(m,n)型二重(R,r)-循环线性系统求解的快速傅里叶算法

利用快速傅里叶变换（FFT）技术，给出了计算系矩阵为非奇异的（m,n）型二重（R，γ）－循环矩陈的线性方程的求解、非奇异（m,n）型二重（R，γ）－循环矩阵求逆的快速算法，证明了它们的计算复杂性均为o(mnlog2 mn）。     

G-凸空间内的广义S-R-KKM型定理及应用

在G-凸空间内引入了广义S-R-KKM型映像，并在非紧设置下建立了一类新的广义S-R-KKM型非空交定理。作为应用，证明了G-凸空间内一些新的极大极小不等式、鞍点定理和极大元存在定理。     

银河系中G型球状星团的轨道计算

选择了4个银河系中累积光谱型为G型的球状星团作为样本，采用3种不同的引力势模型，计算了它们的轨道参数并画出了轨道图，发现不同的引力势模型对轨道形态的影响并不大，但对球状星团的轨道远心距有不同程度的影响，在两个近银心距较小的样本星团的轨道图中发现了异常了异常现象，验证了混沌现象确实时存在的。     

动态模糊神经网络研究

针对静态网络无法处理暂态问题，对具有递归环节的动态模糊神经网络进行了研究。通过在网络第二层中加入内部反馈连接，使其具有动态映射能力，从而对动态系统有更好的响应。网络使用遗传算法与反向传播BP(BackPropagation)算法相结合来训练，避免陷入局部最优解。采用时序预测和动态非线性系统进行了仿真研究，结果表明，动态模糊神经网络较之普通模糊神经网络在收敛速度、预测精度和网络规模等方面都有较大的改善，并具有更好的动态系统处理能力。     

遗传指纹图谱技术对微生物群落的分析

微生物培养技术无法获得自然生境中99％以上的微生物，而可培养的微生物也仅提供极少的形态学线索，鉴定和生理学特性经常是模糊的。分子生物学技术对不可培养微生物的研究，开启了探索微生物多样性和新资源的大门。DNA杂交、rRNA分子标记测序等已经成为研究分子微生物生态学的常规手段，可以鉴定和描述微生物群落的种群，但却不适于探索微生物复杂群落的动力学。遗传指纹图谱技术允许同时进行多样本的分析，可比较不同生境和随时间变化的微生物群落行为，是传统手段的有力补充。     

产品生命周期模型的零售企业供应链类型界定

供应链类型的研究一直是供应链管理理论的研究热点，近几十年的研究成果逐渐形成了相应的研究角度，但是，对供应链类型的研究更多的表现在定性的描述上，尤其是针对零售企业的供应链类型，鲜有定量的界定方法。利用产品生命周期模型的相关研究成果，提出了一个从产品角度、时域的供应链界定的模型，并利用相应的数据对模型的验证与应用予与说明。     

基于准时制的时间成本双目标作业调度优化

提出了一种基于混合遗传算法的以生产周期和生产成本为优化目标的作业调度方法，该方法采用Giffler-Thompson启发式调度算法产生活动的调度，基于工序编码的染色体决定了工序调度的优先级，在启发式调度算法产生的冲突集合中，根据工序的优先级选择下一步安排加工的工序，混合遗传运算在全全局范围内搜索具有最优调度工序优先级的染色体，同时，在GifflerThompson的启发式算法中，采用了反向调度的策略，即从工件的交货期开始，先安排最后一道生产工序，然后依次安排前一道生产工序，直到工件的第一道工序调度完毕，形成一个完整的调度方案，在算法中，不仅考虑了工件的生产周期和多个工艺计划，而且考虑了库存费用和加工费用，设计了基于生产周期和生产成本的双目标适应度函数，算例结果表明该方法是可行的。     

γ-Al2O3载体孔内原位合成水滑石

以尿素为沉淀剂,利用γ-Al2O3的内孔表面铝源原位合成水滑石. 考察了晶化时间、晶化温度、初始溶液浓度、原料配比对原位合成水滑石的影响. 实验中发现晶化6 h,MgAlCO3-LDH的晶体结构已趋于完整,晶化时间大于6 h时会有NH4Al(OH)2CO3*H2O杂相生成.在实验条件范围内,生成的一次粒子大小随着晶化时间的延长逐渐增大,随着晶化温度的升高、初始溶液浓度的增大而减小.     

遗传算法在气体分离装置调优中的应用

提出了一种基于遗传算法和随机复合形法相结合的混合遗传算法，并以某厂气体分馏装置的生产过程的优化问题进行了测试，得出了优化操作条件。     

A dynamic fuzzy clustering method based on genetic algorithm

A dynamic fuzzy clustering method is presented based on the genetic algorithm. By calculating the fuzzy dissimilarity between samples the essential associations among samples are modeled factually. The fuzzy dissimilarity between two samples is mapped into their Euclidean distance, that is, the high dimensional samples are mapped into the two-dimensional plane. The mapping is optimized globally by the genetic algorithm, which adjusts the coordinates of each sample, and thus the Euclidean distance, to approximate to the fuzzy dissimilarity between samples gradually. A key advantage of the proposed method is that the clustering is independent of the space distribution of input samples, which improves the flexibility and visualization. This method possesses characteristics of a faster convergence rate and more exact clustering than some typical clustering algorithms. Simulated experiments show the feasibility and availability of the proposed method.