改进进化策略及其在神经网络训练中的应用

进化策略是一类策略参数自适应进化算法。文章提出了一种改进进化策略(MES),MES采用基于个体排序的随机自适应Gaussian-Cauchy混合变异策略,将Gaussian和Cauchy变异算子结合起来以达到全局探索和局部搜索之间的动态平衡。此外,MES还使用重组算子以进一步提高算法的性能。将该算法用于多层前向神经网络训练,数值仿真结果显示了该算法的有效性。

基于自适应混合变异进化策略的神经模糊系统及应用研究

针对现存神经模糊系统中存在的问题,提出了基于自适应混合变异进化策略的神经模糊系统:采用改进的最近邻域聚类算法对输入空间进行模糊聚类,确定模糊规则数以及模糊规则前件,这样做精简了模糊规则,不会因输入变量的增加而造成“维数灾难”;采用自适应混合进化策略确定模糊规则的后件,明显提高了算法的收敛速度和精度。将本文提出的基于自适应进化策略的神经模糊系统用于某炼油厂航煤干点的软测量建模,结果表明,该系统具有结构简单、建模精度高、泛化能力强等优点。

基于进化策略的动态递归神经网络建模与辨识

提出一种采用进化策略实现动态递归神经网络结构、权重和自反馈增益同时进化的学习算法 ,以及自适应进化机制。与改进 BP算法相结合 ,各取所长 ,形成集成化动态递归神经网络建模辨识算法。实际应用结果表明 ,所提出算法不仅明显提高了动态递归网络模型辨识算法的收敛速度和精度 ,而且实现了动态递归网络的全自动优化设计。

基于免疫进化策略的神经网络优化方法

对神经网络的研究多年来主要集中于网络权值优化或结构优化上,却忽略了神经网络结构与权值之间密不可分的联系.针对上述问题,将免疫系统中的浓度机制和记忆机制引入进化策略,提出了一种基于免疫进化策略的神经进化算法,在优化网络拓扑结构的同时优化网络的连接权值.进一步地,用Cauchy变异算子代替传统的Gauss变异算子,以获得更为理想的全局收敛效果.理论分析和仿真结果表明,免疫进化策略能够很好地保持种群多样性,避免未成熟收敛,采用免疫进化策略设计神经网络具有良好的全局收敛性能和快速学习网络结构和网络权值的能力.

高维进化策略调整神经网络结构和参数

提出一种基于佳点集原理的进化策略用于神经网络结构和参数的调整.为了克服正交设计法的一些不足来处理高维最优化问题,本文采用分步交叉框架,将佳点集技术引入实数域交叉算子增强高维空间的搜索能力.前馈神经网络的隐含节点与连接边数从小逐步递增直至学习效果足够好.通过调整能得到一个部分连接的前馈网络,减少了网络实现的耗费.最后,佳点集进化策略有效应用于生成预测太阳黑子的演化神经网络.实验结果证明了新方法的有效性.

基于进化策略的BP神经网络匹配算法研究

研究了利用 BP 神经网络理论进行景象匹配的方法,将灰度不变矩和边缘不变矩同时作为匹配特征应用于 BP 神经网络景象匹配中,并对经典的进化策略进行改进,提出并实现了一种高效的基于进化策略的BP 神经网络景象匹配算法。实验结果证明了算法寻优的全局性和精确性。

基于进化策略算法的人工神经网络变压器故障诊断法

提出一种基于进化策略算法的人工神经网络法对电力变压器故障进行诊断。该方法通过综合进化算法的全局搜索能力和神经网络输入和输出的高度非线性映射关系,可准确诊断变压器故障。它可自动调整神经网络的连接权和节点偏置值,以获得最佳网络模型。相对于普通人工神经网络而言,该法具有更快的学习速率和优良的诊断精度;并且相对于基于进化规划算法的人工神经网络法,本方法也具有更优良的性能。

免疫进化神经网络中交叉策略的改进

提出了免疫算法交叉策略的一种改进方法,采用新的交叉策略决定算法中子代个体的位置,可以使子代快速地向更高适应度的区域移动。仿真实验表明,基于新策略的改进免疫算法在进化神经网络时,比传统的进化算法具有更强的逃逸局部最小的能力和更快的收敛速度。

进化策略求解Hopfield神经网络

提出了一种进化策略求解 Hopfield神经网络的方法 .该进化策略分三个阶段 ,即第一阶段只在较小区间上求出局部优化解 ;然后 ,在此基础上 ,由第二阶段求出较大区间上的局部优化解 ;最后由第三阶段求出全局优化解 .同时采用 Hopfield神经网络动态方程指导第一阶段的局部进化策略的进化方向 ,因而大大加快了优化搜索速度 .在分阶段的进化策略中 ,其第一阶段只需搜索较小区间 ,第二和第三阶段的搜索则建立在其前一阶段的基础上 ,因此可以采用较小的遗传群体规模 ,从而明显地提高了求解 Hopfield神经网络的速度 。

基于Hamming神经网络聚类分析的进化策略

本文提出了一种基于Hamming神经网络聚类分析的进化策略 ,模糊自适应Hamming神经网络各类族的权重矢量纪录被进化搜索过的区域 ,并相应记录下该区域内最优个体和它的适应度 ,因此通过Hamming神经网络对进化个体的聚类分析 ,进化策略具有搜索记忆性 ,可以充分保证下一代遗传群体中个体遗传基因的丰富性 ,从而避免早熟现象的发生 ,这种进化策略还可以避免在被搜索过的区域内的无用搜索 ,进而加快进化策略的收敛速度 。

一种结合进化策略与神经网络的图象恢复方法

图象恢复在已知退化矩阵的前提下,可近似看成求解最优化问题.本文提出了一种进化 策略与神经网络结合的求解最优算法,并应用于图象恢复.结果表明,综合算法优于仅采用神经网络的算法.

神经网络与进化策略在结构优化设计中的结合

利用BP神经网络对有限元计算出的样本数据训练出一种参数映射关系,从而获得进化策略求解结构优化问题的目标函数值,进一步获得问题的优化解,5杆结构表明此方法使用较少的有限元分析次数就能有效地求出最优解。

基于群体进化策略的电磁态势预测

针对战场电磁态势预测问题,基于群体智能优化算法的可靠性与全局性等特点,提出了一种利用融合Cholesky因子更新的CMAES算法优化的RBF神经网络方法,利用在CMAES算法中添加Cholesky的秩-μ更新来提高算法的速度和准确度,提高网络学习的效率与预测精度。仿真实验验证了该方法可以有效提高电磁态势的运算速度与精度。

基于改进模糊神经网络的细胞活性预测

针对细胞活性的预测问题,提出了一种利用自适应差分进化算法优化的模糊神经网络(ADE-FNN)预测模型。首先,通过模糊化处理细胞培养过程中的多种影响因素(如培养基成分、温度、pH值等),将这些因素作为模糊神经网络的输入。然后,利用已有的细胞活性数据对模型进行训练,优化网络参数。经过多次迭代和调整,模型逐渐学习到输入与输出之间的复杂映射关系。最后,利用细胞活性仿真实验验证所提ADE-FNN算法的性能。结果表明,基于模糊神经网络的细胞活性预测模型具有较高的预测精度和泛化能力。与传统的统计方法相比,该模型能够更好地处理数据中的不确定性和噪声,从而提供更准确的预测结果。此外,该模型还具有较好的可解释性,有助于深入理解细胞活性的影响因素及其作用机制。

基于CNN池化和进化策略的一般神经网络图像分类研究

网络的爆炸式发展产生了海量的图像,图像标签的错误和缺失比较常见,图像分类研究很有必要。CNN池化能够提取到输入矩阵的重要特征,降低数据的维度。进化策略是模仿生物"优胜劣汰"进化方式的一种启发式算法,能快速找到问题的解。本文基于CNN池化提取一组有正确标签的图像的特征,搭建层数为3的神经网络,进化策略优化初始权重,通过训练集训练分类模型,通过测试集来验证模型的优劣,并使最终的模型实现对未知类别图像的高效分类。实例验证阶段收集10类100张犬类图片,按照各研发步骤进行实验,算法结果验证了进化策略优化权重的必要及神经网络模型的高效。

一种基于多进化神经网络的分类方法

分类问题是目前数据挖掘和机器学习领域的重要内容.提出了一种基于多进化神经网络的分类方法CABEN(classificationapproachbasedonevolutionaryneuralnetworks).利用改进的进化策略和Levenberg-Marquardt方法对多个三层前馈神经网络同时进行训练.训练好各个分类模型以后,将待识别数据分别输入,最后根据绝对多数投票法决定最终分类结果.实验结果表明,该方法可以较好地进行数据分类,而且与传统的神经网络方法以及贝叶斯方法和决策树方法相比,在分类精度方面有明显的改善,体现出较好的稳定性和容错性,尤其适用于类别数较多且分类困难的复杂分类问题.

免疫进化策略及其在二次布局求解中的应用

利用一种免疫进化策略算法来求解二次布局问题。免疫进化策略保留了一般进化策略的随机全局搜索能力，又进一步借鉴生物免疫机制中抗体的多样度保持机制和基于浓度的调节机制，较好地维持了进化个体的多样性。求解结果相当完美。

使用进化策略的图像矢量量化

在分析自组织特征映射 (SOFM)算法的基础上 ,把进化策略引入到矢量量化设计中 .在将SOFM算法作为基本聚类算法的前提下 ,基于等误差原则 ,利用最大最小原则改变各区域聚类点 ,使各子区域的误差趋于相等 .使用进化策略在子区域误差大的聚类点附近产生新的聚类点 ,从而调整各个区域的子误差 ,进一步改善总期望误差 .实验证明该方法可克服基本聚类算法落入局部最优的局限 .在对 Lena图像进行量化的过程中 ,改善了码书矢量 ,提高了量化后图像的质量 .

基于进化策略的增长学习方法在故障诊断中的应用

提出了一种新的基于进化策略的增长学习方法。神经网络可以在没有存储旧的学习样本的情况下学习新的知识而不干扰旧的知识。对某高温硝酸冷却系统的故障诊断作仿真 ,结果表明本方法是有效的。

基于无梯度进化的神经架构搜索算法研究综述

自动化深度学习是目前深度学习领域的研究热点,神经架构搜索算法是实现自动化深度学习的主要方法之一,该类算法可以通过对搜索空间、搜索策略或优化策略进行不同定义来自动设计神经网络结构。阐述进化算法和进化神经网络的发展历程,分类介绍以进化算法为搜索策略实现神经架构搜索的方法和过程,并比较基于进化算法的不同神经架构搜索算法的特点和现状,在此基础上,对神经架构搜索算法的搜索空间、搜索策略以及算法的未来发展方向进行探讨和展望。