摘要：【目的】研究解决传统神经网络手动设计网络结构的局限性,并探究差分进化算法对神经网络优化的有效性。【方法】提出了一种基于差分进化算法的多层前馈神经网络的优化设计方案,用以同时完成神经网络的权值空间和网络结构空间的搜索,给出不同场景下的最优网络结构。该算法采用(1+1)-ES二元进化策略,使用一种新的网络结构交叉和变异方法,通过双种群结构共同进化及自适应变异率等策略加快网络结构的搜索以及算法的收敛。【结果】在预测、分类等问题中,基于差分进化算法的神经网络优化设计能够较好地搜索到最优的神经网络结构,并与传统的BP神经网络以及经典的预测分类算法进行比较,实验结果具有较强的鲁棒性。【结论】基于差分进化算法的神经网络优化设计是解决网络结构寻优问题的有效方法。

摘要：在由相互作用的子系统构成的大规模系统的优化中,许多分层和不分层的分化方法已经提出来。除了一些例外,所有这些方法的性质基本上是启发式的。最近的研究考虑的是一系列称为拟分离的优化问题mins,lf(0)(s)+∑N i=1(s,l(i)),s.t.g(0)(s)≤0,g(i)(s,l(i))≤0,i=1,…,N,已经给出了严格的分解理论,一般足以涵盖许多大型工程的设计问题。与文献[1]中利用可分化方法求解实值的目标函数模型不同,本文将同样用可分化方法求解更一般的目标函数——向量值目标函数,给出了其局部弱Pareto解的必要条件以及全局弱Pareto解的充分必要条件。

摘要：微粒群优化(PSO)算法主要用于求解全局连续变量优化问题。利用罚函数处理离散变量,将混合离散优化问题min f(x)s,.***(x)≤0k,=12,,…l,x,iL≤xi≤xiU i,=12,,…,m,xm+j∈Dj,Dj=(dj,1,dj,2,…,djq,j)j,=12,,…,n转化为连续变量优化问题min F(x),***≤xi≤xiU i,=1,2,…,m,dj1,≤xm+j≤dj,qjj,=1,2…,n。为了解决标准PSO可能陷入局部最优解而存在早熟收敛的问题,本文构造微粒的邻域结构,利用禁忌搜索(TS)算法具有较强的"爬山"能力的特点,设计了一种兼具搜索惯性又能在搜索时跳出局部最优解转向解空间的其它区域的禁忌微粒群算法(TS-PSO)。求解Rosenbrock’s测试函数和压力管设计问题的数值实验表明,该算法能较好地跳出局部最优,获得全局最优解。