声反馈抑制需求鲁棒、高效的自适应滤波器。该文提出一种基于Gauss-Seidel伪放射投影(Gauss-Seidel pseudo affine projection,GSPAP)的子带自适应声反馈消除算法。通过加权重叠相加滤波器组进行子带划分,子带上采用参考信号的自相关矩阵取代能量对滤波器的自适应步长进行归一化;在自相关矩阵的迭代公式中引入基于输入信号和参考信号能量最大值的自整定系数,增强算法鲁棒性;选用二阶GSPAP迭代法对自相关矩阵解算求逆,以平衡算法性能与复杂度。实验结果表明:在相同滤波器长度的条

鲸鱼优化算法是一种新型优化算法,源自鲸鱼的觅食行为。针对标准鲸鱼优化算法处理复杂函数优化问题出现寻优精度低和易陷入局部极小值的不足,文章提出了一种混沌反馈自适应鲸鱼优化算法(CFAWOA)。在CFAWOA算法中,引入混沌理论生成初始种群增加种群多样性,为算法全局搜索奠定基础;同时,在鲸鱼位置更新后期增加反馈阶段,通过交流学习使最差鲸鱼快速向最优鲸鱼靠拢,提高算法的全局搜索能力;此外,在鲸鱼个体位置更新公式中引入自适应惯性权值,通过平衡算法的开发和探索能力进一步改善算法的优化性能。采用6个复杂函数优化问题进行仿真实验,将CFAWOA算法与WOA、PSO和TLBO算法进行对比,结果表明CFAWOA在收敛精度、优化性能方面具有明显优势。

引入自适应大规模邻域搜索算法进行带时间窗的车辆路径问题的求解,通过移除和插入规则,分别在客户层级和路线层级上,不断地摧毁和重建解决方案,并通过局部优化策略来提高解的质量,最终得到最优的解决方案。结果表明,相较于传统的启发式算法,该算法求解此类问题的速度更快、结果更好。

为了克服基于二进制编码的遗传算法在求解连续参数优化问题时的缺陷,采用实数编码,定义1种度量多样性的指标,来自适应地调整基于实数编码的多亲遗传算法中交叉概率和变异概率,提出1种基于实数编码的自适应多亲遗传算法.该算法能自适应地调整其参数,且在求解优化问题的过程中,能克服早熟收敛的现象,提高搜索能力,加速收敛速率.最后对该算法进行了理论分析.

数据流具有连续、实时、有序及无限等特点,使用传统的数据挖掘技术来处理数据流的分类面临着严重的挑战,很难处理数据流中的概念漂移问题。文章结合现有的决策树分类挖掘算法,提出了自适应集成分类器方法,构建了数据流概念漂移的自适应集成分类模型,通过不断更新训练样例的权重与属性类别,将训练样例从现有的数据集中分离出来,并被确定为新类别属性的训练样例,以达到对数据流中概念漂移现象的有效检测,仿真结果也证明该方法的适应性和可靠性。

配对交易是统计套利中最主要的交易策略,但随着市场有效性的逐渐提高,该策略的获利机会正变得越来越有限,传统的固定参数交易模型已难以保证配对交易一直获得最大利润,交易模型的参数不仅需要优化,而且还需要动态地、自动地调整优化值,因此有必要研究开发具有人工智能属性的参数动态优化交易模型,这对于提升交易模型的盈利能力和执行效率具有重要意义。自适应配对交易模型是对传统的协整配对交易策略进行改进,推出一种基于强化学习模式的新型统计套利交易模型;将Sarsa强化学习算法和ε-greedy策略与新模型相结合,把模型参数的确

文章基于混合型数据对传统谱聚类算法进行改进。针对传统谱聚类算法对尺度参数敏感的问题,提出一种密度调整的尺度参数自适应的核函数。同时,在谱聚类的聚类步中为了减少初始聚类中心对聚类结果的影响,利用集成的k-means代替单一的k-means进行聚类,以增强聚类结果的稳定性。并通过实验对比证明算法的有效性。

文章回顾了经典的K-means算法,分析了其存在的两个突出缺点:无法自行确定聚类数k和对初始聚类中心点十分敏感。受光电效应实验中电子束在反向电场中的串行规律启发,提出了基于捕获流动中心试点的自适应确定聚类数目的K-means算法,该算法模拟电子束在异性电子云中的串行,令数据点簇捕获流动的聚类中心试点,来消除多余的初始聚类中心,从而达到解决K-means算法的存在的缺陷问题。实验表明,该算法具有很强的自行确定聚类数的能力,也大大降低了对初始聚类中心选择的敏感度。

针对停车场停车最优路径规划问题,提出了基于改进型蚁群算法的自适应停车引导模型。以原有信息素更新为基础,设计下一步潜在节点状态转移策略,引入停车路径动态自适应度,进一步缩小蚂蚁搜索范围,合理规划最优停车路径。对比仿真实验表明:改进型自适应蚁群算法求解效率和质量有明显优势,实现了停车最优路径规划与选择,减少了停车时间,提高了安全性,具有很强的实用价值。

综合考虑物流服务节点区域的空间属性和成本约束,基于物流服务节点波及范围,分析备选服务节点选择过程及其运行成本特征,构建了物流服务节点布局优化模型。将物流服务节点选择映射为一个聚类过程,提出解决物流服务节点选择问题的自适应蚁群聚类算法。以物流系统总成本最低为聚类准则,描述了物流节点布局模型的求解过程,并对服务节点布局参数进行仿真实验,验证模型及算法的鲁棒性和选择效率。

针对传统光谱数据预处理与分析的现状,提出一种基于人工智能的光谱异常数据自适应剔除及自动分类算法,通过遗传算法的优化搜索确定马氏距离的阈值,实现异常光谱的自适应剔除,并提出可量化光谱剔除效果的异常一致性指数(ACI)。在此基础上,借助自组织神经网络方法,以各类观测对象的特征光谱作为输入对象,对剔除后的光谱进行自动分类。经过实验验证,算法取得了较好的剔除效果(ACI达到86%以上)和分类效果(总体分类精度达到94%),较好地实现了异常光谱剔除和光谱分类的自动化处理。

针对工艺规划与调度集成(Integration of Process Planning and Scheduling,IPPS)的多目标优化问题,将遗传算法基本理论与免疫应答机理相结合,并引入IPPS问题研究中,构造了融遗传算法和免疫机理为一体的自适应免疫遗传算法(Self-adaptive Immune Genetic Algorithm,SIGA)。该算法以遗传算法为主体并加入免疫算子,通过免疫系统的自适应、免疫识别、学习、记忆、激增和抑制等复杂的信息处理机理,有效地解决了规模大、约束多、目标函数非单一的IPPS问题。最后以实例进行仿真优化,验证了模型算法的正确性和有效性。

提出了基于自适应ＭｅＭｅｔｉｃ算法的多级多商品配送优化网络模型。首先建立与实际情况更符合的物流网络模型，其次采用群集智能的方法解决该模型的优化问题。实证分析表明：所提出的方法有效地解决了多商品物流网络优化问题。

配对交易是统计套利中最主要的交易策略,但随着市场有效性的逐渐提高,该策略的获利机会正变得越来越有限,传统的固定参数交易模型已难以保证配对交易一直获得最大利润,交易模型的参数不仅需要优化,而且还需要动态地、自动地调整优化值,因此有必要研究开发具有人工智能属性的参数动态优化交易模型,这对于提升交易模型的盈利能力和执行效率具有重要意义。自适应配对交易模型是对传统的协整配对交易策略进行改进,推出一种基于强化学习模式的新型统计套利交易模型;将Sarsa强化学习算法和ε-greedy策略与新模型相结合,把模型参数的确定方法由传统的主观经验法和固定参数法改进为自适应模式的动态参数优化法;编制的计算机程序仿真实现了基于新模型的套利交易全过程,涵盖模型参数的动态优化、套利交易的模拟操作以及交易绩效的测量评估;以中国债市交易量最大的5种债券为样本,构建4组配对组合,采用Johansen协整检验法、T检验和Robust稳健性检验等方法对交易模型和测试结果进行实证分析。研究结果表明,新模型的运行效果全面优于传统模型。新模型显著提升了交易系统的获利能力,收益率和索提诺比率大幅提高;同时降低了投资风险,最大回撤出现明显下降;还提高了套利交易的执行效率,交易次数明显减少,套利成本下降;具有持续学习的能力,能促进累计收益率不断上升并最后收敛于最大值。研究结果还表明,协整配对交易在中国债券市场同样具有有效性,能够获得显著正收益。将强化学习思想与协整配对交易策略相结合,设计开发出一种新型配对交易模型,实现了模型参数的自适应动态调整。这种改进型交易模型有助于应对传统配对交易策略获利能力的下降,进一步提高配对交易策略的效率和绩效。在中国融资融券和股指期货等做空机制开闸的市场环境下,新模型可为投资者提供一种有效的套利手段和风控工具。