论文研究基于差分进化的在线极限学习机 .pdf

基于在线序贯极限学习机的高炉渗透率预测

通过建立以透射系数为参数的钻头入、反射波状态方程,将冲击凿岩机械系统中钻头波阻特性参数估计转化为以透射系数为参数的非线性全局优化问题。基于差分进化算法,给出了一种辨识方法以求解这个全局优化问题。结合3

计算机差分进化算法作为一种有潜力的进化算法,是在遗传算法、微粒子群算法、蚁群算法之后才出现的智能算法,其借鉴自然界优胜劣汰的思想,运用差分操作的方法,让差分算法拥有自组织、自适应、自学习等特征,具有良

提出一种基于粒子群算法优化极限学习机算法。采用粒子群算法对极限学习机参数进行优化,最后在Matlab平台进行仿真对比实验。

差分进化是一种有效的优化技术，已成功应用于多目标优化问题，但也存在Pareto最优集合的收敛慢和多样性差等问题。针对上述不足，提出了一种基于分解和多策略变异的多目标差分进化算法（MODE/DMSM）。

为了改善差分进化算法的收敛速度和优化精度,提出一种基于复形法和云模型的差分进化混合算法（HDECC）。该算法使用差分进化算法搜索局部最优域,引入复形法和云模型来加快算法的收敛速度和提高算法优化精度,使

针对BP神经网络预测模型收敛速度慢和容易陷入局部极小值的缺点，将差分进化算法和神经网络结合起来，提出了一种基于差分进化算法的BP神经网络预测混沌时间序列的方法，利用差分进化算法的全局寻优能力对BP神经

针对粒子对算法存在过早陷入局部最优导致聚类精度不高以及聚类结果对初始粒子比较敏感等问题, 提出了一种新的基于粒子对PPO与差分进化DE混合算法。该混合算法结合PPO和DE的优点, 根据一定的迭代次数在

针对目前研究感知时间和有效吞吐量权衡问题的方法存在收敛速度慢、不能满足实时性要求的问题, 提出一种基于差分进化算法的有效吞吐量优化方法, 利用差分进化算法参数少、操作算子简单、全局搜索能力强和收敛速度

现有关于复杂软件系统可靠性分配的研究均基于结构固定的软件系统,而实际情况中软件系统结构往往不固定。针对这一矛盾,构建复杂软件系统动态可靠性分配优化模型,并基于差分进化设计复杂软件系统动态可靠性分配算法