线性规划问题非有效约束条件判别定理的研究

对非有效约束条件和有效约束条件的特性进行了理论分析，获得了一些识别非有效约束条件的判定定理，为进一步研究删除非有效约束条件的方法奠定了理论基础。     

线性规划非最优约束方程判别定理研究

以区分非最优约束条件和最优约束条件的特性为主线，利用线性规划、线性代数等理论进行分析和推导，从理论上获得了非最优约束条件一些性质及识别非最优约束条件的定理。在求解大规模解线性规划问题时，可以利用所得到的结论构造新的求解方法，以在求解的过程中获得变量有关的信息来识别非最优约束条件，并及时删除它，使得模型逐步降阶，以提高求解效率。     

脉冲暂态混沌神经网络在约束非线性规划中的应用

脉冲暂态混沌神经网络（PTCNN）是对暂态混沌神经网络的改进，呈现丰富的动力学性质，具有很强的跳出局部最小点的功能，在解决无约束非线性规划问题时，可以找到包括全局和局部最小值的尽量全面的最优解。当遇到带约束条件的非线性规划问题时，只有对约束条件进行合理处理，才能更有效地解决约束非线性规划问题。文章使用惩罚函数方法对含有约束条件的非线性规划问题进行处理，将其变成一个不含约束条件的非线性规划问题，进而用PTCNN求解，得到了令人满意的结果。     

采用可能解空间改进遗传算法

引入可能解空间的概念，探讨了它在遗传算法约束条件处理改进中的应用．应用实例分析表明，改进的遗传算法可得到更优化的结果，并验证了在种群生成中采用改进约束条件处理的优势．工程实践也表明，采用可能解空间对遗传算法约束条件处理的改进，能大大减少随机试探次数，提高算法的运行效率．     

多边形面积坐标约束条件的构造方法

提出一般多边形面积坐标约束条件的构造方法，即根据基多边形选取合适的形状特征参数，然后用形状特征参数表示出一组特定的点的面积坐标，由此得出多边形面积坐标的约束条件。最后就四边形、五边形情形，给出多组等价的面积坐标约束条件，利用面积坐标约束条件解决面积坐标分量相等的点的存在性问题。     

模拟台机构优化研究

建立了模拟台流量约束条件和机构参数约束条件，在满足这两个条件的前提下进行了模拟台机构优化研究，得到了实现运动的模拟台结构尺寸和运动参数。     

串并联及混合系统可靠度的优化模型及算法

给出了多约束条件下串联、并联系统及单约束条件下混合系统，通过提高单元的可靠度而提高系统可靠度的优化模型及算法。     

约束条件对薄壁构件辐射噪声影响的研究

采用结构辐射噪声FEM／BEM预测模型，对复杂结构进行了模态分析和噪声预测，研究了两种不同约束条件下薄壁构件的辐射噪声．结果表明，不同的约束条件下，复杂结构辐射噪声的主要来源不同。     

改进的Routh方程

本文导出了非完整系统的改进的Ｒｏｕｔｈ方程，其要点在于将速度约束条件直接引人中心方程．然后再将坐标变分约束条件用Ｌａｇｒａｎｇｅ乘子引入中心方程，最后得到的方程结构比熟知的 Ｒｏｕｔｈ方程简单，便于应用。     

基于代入法的约束线性模型的参数估计

本文利用代入法研究带约束条件的一般线性模型的参数估计问题，当线性模型中固定效应参数β附带线性约束条件时，在不同的协差阵和设计阵结构下，提出了可估函数c′β的约束估计，并给出其优良性质。     

一种基于类测试的基类MaDUM算法的改进

Imran Bashir和AmritL．Goel曾提出过一种对单元类进行测试的方法，为此，他们提出了基类MaDUM算法．本文针对基类MaDUM算法，提出了改进的基类MaDUM算法．在改进的算法中避免了对集合U进行逐步的迭代，而是用一个递归的算法求出MaDUM矩阵，提高了算法的可理解性．同时对冗余元素作了单独的处理，给出了查找冗余元素的算法．在文章的结尾，我们通过实例用提出的算法得出了同样的结果．     

一种基于综合校验的极化码译码简化算法

列表连续消除(successive cancellation list, SCL)译码算法是实现极化码译码的方法之一,其可以通过调整列表大小在纠错性能和复杂度之间提供良好的折衷。针对传统的SCL译码算法路径度量值(path metric,PM)计算存在冗余的问题,在简化的SCL(simplified SCL, SSCL)算法基础上提出了一种综合校验的简化算法(syndrome check-SSCL,SC-SSCL)。SC-SSCL利用综合校验的方法,判断PM计算过程是否冗余,通过除去冗余计算降低译码复杂度。证明了简化的译码算法在保证译码性能不变的前提下,降低了译码算法的计算复杂度和时延。仿真结果表明,SC-SSCL较SCL译码和SSCL译码算法复杂度分别降低了约68%和13%,且在信道状态好的情况下SC-SSCL复杂度会进一步降低。     

一类累积量域自适应滤波算法

讨论和研究了累积量域自适应滤波原理及代价函数，给出了一个新的代价函数J3(n)及基于J3(n)的CSWLMS算法。CSWLMS算法的性能优于基于代价函数J1（n) 的CLMS算法和基于代价函数J2（n)的CRLS算法。另外，还对CLMS算法和CRLS算法进行了改进。对上述算法进行了计算机模拟仿真比较，仿真结果表明改进的算法及给出的CSWLMS算法收敛性能良好。     

基于量子差分进化算法的神经网络优化方法

一般的神经网络的结构是固定的,在实际应用中容易造成冗余连接和高计算成本。该文采用了协同量子差分进化算法(cooperative quantum differential evolution algo-rithm,CQGADE)以同时优化神经网络的结构和参数,即采用量子遗传算法(quantum genetic algorithm,QGA)来优化神经网络的结构和隐层节点数,采用差分算法来优化神经网络的权值。训练后的神经网络的连接开关能有效删除冗余连接,算法的量子概率幅编码和协同机制可以提高神经网络的学习效率、逼近精度和泛化能力。仿真实验结果表明:用训练后的神经网络预测太阳黑子和蒸汽透平流量具有更好的预测精度和鲁棒性。     

基于改进A*算法的一种智能车路径规划方法

轨迹规划是智能车安全行驶的关键技术。本文基于A*算法在复杂地图轨迹规划耗时长,拐点多等问题,提出了一种基于图论及几何方法的改进A*算法的避障与导航方法。该方法在传统A*算法的基础上结合图论进行路径规划,同时剔除路径中冗余节点,并采用Labview进行具体的仿真实验来验证轨迹规划算法的性能。结果表明：该算法在复杂环境中仍能有效找到距离短且平滑路径,提高了智能车的运行效率降低了能耗,可用于实际的智能车安全行驶管理中。     

冗余提升多小波包的构造及其应用

针对提取隐藏在原始振动信号中的弱周期性冲击信号,提出结合冗余提升多小波包(RLSMWP)及滑动窗奇异值分解(SWSVD)降噪的方法。利用提升方案实现具有5阶逼近阶性质的冗余Haar预处理,对信号进行预滤波,获得2重矢量信号。对多小波分解得到的矢量细节信号进行进一步分解,实现冗余提升多小波包变换。对最后一层各输出通道信号进行SWSVD降噪,重构后获得降噪信号。结果表明,RLSMWP与SWSVD相结合具有很好的降噪效果,提取出了隐藏在气阀振动信号中的弱周期性冲击成分;与传统多小波构造方法相比,新方法在时域实现了预滤波、多小波分解、多小波重构及后处理,具有计算简单、节省内存、运算速度快、可完全重构等优点。     

用混合编码遗传算法实现匹配追踪算法

在分析总结浮点数编码和格雷码编码各自特点的基础上,提出了一种用浮点数和格雷码混合编码的遗传算法来实现匹配追踪算法.该算法有机结合了遗传算法和匹配追踪算法的优点,不仅能够得到较高精度的最佳匹配参数,而且有效地降低了计算量,克服了匹配追踪算法由于计算量太大而不能广泛应用的缺点.计算机仿真结果表明,该算法提取相位的精度和提取时间均有明显改善,证实了该算法的准确性.最后,将该算法应用于转子实验台的冲击信号特征提取中,提取结果证明了它的实际应用价值.     

基于FPCA和ReliefF算法的图像特征降维

针对传统图像特征降维方法计算量大、 无法去除冗余信息、 未考虑相关性等缺陷, 提出一种结合快速主成分分析(FPCA)和ReliefF算法的图像特征降维方法. 该方法先利用FPCA[KG*6]算法对样本数据进行初次降维, 去除样本中的冗余信息;  再利用ReliefF算法计算样本特征的分类权重, 根据权重对特征进行组合优化. 在算法实现过程中, 采用递归排除策略, 进一步提升了算法特征寻优能力. 仿真实验表明, 利用本文算法优选出的图像特征, 可较好地提高聚类结果, 适合实际工程的应用.     

文化算法框架下混合群智能算法的肿瘤信息基因选择

为了消除与分类无关和冗余基因,以提高基因的分类精度和效率,提出一种文化算法框架下混合群智能算法的肿瘤信息基因选择方法.首先采用ReliefF算法初选基因子集,然后利用文化算法框架下混合群智能算法选择最优的信息基因,最后在3个标准肿瘤信息基因数据集对其性能进行测试.仿真结果表明,文化算法框架下混合群智能算法可以有效去掉无用的噪声基因,降低计算复杂度,分类精度均可以达到100%,具有较好的实际应用价值.     

一种快速收敛的改进贝叶斯优化算法

针对贝叶斯优化算法(BOA)中学习贝叶斯网络结构时间复杂度较高的问题,提出了一种可以快速收敛的基于K2的贝叶斯优化算法(K2-BOA).为了提升收敛速度,在学习贝叶斯网络结构的步骤中进行了2处改进:首先,随机生成n个变量的拓扑排序,加大了算法的随机性;其次,在排序的基础上利用K2算法学习贝叶斯网络结构,减少了整个算法的时间复杂度.针对3个标准Benchmark函数的仿真实验表明:采用K2-BOA算法和BOA算法解决简单分解函数问题时,寻找到最优值的适应度函数评价次数几乎相同,但是每次迭代K2-BOA算法运行速度提升明显;当解决比较复杂的6阶双极欺骗函数问题时,K2-BOA算法无论是运行时间还是适应度函数评价次数,都远小于BOA算法.