处理带约束的多目标优化进化算法

针对当前对求解多目标优化的遗传算法中主要考虑如何处理相互冲突的多个目标间的优化,而很少考虑对约束条件的处理的问题,提出一种求解带约束的多目标优化遗传算法,利用邻域比较与存档操作遗传算法处理多个相互冲突的目标之间的优化、利用不可行度选择操作处理约束条件和选用约束主导原理指导进化过程选择操作; 面向多目标约束优化算法,列举了2个难点典型问题进行仿真计算研究,仿真结果表明该算法能较大概率地获得多目标约束优化问题的可行Pareto最优解.  

指派问题的新算法

给出了关于指派问题的新算法：在差额最大的行或列中优先寻找最小元素．一般地说，此算法优于匈牙利法及[2]所论及的方法．  

三角分布下可追加订购的报童问题最优解

在经典报童问题中，订购是一次性的，这容易导致供货服务水平与无缺货风险贮存成本之间的矛盾。笔者研究可追加订购的报童问题，把收益作为目标函数，在追加订购数量有限制的条件下，建立了数学模型在假设需求满足三角分布下，讨论了最优解的具体求法。  

基于遗传算法的神经网络学习算法研究

为了克服神经网络结构和参数设计的随机性及依赖于人的经验的缺点,提出了一种改进的基于遗传算法的BP神经网络学习算法。该算法结合了神经网络的快速并行性和遗传算法的全局搜索性,首先利用遗传算法对神经网络结构、初始连接权和阈值以及学习率和动量因子进行全面进化设计,在解空间中定位出较好的搜索空间,然后在进化神经网络中用训练样本再次寻优。通过利用该算法对XOR问题求解,证明了该算法的有效性,其收敛速度和精度均优于基本BP算法和附加动量项的BP算法。  

关于最优解唯一的线性规划问题的讨论

本讨论了线性规划问题最优解唯一的几种情形及其判定，从而弥补和纠正了一般教材在这方面的不足。  

法向消元和线性规划强多项式算法

为了求最优集(不只是求零维的最优点),提出了行满秩线性代数方程组的法向消元解法,指出它与点和法向量组的逐次投影等价,并进一步将其发展成最小投影法,用来判定原始等式约束平面和若干坐标超平面的交的可行性;通过逐次投影在等式约束平面上建立序结构,逐维选优和判定可行性,使线性规划单纯形迭代解法所进行的Rn空间中平面组合穷举的计算变成逐次降维的等式约束平面上低维平面的形和位判定的代数计算,得到线性规划问题的低于O(mn3)的强多项式直接算法.  

求解多目标优化问题的多智能体遗传算法

目的 在求解多目标优化问题时，总是希望获得尽可能多的Pareto解，且这些解能够较均匀地分布在目标空间的Pareto边界上。方法 通过引入智能体的概念，并将多个智能体组成的多智能体系统与经典遗传算法相结合，给出了一种求解多目标优化问题的多智能体遗传算法。结果 对每个智能体在其邻域内进行局部Pareto寻优操作，而不是在整个群体中进行Pareto寻优，从而保证了群体的多样性，并在一定程度上抑制了种群的早熟现象。结论 该方法能够找到问题的分布较均匀的Pareto最优解。  

非线性约束条件下一个广义梯度投影法

运用广义梯度投影技术，提出了求解非线性约束优化问题一个可行方向法．该算法不仅免去了各种转轴运算，而且只需使用近似积极约束而不是全部约束来确定广义投影矩阵；同时给出了一个构造新的改进可行方向的简单方法．在适当假设条件下，证明了算法产生的可行点序列的所有极限点都是原问题的最优解  

多目标决策技术的分析与研究

给出了多目标决策技术的数学模型，着重探讨了将多目标转化为单目标，易于实施的若干求解方法。  

利用对合矩阵构作的Cartesian认证码

利用有限域上的对合阵构作了一个Ｃａｒｔｅｓｉａｎ认证码，计算了其容量参数，同时在编码规则被采用的概率是相同的条件下，给出了成功的模仿攻击概率ＰＩ和成功的替换攻击概率Ｐｓ。