传统的小波神经网络以梯度下降法训练网络，而梯度下降法易导致网络出现收敛早熟、陷入局部极小等问题，影响网络训练的精度。文章将萤火虫算法用于训练小波神经网络，在全局内搜寻网络的最优参数。为了提高萤火虫算法参数寻优的能力，在训练过程中自适应调节γ值。同时利用高斯变异来提高萤火虫个体的活性，在保证收敛速度的同时避免算法陷入局部极小。将优化后的小波神经网络用于短期负荷预测，实验证明改进后的预测模型非线性拟合能力较强、预测精度较高。

【文章概述】 本文主要探讨了基于改进遗传算法的FIR数字滤波器的优化设计。在数字信号处理领域，FIR滤波器因其稳定性、线性相位特性以及设计灵活性而广泛应用。然而，传统的设计方法如窗函数法、经验公式和Parks-McClellan算法各有不足，如无法满足多样需求、设计复杂或收敛速度慢。因此，研究人员转向使用遗传算法来优化FIR滤波器的设计。 【改进的遗传算法】 遗传算法是一种模拟生物进化过程的全局优化搜索算法，具有较强的鲁棒性。然而，标准遗传算法在寻找全局最优解时可能会陷入早熟现象，导致收敛速度慢。为了解决这一问题，文章提出了结合BP神经网络的改进遗传算法。这种结合方式利用了遗传算法的全局搜索能力和BP神经网络的局部搜索能力，有效地解决了大规模多极值优化问题，提高了算法的收敛速度和效果。 【FIR数字滤波器】 FIR数字滤波器是一种输出只与过去和现在输入相关的系统，其频率特性可以通过单位冲激响应表示。对于M阶线性相位FIR滤波器，存在特定的对称约束条件。滤波器的优化设计目标是使实际滤波器的频率特性H(w)接近理想滤波器的频率特性Hd(w)，通常采用加权的切比雪夫最佳一致逼近准则。该准则通过误差加权函数W(w)来调整通带和阻带的逼近精度。 【优化过程】 文章描述了改进遗传算法在FIR滤波器设计中的具体实现步骤，包括随机生成初始种群，计算个体适应度，以及利用BP神经网络对非最优个体进行优化，生成新一代种群。这个过程不断迭代，直到满足预设的进化代数或误差阈值。 【总结】 通过对遗传算法的改进，结合BP神经网络，设计FIR数字滤波器的效率和精度得到了显著提升。这种方法不仅能够避免标准遗传算法的早熟问题，还能够快速找到接近全局最优的滤波器设计方案，适用于对时间要求严格的系统。这一研究为FIR滤波器设计提供了新的优化策略，对于数字信号处理领域的实践应用具有重要意义。

针对传统的遗传算法存在搜索效率低和无客观判敛标准的缺点,结合不动点算法的渐细剖分思想对其进行改进,首先将函数优化问题转换为不动点问题;然后对解空间做单纯剖分,根据剖分顶点信息进行迭代搜索;最后将寻找到的全标单纯形转换为目标值输出。将改进算法应用到开关磁阻电机的结构优化设计中,建立了以电磁径向力最低为目标的优化设计模型。以功率为2.2kw的电机为例,利用该模型进行优化分析,并与原电机参数进行对比。结果表明,改进后的算法经过10次迭代后求得较好的全局最优解,稳定高效。

提出了一种基于改进蜂群算法的无线传感器感知节点部署优化方法，以网络覆盖率为目标函数，将传感器感知节点部署问题形式化为组合优化问题，并采用分层机制对基本蜂群算法进行改进。仿真实验结果表明，本方法能够以相对较小的代价完成传感器感知节点部署，并能降低网络能耗，提高网络的整体覆盖率。

针对矿用链式STATCOM装置的LCL滤波器参数设置方法复杂、计算量大的问题,采用带有淘汰与克隆机制的人工鱼群算法对矿用链式STATCOM装置的LCL滤波器参数进行优化。实验结果表明,改进后的鱼群算法能对链式STATCOM装置的LCL滤波器参数进行有效优化。参数优化后的LCL滤波器性能得到提高,改善了煤矿电网的电能质量。

针对短时傅立叶变换时频分辨率不能同时很高,小波变换运算时间偏长,抗噪性差,Wigner-Ville变换及其改进方法受交叉项影响等问题,提出了一种基于希尔伯特-黄(HHT,Hilbert-Huang Transformation)算法的跳频信号参数估计.该方法的分解是自适应的,计算出的瞬时频率有很高的时间分辨率和较高频率分辨率.对于HHT算法中出现的虚假分量和端点效应问题,通过互相关方法来消除虚假分量,镜像闭合延拓方法去除端点效应.仿真结果表明该方法能很好解决上述两个问题.

针对足球机器人运用传统快速扩展随机树(RRT)算法进行路径规划时随机性大的问题,提出了一种目标引力式的RRT路径规划算法。该算法在RRT算法的基础上引入了一个目标引力函数,避免了扩展随机树向目标点以外的方向生长,改进了快速扩展随机树缺乏确定性的问题,提高了足球机器人在路径规划方面的效率。仿真实验结果表明,该算法能够得到最佳路径,同时可以有效提高路径的规划速度。

莱维飞行改进麻雀算法(SSA)优化BP神经网络回归预测，LevySSA-BP回归预测，多变量输入单输出模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

进化算法作为一类新的优化搜索方法，广泛应用于各种优化问题。现对简单遗传算法进行了改进，采用实值编码，并与模拟退火算法及基于适值排序和随机选择的方法相结合，形成了改进遗传算法。同时还介绍了一种新的进化算法一粒子群优化算法。将这两种优化算法应用于函数优化。并对优化结果进行了对比分析。比较结果表明，改进遗传算法和粒子群优化算法都可以在函数优化方面表现出较好的健壮性。但在找寻最优解的效率上，粒子群优化算法较好。

融合柯西变异和反向学习改进麻雀算法(SSA)优化BP神经网络回归预测，SSAnew-BP回归预测，多变量输入单输出模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。