摘要：文中对ＭＰ神经元模型进行了推广，定义了多项式代数神经元、多项式代数神经网络，将多项式代数融入代数神经网络，分析了前向多项式代数神经网络函数逼近能力及理论依据，设计出了一类双输入单输出的前向４层多项式代数神经网络模型，由该模型构成的网络能够逼近于给定的二元多项式到预定的精度．给出了在Ｐ－ａｄｉｃ意义下的多项式代数神经网络函数逼近整体学习算法，在学习的过程中，不存在局部极小，通过实例表明，该算法有效．最后，指出ＦＬＡＮＮ中函数展开型网络均可由神经元的激发函数变换来实现，为近似符号网络计算提供一新理论和方法．

摘要：首先提出一种双曲函数型神经网络 HFL ANN,设计出一类基于 HFL ANN网络的层次双曲型函数网络HHFL ANN,给出了 HHFL AN N的网络学习算法 ,使其在用于非线性的拟合中体现了较强的优越性 ,对于任意的Volterra级数使用 HHFL ANN网络来逼近是完全可行的 ,该算法较 GMDH算法和 SOP算法 ,具有快速简单的特性 ,它优于 GMDH算法 ,有规律地选取部分多项式 ;优于 SOP算法 ,在构造 SOP网络不需要太多的中间隐层 ,从而加快了学习过程 ,提高了网络的逼近性能 。

摘要：文中设计了一类单输入单输出泛函网络与双输入单输出泛函网络作为构造层次泛函网络基本模型,提出了一种层次泛函网络模型,给出了层次泛函网络构造方法和整体学习算法,而层次泛函网络的参数利用解方程组来进行逐层学习.以非线性代数方程组为例,指出人们熟知的一些数学解题方法可以用层次泛函网络来表达,探讨了基于层次泛函网络求解非线性代数方程组学习算法实现的一些技术问题.相对传统方法,层次泛函网络更适合于具有层次结构的应用领域.计算机仿真结果表明,这种层次学习方法具有较快的收敛速度和良好的逼近性能.

摘要：人工萤火虫群优化算法是一种新型群体智能算法,已在复杂多目标函数优化方面得到了成功的应用,并表现出良好的性能.为了充分发挥人工萤火虫群优化算法的优点,将该算法与C2Opt算子相结合,设计了求解旅行商问题(TSP)的一个新的高效人工萤火虫群优化算法,并用其求解TSP这一经典的NP难问题.通过对比TSP实例测试,所得结果表明,所提出算法在种群规模较小、迭代次数较少的情况下可以收敛到已知的最优解.

摘要：提出一种多维函数逼近的泛函网络逼近方法,设计了一类用于函数逼近的可分离泛函网络,给出了基于泛函网络的函数逼近学习算法。而泛函网络的参数通过解方程组得到,它们能逼近给定函数到预定的精度。仿真结果表明,这种逼近方法简单可行,具有较快的收敛速度和良好的逼近性能。

摘要：文中从首一无平方多项式Ｆ（ｘ，ｙ）有根ｘ＝φｉ（ｙ）（ｉ＝１，２，…，ｄｅｇｘ（Ｆ）），其中φｉ（ｙ）＝Ｃｉ，０＋Ｃｉ，１ｙ＋Ｃｉ，２ｙ２＋…，入手，设计了一类二元多项式求根及近似因式分解的神经网络模型，它们分别是双输入单输出４层前向网络与单输入多输出３层前向网络，给出了神经网络学习算法，这种学习算法在ｐ－ａｄｉｃ意义下，通过选定隐层与输出层的待求权值Ｃｉ，ｊ完成学习，可确定出其不可约因式及不可约因式个数ｒ，通过算例表明，该算法十分有效．

摘要：从首一无平方多项式F（x，y,t）有根x=Фi(y,t)i＝1，2，…，degx(F)，其中，Ф(y,t)=Ci,0（t）＋Ci,1（t）y+Ci,2(t)y2十……，入手，设计出一类含参二元多项式求根的神经网络模型和多项式近似因式分解的神经网络模型，为研究其神经网络学习算法，给出基于代数神经网络的含参多元多项式近似团式分解的基本理论。探讨基于代数神经网络的二元多项式的近似因式分解算法，提出一种新的确定误差代价函数的学习方法，相比梯度下降学习法，不存在局部极小问题，通过该算法学习，能逼近给定二元多项式F（x，y，t）的不可约因式，实现其对F（X，y，t）的因式分解。

摘要：针对新型元启发式蝙蝠算法存在收敛速度慢、求解精度低的现象,文中提出一种基于Lévy飞行轨迹的蝙蝠算法.该算法具有易跳出局部最优,收敛速度快且求解精度高等特点.通过对12个典型的测试函数进行仿真实验,结果表明该算法是有效、可行的,且在求解高维空间问题中也表现出优越的逼近性能.

摘要：针对猴群算法求解全局优化问题精度不高和花费大量的计算时间等问题,结合传统的单纯法的搜索思想,设计出一种基于猴群算法和单纯法的混合算法。该混合算法较大程度上提高了猴群算法求解精度,且加快了猴群算法的收敛速度。通过18个标准测试函数进行了测试,结果表明,与PSO、GA与MA比较,文中提出的猴群-单纯形混合算法在函数优化方面有较强的优势,其测试函数最优解更接近理论最优解。

摘要：泛函网络是最近提出的一种对神经网络的有效推广。与神经网络不同,它处理的是一般的泛函模型,其神经元函数不固定,而是可学习的,且在各个处理单元之间没有权值。同神经网络一样,至今还没有系统设计方法能够对给定问题设计出近似最优的结构。鉴于此,将整个泛函网络的设计分解为单个神经元的逐个设计;然后,在此框架下提出了基于遗传规划的单个神经元的设计方法,该方法可实现对神经元函数类型的优化。仿真实验表明,本方法是有效可行的,能用较小的网络规模获得更满意的泛化特性。