启发式技术在园区网络性能优化中的应用

提出了一种采用启发式技术用于网络组合优化的思想．通过确定网络适合度函数，在合理时间内求解最优解或准最优解，能自动地对网络进行合理分割．通过模拟聚类、遗传算法（ＧＡ）、模拟退火（ＳＡ）等三种方法在网络划分中的应用，在一定条件下，ＳＡ的性能最优，ＧＡ次之．研究结果表明，用此方法是行之有效的．     

一种基于蚁群优化的动态节能路由选择策略

针对无线传感器网络中寻找最优路径的问题,考虑网络的节能需求,提出了一种基于蚁群优化的动态节能路由选择策略。蚁群算法在进行过一段时间后,受转移概率公式影响易于陷入局部最优解,因此在提出的基于蚁群优化的动态节能路由选择策略中设计了动态状态转移优化规则,合理的增加了新节点的搜索概率,从而达到快速有效的寻找全局最优解的目的;此外,基于蚁群优化的动态节能路由选择策略设计了奖罚机制,进一步节省搜索时间的同时增加最优路径搜索概率,极大的延长了网络生存时间。仿真实验及分析表明,通过动态状态转移优化规则及奖惩机制的动态调整极大的增加了全局最优解的搜索概率,快速有效地实现了全局最优解的获得,节省了节点能量消耗,有利于延长网络生存时间。     

求解绝对极小拟合问题的神经网络方法

提出了一个解绝对极小拟合问题的神经网络，并证明它的全局收敛性，该网络的优点是没有选择惩罚参数的困难，稳态解对应最优解，及网络电路中不含变量间的模拟乘法器。     

解框形约束最小二乘问题的神经网络

将Ｈｏｐｆｉｅｌｄ神经网络用于解最优化问题，给出了一个解框形约束最小二乘问题的离散形神经网络。当这一网络达到其稳定状态，即其能量函数为最小时，由网络的输出可以获得问题的最优解。     

基于遗传优化神经网络的铁路客运量预测研究

采用遗传优化的BP神经网络对铁路客运量的现有数据进行分析,克服了BP网络极易陷入局部解问题,做出合理的客运量预测.首先用遗传算法优化神经网络的连接权, 并在遗传进化过程中保留最优个体的方法,选择权值的最优解来建立遗传优化的BP 网络预测模型, 最后通过铁路客运量数据预测结果的对比仿真实验,表明了该方法的有效性.     

求解一类NP-HARD问题的一个快速算法

研究3-状态设备网络系统可靠性模型与模拟退火算法求最优解问题.对已有3-状态设备网络系统可靠性优化模型进行了分类,构造了一个新的系统可靠性优化模型,设计了一个模拟退火算法用于求近似最优解.计算机仿真表明,算法有效地给出了模型的近似最优解.     

基于Hopfield神经网络的平面拟合编码研究

提出了平面拟合编码的一种新的实现方法，即神经网络方法。为了保证Ｈｏｐｆｉｅｌｄ神经网络的收敛，对该网络模型的迭代算法进行了修改，针对Ｈｏｐｆｉｅｌｄ网络存在的局部极小问题，给出了一种扰动算法，结合初始状态的合理选择，可以有效地避免网络陷入局部极小，而接近全局最小，以求得待定系数的最优解。计算模拟结果表明，Ｈｏｐｆｉｅｌｄ神经网络实现的平面拟合编码性能优于传统的最小二乘法，重建图像质量提高约０．６ｄ     

基于Hopfield神经网络的平面拟合编码研究

提出了平面拟合编码的一种新的实现方法，即神经网络方法。为了保证Ｈｏｐｆｉｅｌｄ神经网络的收敛，对该网络模型的迭代算法进行了修改，针对Ｈｏｐｆｉｅｌｄ网络存在的局部极小问题，给出了一种扰动算法，结合初始状态的合理选择，可以有效地避免网络陷入局部极小，而接近全局最小，以求得待定系数的最优解，计算机模拟结果表明，Ｈｏｐｆｉｅｌｄ神经网络实现的平面拟合编码性能优于传统的最小二乘法，重建图像质量提高约０．６ｄＢ。     

网络设计中集中器定位问题的神经网络解决方法

给出了用于解决网络设计中集中器定位问题的神经网络方法，这类容量受限的集中器定位问题是求最小总花费的NP完全问题，利用拉格朗日乘数法和惩罚函数构造神经网络动态系统的微分方程，采用专门的神经网络可以有效解决，模拟结果表明，这种神经网络方法有效可行，并能求出最优解或近似最优解。     

網絡上输送問题的推广

本文用组合拓扑的概念叙述网络上的输送问题,同时用组合拓扑的方法从新证明了网络上输送问题的主要定理:可行解x~(?)是最优解的充分必要条件是每一个r维简单循环对x~r正规。类似於图上作业法,我们在网络上考虑循环子空间Z~r(G)得到:“一组公共弧充满流向的基循环对可行解x~r正规,则x~r是最优解”的结果。从而引进标准解以后,就得到网络上输送问题的一个较简单的解法:标准解x~r是最优解的充分必要条件是每个标准循环对x~r正规。最后,本文又给出网络上输送、问题的对偶问题,引进位势以后,得到位势判别法。     

总流量可变的最小费用流问题及其求解

讨论在总流量可变动的情况下，网络最小费用流问题的解法。分别就单源单汇和多源多汇情况构造不同的辅助网络，将原网络中的最小费用流问题转化为辅助网络中的最小费用循环流问题，然后用瑕疵算法求最小费用循环流问题的最优解，这样在求出原网络中最小费用流的同时，也获得了总流量的最优取值。     

一种基于模拟退火和Hopfield神经网络求解TSP算法

针对Hopfield神经网络解旅行商问题（TSP）经常出现无效解和局部优化解。将模拟退火智能算法与Hopfield神经网络相结合,提出了一种混合优化算法（SA-HNN）,同时合理地修改了Hopfield神经网络的能量函数,确立网络参数。这种方法在很大程度上避免了Hopfield神经网络优化陷入局部极小的缺陷,大量实验证明了该算法具有收敛速度快,可避免无效解,易获得全局最优解等优点。     

基于自适应环境因子熵权决策的多目标特征选择

多目标进化算法在特征选择方面有显著的优势，但其求解高维数据最优特征子集的性能依然较差，且从获得的Pareto解集中选择合理最优解仍是一个挑战性的问题.为了解决该问题，提出一种基于自适应环境因子熵权决策的多目标特征选择算法.首先，通过设计环境因子来自适应识别关键特征，优化候选特征子空间；其次，将环境因子嵌入改进的交叉算子和变异算子，实现全局最优特征子集的自适应搜索；最后，利用关联环境因子的熵权决策策略，从获得的Pareto解集中选出最优解.实验表明，与现有的五种多目标特征选择算法相比，提出的算法具有更高的分类精度，并能准确地获取全局最优解，验证了该算法的有效性.     

一种新的混沌神经网络模型及其动力学分析

提出了一种混沌神经网络模型。通过引入暂态混沌和时变增益,该网络比Hopfield型网络具有更加丰富和更为灵活的动力学特性,从而具有更强的搜索全局最优解或近似全局最优解的能力,它可以用于求解各种复杂的优化问题。大量的数字模拟表明网络能较好地解决Hopfield型网络的局部极值问题。     

一种低时延虚拟网络功能映射及调度优化算法

针对传统虚拟网络功能映射及调度服务时间长、不稳定的问题，提出了一种新的虚拟网络功能映射及调度优化算法。以虚拟网络功能链路传输时延与实例化时延整体最小化为目标，建立虚拟网络功能映射及调度模型，通过设计一种低时延映射及调度算法(GABL),根据虚拟网络功能与虚拟机之间的映射集合，优化虚拟网络功能映射节点的选择问题及调度顺序问题，求解出最短时间的网络功能虚拟化映射及调度方案。GABL算法采用两段式初始化技术，将虚拟网络功能和虚拟机分别进行初始化，提高初始解的质量；利用具有锦标赛策略的人工蜂群算法对问题进行求解，保留优秀基因与种群多样性，避免陷入局部最优；采用局部搜索算法在可行解附近进行寻优，加快求最优解的速度。仿真实验结果表明：GABL算法具有稳定性强、收敛性快等特点，能够有效降低虚拟网络功能映射及调度服务时间；与GATS算法相比，GABL算法的服务完成时间减少了15%。     

用改进的遗传算法实现网络计划优化

遗传算法的网络计划优化属于离散的非单调、欺骗性问题，较难得到全局最优解．而采用改进的遗传算法，并运用数据库，通过对大量实际运算结果的统计分析表明：改进后遗传算法，能显著提高全局最优解的成功率．研究中发现，该类问题适应度的动态缩放技术具有最好的效果，并就该类问题提出了合适的参数取值．     

线性规划模型解的判定

从线性规划模型解的存在性分析，线性规划模型存在“有解”和“无解”两种情况．“有解”指有最优解，即有可能存在唯一最优解也有可能存在无穷多最优解；“无解”即无可行解或存在无界解(无最优解)．唯一最优解、无穷多最优解、无可行解和无界解的判定是线性规划模型求解过程的主要组成部分．     

计算机通信网络中容量与流量分配的优化研究

为了改进计算机通信网络的性能并降低其运营费用,采用改进的并行遗传算法,对计算机网络中容量与流量分配问题进行了优化,比较了不同算法所得到的网络运营费用.大量的计算机仿真实验结果表明,该算法能较迅速地求出全局近似最优解,并且与传统的方法相比较,解的质量能大幅度地提高.这对于减少网络运营费用及合理利用网络资源等方面都具有重大意义,在计算机通信网络及其它网络的规划设计、性能优化及评估中具有重要的理论和实用价值以及广阔的应用前景.     

基于离散粒子群的SDN动态流调度算法

针对数据中心网络中流量路径分配不合理、易导致大流冲突的问题,提出一种基于离散粒子群的软件定义网络(SDN)流量调度算法.该算法重定义粒子群内部的寻解过程,以最优化网络性能为目标,动态地为数据中心的流量分配最优路径,以减少大流量冲突;并引入Metropolis设计多元化最优调度方案,确保数据中心流量的合理调度.与其他流量调度算法进行对比验证的实验结果表明,该算法提升了网络质量,降低了大流时延,实现了更好的负载均衡.     

基于RBF神经网络的销售预测模型的研究与应用

文章研究一种基于RBF神经网络建立预测模型方法，其主要采用有监督学习的SG(Stochastic graclient)法对RBF神经网络进行训练，并通过遗传算法优化隐层节点的中心值，用优化的中心值再次训练网络，优化网络参数，得到全局最优解。