要的聚合算子 |
4.2 普适的聚合算子(Agg)和普适聚合理论 |
4.2.1 普适的聚合算子(Agg)定义及属性 |
4.2.2 考虑权重因素的聚合 |
4.2.3 普适的聚合算子(Agg)在UFIS中的应用 |
4.3 聚合算子谱系结构 |
4.4 小结 |
5 普适模糊推理系统的自适应模型(A-UFIS) |
5.1 普适模糊推理系统的自适应模型(A-UFIS) |
5.1.1 A-UFIS的模型结构 |
5.1.2 基于BP的参数更新公式 |
5.1.2.1 反传思想(BP)的精髓 |
5.1.2.2 A-UFIS的参数更新公式 |
5.1.2.3 对公式进行详细说明 |
5.2 基于Sugeno和Tsukamoto推理系统的自适应模糊神经网(ANFIS) |
5.2.1 Sugeno ANFIS |
5.2.2 Tsukamoto ANFIS |
5.3 基于Mamdani模型的自适应模糊推理系统(M-AUFIS) |
5.3.1 模型描述 |
5.3.2 参数更新方法 |
5.4 基于Choquet积分-OWA的自适应模糊推理系统(Agg-AUFIS) |
5.5 小结 |
6 A-UFIS在交通服务水平评价中的应用 |
6.1 背景介绍 |
6.1.1 交通服务水平评价 |
6.1.2 分析与建模 |
6.2 ANFIS模型与实验 |
6.2.1 Sugeno-FIS实验结果 |
6.2.2 ANFIS实验结果 |
6.3 M-AUFIS模型与实验 |
6.3.1 Mamdani-FIS实验结果 |
6.3.2 M-AUFIS实验结果 |
6.4 Agg-AUFIS模型与实验 |
6.4.1 AggFIS实验结果 |
6.4.2 Agg-AUFIS实验结果 |
6.5 实验对比分析 |
6.6 小结 |
7 结论与未来的工作 |
参考文献 |
作者简介 |
学位论文数据集 |
(5)计算智能理论及其在RITS中的应用(论文提纲范文)
1 计算智能理论技术的起源 |
2 计算智能的主要内容及研究现状 |
3 计算智能理论技术面临的挑战和展望 |
4 计算智能理论技术的应用 |
5 计算智能在RITS中的应用 |
5.1 智能化运输经营管理系统 |
5.2 智能化列车运行控制与调度系统[ 7] |
5.3 智能化行车安全监控系统 |
5.4 智能运输移动装备调新与管理系统 |
5.5 智能化旅客信息服务系统 |
6 结束语 |
(6)大坝安全监测与损伤识别的新型计算智能方法(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题研究的背景和意义 |
1.2 大坝安全分析评价的监控模型与反演分析方法 |
1.2.1 建立大坝与坝基安全监控模型的理论和方法 |
1.2.2 水工建筑物反演分析研究进展 |
1.3 损伤识别理论和方法 |
1.3.1 基于静动力测试的结构损伤识别 |
1.3.2 计算智能在损伤识别中的应用 |
1.4 大坝安全监测与测试中的传感器优化配置 |
1.4.1 静态监测传感器优化配置研究进展 |
1.4.2 动态监测传感器优化配置研究进展 |
1.4.3 基于进化计算的传感器优化配置 |
1.5 计算智能及其研究进展 |
1.5.1 计算智能的历史渊源:从人工智能到计算智能 |
1.5.2 进化计算 |
1.5.3 人工神经网络 |
1.5.4 传统计算智能存在的问题 |
1.6 本文主要研究内容 |
2 基于差分进化与微粒群算法的大坝损伤识别 |
2.1 差分进化算法 |
2.1.1 差分进化算法简介 |
2.1.2 标准差分进化算法操作算子 |
2.1.3 差分进化算法的其他形式 |
2.1.4 差分进化算法的流程 |
2.2 微粒群算法 |
2.2.1 微粒群算法简介 |
2.2.2 基本微粒群算法 |
2.2.3 微粒群算法流程 |
2.2.4 微粒群算法的边界处理 |
2.3 基于静力测试的结构损伤识别 |
2.3.1 损伤参数化 |
2.3.2 基于静力位移的损伤识别目标函数 |
2.3.3 基于静力位移与自振频率的损伤识别目标函数 |
2.4 基于振动模态的结构损伤识别 |
2.4.1 基于自振频率和振型变化的损伤识别目标函数 |
2.4.2 基于模态柔度变化的损伤识别目标函数 |
2.4.3 基于均布载荷表面的损伤识别目标函数 |
2.4.4 基于模态相关性的损伤识别目标函数 |
2.4.5 不同损伤识别目标函数敏感性的评价标准 |
2.5 结构损伤识别的免疫加强微粒群算法 |
2.5.1 人工免疫系统 |
2.5.2 免疫加强微粒群算法 |
2.5.3 算法验证 |
2.6 损伤识别算例分析 |
2.6.1 基于静力测试和自振频率的损伤识别算例 |
2.6.2 基于自振频率与模态振型的损伤识别算例 |
2.6.3 混凝土坝损伤识别算例 |
2.7 本章小结 |
3 混凝土坝参数反演的人工蜂群算法 |
3.1 人工蜂群算法 |
3.1.1 真实蜜蜂的行为 |
3.1.2 人工蜂群算法 |
3.2 引入单纯形算子的人工蜂群算法 |
3.2.1 Nelder-Mead单纯形搜索法 |
3.2.2 混合单纯形人工蜂群算法 |
3.3 混凝土坝材料参数反演分析理论 |
3.3.1 基于大坝位移观测数据的反演分析 |
3.3.2 基于模态观测的大坝动力参数反演 |
3.4 算例验证与分析 |
3.4.1 基于HSABCA的混凝土坝静力参数反演 |
3.4.2 基于HSABCA的混凝土坝动态参数反演 |
3.5 本章小结 |
4 土石坝参数反演的蚁群聚类RBF网络模型 |
4.1 径向基函数神经网络的基本原理和特点 |
4.1.1 RBF网络的结构和工作原理 |
4.1.2 RBF网络的生物学基础 |
4.1.3 RBF网络的数学基础 |
4.1.4 RBF网络与多层感知器的比较 |
4.2 RBF网的学习算法 |
4.2.1 聚类方法 |
4.2.2 随机梯度方法 |
4.2.3 RBF网络训练的其他方法 |
4.3 蚁群优化算法 |
4.3.1 蚂蚁的觅食行为及其优化过程 |
4.3.2 求解旅行商问题的基本ACO算法 |
4.3.3 对AS算法的改进 |
4.4 基于蚁群聚类的RBF网络模型 |
4.4.1 蚁群聚类算法 |
4.4.2 蚁群聚类RBF网络 |
4.5 堆石坝双屈服面模型参数灵敏度分析 |
4.5.1 堆石坝静力计算的南水模型 |
4.5.2 灵敏度分析的Morris法 |
4.5.3 堆石坝双屈服面参数灵敏度分析算例 |
4.6 基于蚁群聚类RBF网络的堆石料参数反演 |
4.7 算例验证与分析 |
4.7.1 计算模型与参数 |
4.7.2 计算结果与分析 |
4.8 本章小结 |
5 大坝安全监测预测建模的支持向量机方法 |
5.1 支持向量机数学模型 |
5.1.1 经验风险最小化与泛化能力 |
5.1.2 统计学习理论 |
5.1.3 支持向量分类机 |
5.1.4 ε-支持向量回归机 |
5.1.5 v-支持向量回归机 |
5.2 SVR参数选择 |
5.2.1 基于网格平行搜索的交互验证法 |
5.2.2 基于智能优化算法的模型参数选择方法 |
5.3 SVR在贮灰坝渗流监测中的应用 |
5.3.1 贮灰坝渗流监测的背景和意义 |
5.3.2 金竹山电厂贮灰坝概况 |
5.3.3 渗流预测浸润线预测ε-SVR模型的建立 |
5.3.4 浸润线预测实例 |
5.4 本章小结 |
6 基于单亲遗传算法的传感器优化配置 |
6.1 单亲遗传算法 |
6.1.1 单亲遗传算法的编码和遗传算子 |
6.1.2 单亲遗传算法的选择方式和运行过程 |
6.1.3 单亲遗传算法与传统遗传算法的比较 |
6.1.4 基于单亲遗传算法的传感器优化配置 |
6.2 自适应模拟退火单亲遗传算法 |
6.2.1 借鉴模拟退火思想的适应度变换 |
6.2.2 重组算子操作概率的非线性自适应变换 |
6.3 病毒协同进化单亲遗传算法 |
6.3.1 生物病毒机制简介及抽象模型 |
6.3.2 病毒个体染色体编码方案及自身测度 |
6.3.3 病毒个体的进化操作算子 |
6.3.4 传感器优化配置病毒协同进化单亲遗传算法 |
6.4 大坝安全监测传感器优化配置的最大覆盖率模型 |
6.4.1 无线传感网络中的传感器优化配置问题 |
6.4.2 超声无损检测传感器优化配置问题 |
6.4.3 大坝安全监测的最大概率覆盖模型及优化 |
6.5 大坝动态测试传感器优化配置准则与方法 |
6.5.1 模态测试传感器优化配置准则 |
6.5.2 传感器优化配置算法 |
6.6 算例分析 |
6.6.1 土石坝安全监测传感器优化配置 |
6.6.2 混凝土拱坝动力测试传感器优化配置 |
6.7 本章小结 |
7 结论与展望 |
7.1 主要结论 |
7.2 研究内容的一些展望 |
参考文献 |
创新点摘要 |
攻读博士学位期间发表学术论文情况 |
攻读博士学位期间参与项目情况 |
致谢 |
作者简介 |
(7)计算智能问题研究(论文提纲范文)
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 |
(8)模糊模型的智能学习方法与应用研究(论文提纲范文)
第一章 导论 |
1.1 引言 |
1.1.1 问题的提出 |
1.1.2 课题的来源 |
1.2 模糊建模技术综述 |
1.2.1 系统专家直接方法 |
1.2.2 数值计算方法 |
1.2.3 基于计算智能的学习方法 |
1.3 研究内容及章节安排 |
第二章 模糊模型与计算智能 |
2.1 模糊集与模糊模型 |
2.1.1 模糊集与模糊操作 |
2.1.2 模糊推理 |
2.1.3 模糊模型的特征分析 |
2.1.4 模糊模型的连接表示 |
2.2 模糊建模 |
2.2.1 模糊建模过程 |
2.2.2 模糊建模涉及的内容 |
2.3 计算智能 |
2.3.1 进化计算 |
2.3.2 模拟退火 |
2.3.3 群智能理论 |
2.3.4 神经网络 |
第三章 广义模糊模型的协同进化 |
3.1 引言 |
3.2 协同进化模型 |
3.2.1 多种群协同进化框架 |
3.2.2 协同进化一般性算法 |
3.3 模糊模型的广义描述 |
3.3.1 广义模糊模型 |
3.3.2 广义模糊模型的学习内容 |
3.4 广义模糊模型的协同进化策略 |
3.4.1 广义模糊模型的种群分解 |
3.4.2 协作适应值评估策略 |
3.4.3 异构种群的进化策略 |
3.4.4 广义模糊模型的协同进化算法 |
3.5 协同进化广义模糊模型在近似及预测中的应用分析 |
3.5.1 后件参数的估计技术 |
3.5.2 函数近似算例分析 |
3.5.3 混沌时间序列预测 |
3.6 协同进化广义模糊模型分类能力分析 |
3.6.1 模糊模型分类策略 |
3.6.2 分类性能分析 |
3.7 本章小结 |
第四章 语言模型的层次学习 |
4.1 引言 |
4.2 语言模型及其精确性改进措施 |
4.2.1 语言模型可理解性特征 |
4.2.2 语言模型的理解性与精确性权衡 |
4.2.3 简化语言模型的推理计算 |
4.3 基于改进微粒群算法的语言值参数学习 |
4.3.1 微粒群算法的改进 |
4.3.2 语言值微粒群学习的实现 |
4.4 基于模拟退火的语言模型重构 |
4.4.1 语言模型的模拟退火策略 |
4.4.2 语言模型的模拟退火算法实现 |
4.5 算例分析 |
4.5.1 语言模型层次学习仿真应用分析 |
4.5.2 改进微粒群算法的应用效果分析 |
4.6 本章小结 |
第五章 分层模糊模型的混合智能学习 |
5.1 引言 |
5.2 分层模糊模型结构特征分析 |
5.2.1 增长型分层模糊模型 |
5.2.2 累积型分层模糊模型 |
5.2.3 分层模糊模型的其它结构 |
5.3 最优结构分层模糊模型及其GA-DBP混合学习框架 |
5.3.1 分层模糊模型的建模问题 |
5.3.2 分层模糊模型的最优结构 |
5.3.3 分层模糊模型的GA-DBP混合学习框架 |
5.4 分层模糊模型的GA-DBP混合算法实现 |
5.4.1 基于改进GA算法的分层模糊模型结构学习 |
5.4.2 分层模糊模型参数的动态BP算法 |
5.4.3 分层模糊模型的GA-DBP混合算法 |
5.5 仿真实例分析 |
5.6 本章小结 |
第六章 模糊模型在变压器状态识别中的应用研究 |
6.1 引言 |
6.2 基于DGA的变压器故障诊断方法 |
6.2.1 变压器故障与油中溶解气体的定性关系 |
6.2.2 基于DGA的变压器诊断方法研究和应用现状 |
6.3 基于语言模型的变压器运行状态识别 |
6.3.1 样本数据的特征处理 |
6.3.2 变压器运行状态识别语言模型的构造策略 |
6.3.3 变压器运行状态识别语言模型 |
6.3.4 应用分析 |
6.4 分层模糊模型在DGA数据的应用研究 |
6.4.1 基于分层模糊模型的变压器状态识别 |
6.4.2 变压器状态分层模糊识别模型的实现 |
6.4.3 分层模糊识别模型的验证 |
6.5 本章小结 |
第七章 全文总结 |
7.1 研究成果 |
7.2 工作展望 |
参考文献 |
致谢 |
在攻读学位期间的研究成果 |
(9)Elman神经网络与进化算法的若干理论研究及应用(论文提纲范文)
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) |
(10)生物启发计算研究现状与发展趋势(论文提纲范文)
1 引言 |
2 生物启发计算理论基础与研究现状 |
2.1 生物启发计算的理论起源 |
2.1.1 生物进化论 |
2.1.2 共生与协同进化论 |
2.1.3 复杂适应系统理论 |
2.2 生物启发计算研究现状 |
2.2.1 现有生物启发计算算法 |
2.2.2 生物启发计算研究现状 |
3 生物启发计算的统一框架模型 |
3.1 生物启发计算统一框架模型层次结构 |
3.2 个体—群体—群落模式的形式化描述 |
(1)Individual:模型中的个体集合. |
(2)Population:模型中种群集合. |
(3)Colony:模型中群落集合. |
(4)Environment:生物觅食环境. |
(5)Topolog yk:模型的拓扑结构. |
(6)Coevolution:进化规则. |
4 生物启发计算的应用现状 |
4.1 传统优化算法vs.生物启发优化算法 |
4.2 生物启发计算应用情况分类 |
4.3 生物启发计算最优化应用现状 |
4.3.1 最优设计 |
4.3.2 最优分析 |
4.3.3 最优控制 |
5 生物启发计算理论基础研究展望 |
5.1 有关生物启发计算的有效性研究 |
5.2 有关生物启发计算的收敛性研究 |
5.3 有关生物启发计算方法的评价标准 |
5.4 生物启发计算的算法设计研究展望 |
5.4.1 并行生物启发计算 |
5.4.2 有学习推理,知识学习的生物启发计算 |
5.4.3 生物动力学启发计算 |
5.4.4 微生物群体感应控制机制及启发算法 |
6 有关生物启发式计算应用研究展望 |
6.1 人工大脑 |
6.2 进化硬件 |
6.3 大数据 |
6.4 群集机器人 |
6.5 进化仿真 |
6.6 云计算 |
7 结论 |
四、进化计算与进化神经网络──计算智能的新方向(论文参考文献)
- [1]计算智能理论及应用[J]. 罗敏霞. 运城学院学报, 2004(02)
- [2]普适的模糊推理系统理论及应用[D]. 柴园园. 北京交通大学, 2011(07)
- [3]进化计算与进化神经网络──计算智能的新方向[J]. 焦李成. 电子科技, 1995(01)
- [4]进化计算与遗传算法──计算智能的新方向[J]. 焦李成,保铮. 系统工程与电子技术, 1995(06)
- [5]计算智能理论及其在RITS中的应用[J]. 史天运,贾利民. 交通运输系统工程与信息, 2002(01)
- [6]大坝安全监测与损伤识别的新型计算智能方法[D]. 康飞. 大连理工大学, 2009(10)
- [7]计算智能问题研究[D]. 张喆. 中国海洋大学, 2008(02)
- [8]模糊模型的智能学习方法与应用研究[D]. 刘建成. 中南大学, 2005(06)
- [9]Elman神经网络与进化算法的若干理论研究及应用[D]. 时小虎. 吉林大学, 2006(09)
- [10]生物启发计算研究现状与发展趋势[J]. 朱云龙,申海,陈瀚宁,吕赐兴,张丁一. 信息与控制, 2016(05)