為解決bp神經網絡應用于入侵檢測時檢測率較低、訓練時間過長的問題,對改進差分進化算法(samde)優化bp神經網絡并用于入侵檢測的可行性進行研究。該算法引入模擬退火算法(sa)和一種融合de/rand/1與de/best/1的變異算子對差分進化算法進行改進以提高其全局尋優能力。用改進后的算法優化bp神經網絡權值閾值。通過逐次的迭代訓練使bp神經網絡收斂,將優化過的bp神經網絡用于入侵檢測。仿真實驗結果顯示,優化的bp網絡在收斂速度和精度方面有明顯提升,用于入侵檢測時提高了檢測準確率,縮短了訓練時間。

為解決bp神經網絡應用于入侵檢測時檢測率較低、訓練時間過長的問題,對改進差分進化算法(samde)優化bp神經網絡并用于入侵檢測的可行性進行研究.該算法引入模擬退火算法(sa)和一種融合de/rand/1與de/best/1的變異算子對差分進化算法進行改進以提高其全局尋優能力.用改進后的算法優化bp神經網絡權值閾值.通過逐次的迭代訓練使bp神經網絡收斂,將優化過的bp神經網絡用于入侵檢測.仿真實驗結果顯示,優化的bp網絡在收斂速度和精度方面有明顯提升,用于入侵檢測時提高了檢測準確率,縮短了訓練時間.

為了改善傳統的人工神經網絡,在訓練過程中容易陷入局部最小導致應用于水資源評價時存在對訓練樣本的擬合精度不高的缺點,采用粒子群算法優化人工神經網絡的權值和閾值,然后將其應用于中國12個地區的水資源可持續利用系統評價實例中,并和傳統的人工神經網絡進行了對照。結果表明,基于粒子群算法的人工神經網絡和傳統的人工神經網絡相比,能較好的提高對訓練樣本的擬合精度,表明基于粒子群算法的人工神經網絡,用于水資源可持續利用系統評價是可行的。

提出了一種將粒子群優化算法(pso)訓練神經網絡用于配電網線損計算的方法。該方法使用由pso訓練的bp模型來擬合影響線損的特征參數與線損之間的復雜關系。實例計算表明,與bp算法及bp與ga結合算法比較,該方法在提高誤差精度的同時可以加快訓練收斂的速度。

針對工業控制系統入侵檢測模型對各類攻擊的檢測率和檢測效率不高的問題,提出一種adaboost算法優化bp神經網絡的入侵檢測模型.首先利用主成分分析法對原始數據集進行預處理,消除其相關性；其次利用adaboost算法對訓練樣本的權重進行不斷調整,從而獲得bp神經網絡最優權重和閾值；最后再通過adaboost算法將bp弱分類器組合成bp強分類器,從而實現工業控制系統的異常檢測.實驗結果表明該方法在對各攻擊類型的檢測率和測試時間明顯優于其他算法模型.

針對傳統方法單獨采用bp神經網絡算法易陷入局部極值的問題,提出了遺傳算法優化bp神經網絡,并將其應用于mimo-ofdm系統信號檢測中。該方法將遺傳算法與神經網絡相結合,用遺傳算法優化神經網絡初始值,使bp網絡快速收斂到最優解,避免了由初始值的隨機選取而帶來的檢測誤碼。仿真結果表明所提出的方法在誤碼率方面有比較好的性能。

采用一種基于粒子群優化算法和人工神經網絡相結合的混合算法應用于電力電子整流電路的故障診斷。文中首先論述了粒子群優化算法以及實現粒子群和神經網絡的混合算法的操作步驟,然后將這種診斷方法應用于電力電子整流電路的故障診斷。仿真診斷結果表明,這種混合診斷方法可用于電力電子三相整流電路的故障診斷。它具有較快的收斂速度和較高的診斷精度,它具有工程的應用價值。

隨著云計算的發展和應用范圍的不斷擴大，云環境下的安全和隱私問題日益突出。傳統的入侵檢測系統已經遠遠不能滿足當今海量數據的要求，建立云環境下高效的入侵檢測系統已經成為入侵檢測領域的重要研究方向。基于云計算提供的超大規模的計算能力和海量存儲能力，提出了一種基于云環境的入侵檢測系統，系統能夠對海量入侵檢測數據學習，實時檢測，在入侵檢測的效率和精度上比傳統的入侵檢測系統有所提高。

提出一種采用bp神經網絡算法來預測深基坑沉降的方法,結合具體工程實例,構建了預測深基坑周邊地表沉降具體bp神經網絡模型,預測結果表明,該模型有較高的預測精度,可作為預測沉降的一種新方法。

針對離散變量的渡槽結構優化設計問題,建立粒子適應度、種群規模與搜索空間維度的慣性因子自適應函數,通過適應度方差判斷種群是否早熟,采用混沌擾動避免種群早熟以及采用動態罰函數等技術對基本粒子群算法進行了改進。實例應用表明,改進的pso算法全局收斂能力強、精度高,在渡槽結構優化設計中具有較好的通用性。

及時監測土壤的污染程度,可以使我們預知土壤的各種狀況,有利于我們調整對土壤的使用策略,同時也便于我們及時治理污染。本文采用粒子群和bp混合算法優化神經網絡,將其用于土壤污染程度的預測,得到了滿意的結果,實現了對土壤污染程度的預測,可以對企業和個人提供快捷和科學的信息。

船舶電力系統網絡重構本質上是帶約束的多目標組合優化問題。針對船舶電網重構問題的特點,建立了船舶電力網絡的無向圖模型;在此基礎上,進一步建立了以負荷恢復量、開關操作次數和發電機效率均衡性為優化目標的船舶電力系統多目標重構模型;提出了一種結合\"背包策略\"和模擬退火算子的改進粒子群算法進行求解。其中\"背包策略\"可以明顯提高粒子群算法的搜索起點和加快收斂速度;模擬退火算子能夠很好地提高粒子群算法的局部搜索能力和克服粒子群算法易于陷入局部最優解的缺點。測試算例結果表明,利用所提方法能夠獲得更好、更完備的船舶電力系統重構方案,算法具有較好的優化性能。

針對高維、復雜的梯級水庫優化調度在求解時易出現\"維數災\"或陷入局部最優解的問題,本文提出了基于免疫進化算法的粒子群優化算法,該算法充分利用了免疫進化算法的全局搜索特性和粒子群算法的局部搜索能力,克服了粒子群尋優中對初始種群的依賴和易陷入局部最優的不足。通過實例計算表明,應用該算法求解梯級水庫優化調度問題,結果可靠、合理,計算效率高,從而為求解高維,復雜的梯級水庫優化調度提供了新的思路。

針對隧道工程施工網絡計劃執行率低的現狀,將遺傳算法和神經網絡技術聯合用于隧道施工網絡計劃的動態優化與決策?；谶z傳優化和神經網絡方案(模式庫、專家知識系統)的優化決策方法能使該技術在隧道施工的應用更科學合理、準確可靠和方便快捷。該技術不僅能解決施工網絡計劃的執行率低的現狀,而且為信息化和智能化的隧道施工提供了有力的技術保障,具有廣泛的應用前景。

為了有效解決網絡系統可能出現的故障,結合模糊神經網絡提出了一種新的故障檢測算法fdd-fnn(failuredetectionalgorithmbasedonfuzzyneuralnetwork).該算法根據特征信息熵建立了故障檢測評價方法和最小偏差的優化模型,設計了模糊神經網絡中輸入層、模糊化層、模糊規則層和解模糊層,并且給出了具體的算法流程.通過建立網絡仿真平臺,深入分析了影響fdd-fnn算法的關鍵因素,同時對比研究了fdd-fnn算法與其他算法的性能情況,結果表明fdd-fnn算法具有較好的適應性.

本文利用bp神經網絡將極限狀態方程顯式化和粒子群算法求解，并以大跨度鋼管混凝土拱橋為例進行可靠度分析。結果表明，在充分考慮幾何非線性效應的條件下，該方法能夠很好地應用于大跨度鋼管混凝土拱橋的可靠度分析，以彌補傳統方法的不足，并且滿足工程精度要求。

支持向量機以嚴格的數學理論為基礎,具有簡單的數學形式、直觀的幾何解釋和良好的泛化性能,其與核函數的結合使它成為解決分類、回歸、概率密度估計等實際問題的有力工具。但當處理大規模的數據集時,無論在時間和空間效率上都是無法滿足人們的需求。針對該問題,本文提出ασ-svm支持向量機,通過對其訓練樣本的縮減從而減少其訓練時間。最后ασ-svm算法對kdd99cup入侵檢測數據做驗證,并與常規的svm做對比,實驗結果表明該方法不但能應用到入侵檢測中,而且其訓練的時間也明顯的減少。

盾構掘進優化能夠提高施工的穩定性,確保施工效率和施工質量,因此,將改進粒子群算法應用于盾構掘進施工優化中.文章分析了盾構掘進施工參數對施工質量的影響,并設計了施工優化的數學模型;研究了改進粒子群算法,提出了慣性權重的調節算法和設計盾構掘進施工優化的算法流程;最后進行了盾構掘進施工優化的仿真分析.結果表明:該算法能夠有效地控制盾構掘進施工的沉降量,從而確保了盾構掘進施工質量.

采用遺傳算法對建筑設計進行優化,是建筑設計領域一個全新的研究方向,然而,在日照分析下基于遺傳算法求解最優值時,需要對每個進化個體進行適應度函數的計算,將消耗大量的運行時間.為了降低算法的復雜性,提出一種神經網絡結合遺傳算法的建筑優化設計方法.研究結果表明：與傳統遺傳算法對比,該方法可以有效降低算法的迭代次數和運行時間,提高建筑優化設計的效率.

為提高空調冷負荷預測精度,本文提出了基于pso-bp算法的神經網絡模型。將pso算法與bp神經網絡相結合,對大型商場的空調樣本數據進行冷負荷預測實驗。結果表明,與bp神經預測算法相比,該算法的預測精度更高,運行速度更快。

在無功優化、分布式電源(dg)有功優化和網絡重構協同的條件下,以有功網損最小為目標函數、多種電氣限制和網絡拓撲結構為約束條件建立了配電網綜合運行優化模型;針對基本粒子群算法容易陷入局部最優、收斂速度慢等缺點,提出一種改進的粒子群(ipso)算法,并將其用于求解配電網綜合運行優化模型.結果表明,所建配電網綜合運行優化模型能夠同時優化補償電容器投切容量、有載調壓變壓器變比、dg出力和網絡開關狀態,從而獲得配電網的最佳運行狀態.同時,通過ieee33節點配電網算例的仿真結果驗證了配電網綜合運行優化模型的有效性和ipso算法的高效性.

經典kriging插值算法在當區域化變量的變化呈非正態分布時,變異函數會出現明顯的病態,另外,變異函數是對區域化變量間差值取平方,致使插值結果容易受區域化變量異常值的影響。采取對區域化變量取自然對數的措施,以減弱上述因素的影響,另外在變異函數模型中,引入粒子群(pso)優化算法對變異函數模型參數進行尋優,取得了良好的效果。