一类双线性规划的线性逼近算法

讨论了一类双线性规划的优化问题，利用对偶原理，将双线性规划问题转化为极大极小问题，研究了该极大极小问题的线性逼近算法，并证明了该算法在有限步内收敛，采用Karmarkar算法优化初始迭代点，使线性逼近算法更为有效。     

基于多智能体局部寻优的粒子群优化算法

为了提高粒子群算法的收敛速度和全局寻优能力,用多智能体遗传算法对粒子群算法当前搜索到的全局极值进行局部寻优．用搜索到的更好的解在下一次迭代中引导粒子进行搜索从而获得更快的收敛速度和更好的全局收敛性。对函数优化和神经网络训练的仿真实验表明．此算法能更快的收敛到全局最优解。     

求解非凸函数极小问题的修正Broyden算法

提出了一种求解非凸函数极小的修正的Broyden算法，步长由Wo1fe原则确定．若假设目标函数是二阶连续可微的，目标函数的梯度满足Lipschitz条件，二阶导数短阵在极小点处正定，证明了所提出修正的Broyden算法是全局收敛的．     

结合遗传算法的BP神经网络训练方法研究

针对BP神经网络存在收敛到局部极小问题,研究了直接利用遗传算法训练BP网络的方法和结合遗传算法训练网络初始权值的BP算法;通过简单异或问题说明了第一种方法所需训练时间较长;将第二种用于解决结构损伤识别问题,得到较好结果,说明利用遗传算法训练初始权值可以克服BP神经网络局部极值点问题,加快网络的收敛速度。     

基于下降搜索的量子进化算法

为了提高全局寻优能力和收敛速度，基于量子进化算法和混合遗传算法，提出了一种新的进化算法．该算法将下降搜索理论应用到量子进化算法中，改进了量子进化算法仅靠量子门进行迭代的作用，从而加快了收敛速度，并降低了个体在进化时产生退化的可能性．典型函数的仿真实验结果表明，该算法具有好的全局性和收敛性．     

一个关于二次规划问题信赖域中可行下降算法

采用变量消去法化二次规划问题，使用一个基于信赖域子问题的内点算法来获得其可行下降方向，提出了关于二次规划问题信赖域中可行下降的新算法，证明了算法具有全局收敛性．计算实例表明，新算法具有很高的收敛速度．     

基于自适应蚁群算法的图像分割

蚁群算法良好的离散性，并行性，正反馈性和鲁棒性，非常适合于图像分割。但基本蚁群算法蚂蚁的搜索是随机的，计算量大，不利于算法的收敛，为此，本文提出了设置初始聚类中心的设想，并以小窗口为对象实施算法，由此大大减小了计算量。另外基本蚁群算法中挥发系数固定，会导致算法可能过早收敛或停滞，针对这一不足，本文将其修改为随蚂蚁通过可行路径个数动态变化，使其收敛性和稳定性有了一定提高。实验证明了方法的有效性。     

BP神经网络收敛性问题的改进措施

BP算法现在已成为目前应用最广泛的神经网络学习算法，它在函数逼近、模式识别、分类、数据压缩等领域有着更加广泛的应用，但存在收敛较慢问题．笔者在文中简述了BP算法原理，针对BP算法的收敛性问题，提出了几点改进措施。     

基于局部模糊熵的图像过渡区提取算法

为了提高图像过渡区提取算法的抗噪声性能，对基于局部熵的图像过渡区算法加以改进，提出了基于局部模糊熵的图像过渡区算法．该算法充分利用局部模糊熵区分过渡区与目标区（或背景区）性质的差异，更为有效地提取出图像中的过渡区．仿真实验结果表明，这两种算法在图像含有椒盐噪声的情况下都能有效提取过渡区，但在图像含有高斯噪声的情况下，采用本文算法比采用基于局部熵的图像过渡区算法提取的过渡区更为准确．     

改进的BP神经网络预测模型及其应用

针对传统BP神经网络算法在对预测问题中存在的网络具有易陷入局部极小、收敛速度慢的缺陷,引入附加动量法和自适应学习速率法改进BP神经网络预测模型．将改进后的预测方法应用于企业的市场需求预测问题,以某汽车制造企业过去12个月汽车销售量的实际数据为样本,分别采用基于时间序列和基于因素分析两种预测模型,对所提出的改进预测方法进行实证分析．结果表明：所提出的算法对销售量的预测精度较高,误差均小于8．8％,运算时间也有所降低,预测结果表明文中所提出的算法在处理网络易陷入局部极小、收敛速度慢的预测问题方面的有效性．     

适于前馈神经网络的LM-QuasiNewton综合学习新方法

为实时解决神经网络学习过程中可能遇到的大残量时的收敛问题，将LM算法与Quasi Newton优化算法结合，构建了一种综合学习算法(LM-QuasiNewton算法)．仿真算例表明，该算法较好地解决了残量问题，收敛性与稳定性优于其它权值算法．合学习算法．仿真实例表明，该算法较好地解决了残量问题，在收敛性与稳定性方面优于其它权值算法。     

ICA的共轭下降法

独立分量分析(ICA)作为有效的盲源分离技术(BSS)是信号处理领域的热点，本文在分析现有的ICA算法的基础上提出了以最小互信息为准则函数的ICA的共轭下降算法，并将该算法与传统的算法在计算效率和收敛性方面进行了比较，该算法的迭代次数由传统算法的约2000次减少至不超过300次．适当地选取对比函数可实现全局收敛，并简要分析了对比函数的选取准则．模拟实验证明该算法收敛速度快，而且对初始点不敏感，在健壮性方面具有较好的性能。     

基于改进的FCM在人脑MR图像分割中的应用

为解决模糊C-均值聚类（FCM）算法在医学图像分割中存在计算量大、运行时间过长以及样本集不理想会导致不好的聚类结果的问题,提出了相应的改进算法．利用收敛速度快的K均值聚类法得到的聚类中心作为FCM算法的初始聚类中心,并将样本对于各个聚类的隶属度之和为1这一约束条件,改变为所有样本对各类的隶属度总和等于样本总数．实验表明,该方法用于人脑磁共振图像分割时,运行速度提高了近3倍,分割准确度明显得到提高．     

BP网络中的熵函数准则

从极限角度证明了传统ＢＰ算法收敛速度慢、产生局部极小点的原因之一是该算法采用的均方误差准则。并提出了一种基于熵函数准则的ＢＰ算法，理论分析和仿真结果都表明此熵函数准则优于均方误差函数准则。     

基于阈值和蚁群算法结合的聚类方法

为了改善聚类分析的质量，提出了一种基于阈值和蚁群算法相结合的聚类方法．按此方法，首先由基于阈值的聚类算法进行聚类，生成聚类中心，聚类个数也随之初步确定；然后将蚁群算法的转移概率引入K-平均算法，对上述聚类结果进行二次优化．实验表明，与尽平均算法等相比，该聚类方法的F-测度值（F-measure）更高．     

一种非线性互补问题的不可行非内点连续算法

基于Chen-Harker-Kanzow-Smale光滑函数，针对单调非线性互补问题给出了一种不可行非内点连续算法－－预估校正算法，并在适当的假设条件下，证明了算法具有全局收敛性和局部二次收敛性，从而为单调非线性互补问题的计算提供了一种新的有效算法。     

POMDP基于点的值迭代算法中一种信念选择方法

部分可观察马尔可夫决策过程（POMDP）是描述不确定环境下进行决策的数学模型．基于点的值迭代算法是求解POMDP问题的一类近似解法．针对基于点的算法中信念选择这一关键问题,提出了一种基于熵的信念选择方法（EBBS）．EBBS算法通过计算可以转移到的信念点的不确定性,选择熵较小且到当前信念点集距离大于一定阈值的信念点扩充信念点集合．实验结果表明,通过熵选择信念点的值迭代算法只需要在较少数量的信念点上进行值迭代操作就能得到预期的折扣报酬．     

基于MFCM的改进聚类算法及其在交通中的应用

在交通流状态模糊化的过程中,对已有的交通模糊控制研究引入了太多的主观因素.为了解决这个问题,提出了一种基于MFCM算法的分级递减聚类算法,利用MFCM算法寻找类中心,再自适应确定该类中心的隶属度阈值,将聚类进行分级处理,实现未知类别数数据集的聚类.将改进算法应用到交通流状态聚类中,可以更科学地确定交通流状态的聚类数和各类模糊隶属度函数的结构等,最后,通过算例,说明了该算法对于未知聚类数及服从高斯分布的数据集具有聚类效果好、收敛速度快的特点.     

基于优化模糊C均值算法的锚泊船聚集特性

针对模糊C均值算法随机选择初始聚类中心导致聚类结果对噪声样本点敏感性的不足, 采用局部密度加权的方法, 将初始聚类中心的选择范围限制在局部密度较高样本点区域, 优化初始聚类中心的选择方法; 利用样本点的局部密度改进目标函数, 提高局部密度较高的样本点在目标函数迭代过程中的影响力, 从而提升模糊C均值算法的聚类性能, 并采用人造数据集和鸢尾花真实数据集验证优化的局部密度模糊C均值算法的聚类效果; 通过计算锚泊船位置数据的局部密度, 分析了船舶锚泊偏好。试验结果表明: 对比模糊C均值算法, 优化的局部密度模糊C均值算法聚类精准率提高了2.9%, 召回率提高了3.8%, F度量值提高了3.9%, 说明优化的局部密度模糊C均值算法的性能优于模糊C均值算法; 在锚泊船位置数据上的聚类结果正确反映了天津港锚泊船的聚集特点和锚泊偏好, 其结果与船舶的常规做法一致, 说明优化的局部密度模糊C均值聚类算法是一种分析锚泊船聚集特性和锚泊偏好的有效方法。      

基于爬山法和遗传算法的联合搜索算法

遗传算法受到局部极小值的吸引,通过改变计算参数、算法结构和运算规模依然不能保证每次都收敛到全局最优点,本文对遗传算法每次的结果加以比较,消除次优值,保留最优值,用这种爬山算法和遗传算法相结合,可以保证算法的收敛性。仿真结果证明了上述结论。