基于当前极值高斯扰动的改进布谷鸟算法

针对布谷鸟算法(Cuckoo Search,简称CS)收敛速度不够快、求解精度不够高等问题,给出基于当前极值高斯扰动的改进布谷鸟算法(GCS)。并用5个典型的测试函数对GCS、CS、DGCS、CCS和ICS的性能进行对比,仿真实验结果显示GCS比其他四种算法有更快的收敛速度与更高的求解精度。     

利用人工鱼群算法求解一类函数的极值

人工鱼群算法是一种基于动物行为的群体智能寻优算法。具有并行性、全局性、简单性、快速性、跟踪性等优点。可以处理一些非凸、非线性等方面的问题．针对一类不可用经典方法求解极值的函数,提出了一种基于人工鱼群算法求解这一类函数极值的方法,并通过仿真实验的研究,验证了该算法求解函数极值是有效可行的．     

多极值全局最优化问题的辅助函数法(英)

对于多极值全局最优化问题的目标函数构造了辅助函数并给出了基于辅助函数的下降算法、数值计算结果验证了该算法的有效性。     

基于并行组合模拟退火的全局优化算法

针对目前优化方法求解非线性多极值优化问题时存在的不足，提出了并行组合模拟退火算法。在分析算法性能的同时用并行组合模拟退火算法对两个算例进行了求解，并与模拟退火算法、遗传算法进行了比较。结果表明，该方法简单、可靠，具有较高的精度和适应性。     

基于新型Memetic算法的多目标优化

为了更好地解决多目标优化问题,提出一种求解多目标优化问题的新型memetic算法。该算法利用微粒子群算法的全局搜索能力和同步启发式局部搜索相结合进行局部微
调;利用基于模糊全局极值的概念处理种群中过早出现收敛以及解多样性保持等问题。通过进一步检测得出新算法的特点并展示其在多目标优化问题上的独立性和综合效应。同时应用新型算法对IEEE14节点标准电网进行无功优化计算。结果证明,该新型memetic算法具有很好的寻优能力,验证了该算法的有效性及科学性。     

一次性求解多个SAT问题

在实际应用中通常需要求解对应CNF(Conjunctive Normal Form)公式之间仅相差几个子句的一系列SAT(Satisfiability Problem)问题,但目前绝大多数SAT求解算法都是针对单一SAT问题设计的。为此,基于DPLL提出了nDPLL算法,并在随机问题上对该算法的效率进行测试。实验结果表明,nDPLL算法能一次性求解多个SAT问题,对于特定范围的CNF公式集具有较高的效率,CNF公式集的规模越大、相近因子越高、子句数和变量数的比值越大,则nDPLL算法的效率越高。     

求解广义分配问题的拉格朗日蝙蝠算法

基于广义分配问题(GAP)自身的特点,将拉格朗日松弛算法(LR)和蝙蝠算法(BA)相结合,提出了一种高效的拉格朗日蝙蝠算法(LR-DBA)。首先,基于GAP的数学模型,在BA算法的基本框架上,重新定义了蝙蝠速度、位置以及局部更新公式,得出全新的求解GAP的离散蝙蝠算法(DBA)。其次,将其与LR相结合,设计出求解GAP的LR-DBA算法。最后,经过大量算例测试表明,对比DBA算法,LR-DBA混合算法在求解GAP时具有明显优势。     

非线性约束极值问题的算法模型

本文给出了非线性约束极值问题的三个收敛算法模型。作者利用点到集映象的概念,以统一的观点讨论了如何将求解线性约束极值问题的算法用于求解非线性约束极值问题。作为应用,得到了一些已有的算法及一些新算法。     

变分原理的直接寻优算法及最小二乘法变分原理

本文研究基于非线性规划法的变分原理的直接寻优算法，根据粉发原理直接寻优算法所要求的条件即极值条件，对几种变分原理能否运用直接寻优算法给出了结果，指出力学问题从微分，积分方程转化为直接寻优算法的途径，分析了最小二乘法变分原理。本文为用有限元法求解问题提供理论基础，并给出运用变分原理直接寻优算法的算例。     

一种基于伏格尔法的指派问题新算法

指派问题是一个应用广泛的运筹学问题.用伏格尔(Vogel)法以及闭合回路验优和调优的方法给出了指派问题的新算法,该算法避免了匈牙利法可能导致死循环的缺陷.并编制了通用高效的计算机程序,该程序能求解任意n人员n任务的指派问题.     

下一代互联网中的智能QoS组播路由算法

将遗传算法、模拟退火算法、禁忌搜索算法这3种智能优化算法引入基于QoS的优化组播树计算中·首先建立了支持QoS组播的高速网络模型,在此基础上给出了组播算法问题的数学模型·分析了在组播算法问题中应用这3种智能算法所面临的关键问题及解决方案,然后给出了3种算法在费用寻优和运行时间性能方面的对比·仿真表明,这3种算法都有较高的性能,能够满足下一代互联网支持QoS组播的需求·     

面向单目标优化的集成粒子群算法

串行粒子群算法广泛应用于多个领域,出现了多个变种,但解决不同种类的优化问题时性能有差异.为提高串行粒子群算法对各种优化问题的适应能力,提出一种集成粒子群优化算法.新算法使用Matlab的单程序多数据并行结构发挥单节点多核计算能力,通过设置外部档案分享不同粒子群的全局最佳位置,促进不同串行粒子群算法之间的信息交流,综合利用不同串行粒子群算法在解决不同类型优化问题的优势.在广泛使用的测试函数集上开展仿真实验,结果验证了新算法的有效性,与多个知名的串行粒子群算法相比,新算法在寻优性能上优势明显.新算法不仅能够提高粒子群算法的适应能力,而且,所采用的算法框架也适应于其他群智能算法,改善了算法的性能.     

改进的粒子群优化算法在云计算任务调度中的应用

针对粒子群优化算法在求解云计算任务调度问题中存在的收敛速度慢、精度低、易陷入局部极值等缺陷，综合考虑最大完成时间最少、任务执行总时间最优两个优化目标，提出一种多策略融合的粒子群优化算法(Multi-Strategy Particle Swarm Optimization, MSPSO)，并将其应用于求解云计算任务调度问题。该算法融合模拟退火算法、饥饿游戏搜索和双重变异限制策略。首先，通过模拟退火算法动态更新惯性权重，平衡粒子群优化算法的全局搜索和局部搜索，帮助粒子跳出局部极值。然后，引入饥饿游戏搜索算法优化粒子位置更新策略，在算法后期加快粒子收敛速度，提高结果精度。最后，采用双重变异限制策略，同时限制粒子速度和位置，避免粒子发生越界。与其他三种粒子群优化算法进行对比实验，在适应度平均值、最小值、标准差三方面MSPSO都有更好的表现。通过仿真，在求解不同任务量的云计算任务调度问题中，MSPSO在总成本、适应度值最小化两方面均表现出明显优势。尤其当任务量为40时，MSPSO总成本比其他算法分别低了14.4%、15.3%、11.2%，适应度值分别低了10.5%、10.6%、7.6%，验证了所提算法在求解云计算任务调度问题中的有效性。     

基于模拟退火遗传算法的多序列比对方法

针对MSA问题提出了将遗传算法与模拟退火算法结合在一起的混合算法.该算法充分发挥了遗传算法和模拟退火算法的优越性,可提高求解多序列比对MSA问题的计算精度和计算速度,整个算法模拟了自然界进化的周期性,较好的解决了群体的多样性和收敛深度的矛盾.实验表明,该方法算法是有效的.     

Optimal design of hydraulic manifold blocks based on niching genetic simulated annealing algorithm

To solve the combinatorial optimization problem of outer layout and inner connection integrated schemes in the design of hydraulic manifold blocks(HMB),a hybrid genetic simulated annealing algorithm based on niche technology is presented.This hybrid algorithm,which combines genetic algorithm,simulated annealing algorithm and niche technology,has a strong capability in global and local search,and all extrema can be found in a short time without strict requests for preferences.For the complex restricted solid spatial layout problems in HMB,the optimizing mathematical model is presented.The key technologies in the integrated layout and connection design of HMB,including the realization of coding,annealing operation and genetic operation,are discussed.The framework of HMB optimal design system based on hybrid optimization strategy is proposed.An example is given to testify the effectiveness and feasibility of the algorithm.     

低复杂度的多符号差分空时分组编码在快速瑞利衰落信道中的研究

为了降低多符号差分检测(MSDD)算法的高计算复杂度,提出了2个低复杂度的算法,分别是简单化的M算法(SMA)和改进的多符号反馈检测(IMDFD)算法.SMA是在M算法的基础上,通过删除对后续搜索过程不起作用的路径数,来达到和M算法性能相同,但复杂度降低的目的;而IMDFD算法结合了SMA和MDFD算法的思想,通过联合估计最大化值和设置序列长度值的方法,不仅达到低复杂度,而且还克服了MDFD算法的错误传播和低信噪比下低性能的问题.仿真结果显示,这2种算法通过增加观察间隔,都能很好的填补差分检测和相关检测之间的间距,并且随着星座点数的增加,SMA算法和IMDFD算法之间的性能间距在逐渐拉大,相对来说SMA算法具有稍高的复杂度但却有更好的性能.     

遗传算法在WSNs多Sink节点布局中的应用

无线传感器网络应用一直受到有限资源及能量的约束,sink节点布局算法是长时期内需要研究的一个关键问题.实际情况下,由于节点资源受限或无线链路的问题,sink节点经常存在服务失败的情况.因此,提出一种无线传感器网络中多sink节点的P中值布局模型,同时使用遗传算法对属于NP完全问题的sink节点布局模型进行求解计算,并对算法的计算精度、效率进行了分析.仿真实验结果表明,基于遗传算法而提出的布局模型能够有效降低无线传感器网络的能量消耗,提高网络服务效率,延长网络的生存期.     

遗传退火进化算法在背包问题中的应用

从增强算法收敛性和减少参数依赖性的角度出发，提出应用遗传退火进化算法求解背包问题，遗传退火进化算法结合了遗传算法和模拟退火算法的优点，并有效地克服了各自的弱点，使其在优化性能、优化效率和可靠性方面具有明显的优越性．阐明了用该算法求解背包问题的具体实现过程，并通过实际数值计算和结果比较表明，该算法优于遗传算法和模拟退火算法．     

一种改进的遗传算法在多峰值函数优化问题中的应用

针对标准遗传算法在处理多峰值函数优化问题中存在的收敛性问题，设计了一种自适应多位变异遗传算法．有效地解决了过早收敛、局部搜索能力差和全局收敛性问题．实例计算表明.改进后的遗传算法是有效和可行的．     

一种高效的生物网络概率模体发现算法

针对概率模体发现算法中非树形子图的挖掘和在得分函数最大化的过程中得分函数值计算的2个难点.首先提出基于划分的非树形子图的搜索算法,其次将子图同构应用于最小错配的求解以缩小智能优化算法对得分函数求解的解空间,最后将基于模拟退火算法和遗传算法的混合算法应用于得分函数的求解过程.在大肠杆菌基因调控网络中的实验结果表明,与其他算法相比,混合智能算法可以大大减少非树形子图的搜索时间,并以相对较快的收敛速度收敛到一个较优的解,因此所提出的方法有效地提高了概率模体发现的效率.