基于BP神经网络的铸态高熵合金成分-强度预报

对文献报道的铸态高熵合金的成分和压缩断裂强度进行统计,获得了铸态高熵合金成分(元素种类、含量)、强度(压缩断裂强度)的参数,分别以这些数据作为输入和输出,利用BP人工神经网络建立起其间的关系网络模型。研究表明:所建立的网络很好地反映出铸态高熵合金的成分-强度之间的关系并且具有较好的精度,网络模型可用来预测不同成分铸态高熵合金的压缩断裂强度。该网络对铸态高熵合金的体系设计具有有效的指导作用。

算法隐含并行性的物理模型

利用物理学原理对算法的隐含并行性进行了分析,提出算法的不确定性和高熵态是隐含并行性出现的根源,但算法的隐含并行性会导致算法结果的不确定性。智能算法中先验知识确定程序的搜索方向,隐含并行性提供了对解空间的高速并行搜索,为研究和设计智能算法提供了理论基础。提高算法的先验信息量和隐含并行能力可以得到具备较高智能水平的算法。