新型混沌优化方法的研究及应用

为了克服现有混沌优化方法在大空间，多变量问题中的不足，提出了一种新型的混沌优化方法，该方法利用了一类在有限区域范围内折叠次数无限的一维迭代混沌自映射进行混沌搜索，比一般的有限折叠次数代混沌自映射具有更好的混沌特性，因此，选取优化变量的搜索空间，并不断提高搜索精度，构造新型的混沌优化方法，实验算例和仿真结果表明，新型混沌优化方法具有较高的搜索效率与搜索精度，是解决优化问题的一种有效方法。  

集成化物流中的定位运输路线安排问题(LRP)优化算法评述

总结定位 运输路线安排问题(Location RoutingProblem,LRP)的发展历程,重点评述LRP优化算法的研究进展,并对比分析了常用的两类求解LRP问题的方法精确算法和启发式算法·并对LRP中的定位配给、运输车辆路线安排、定位 运输路线安排三类问题的具体优化方法进行了分析、比较,指出在求解LRP问题时应综合利用各种技术的优势,建立一种新的搜索方法,实现准确、高效的搜索,改进遗传算法用于求解LRP问题是解决这类NP hard问题的一条途径·  

二进制改进粒子群算法在背包问题中的应用

提出了用于求解0 1背包问题的二进制编码的粒子群算法,阐明了该算法求解背包问题的具体实现过程.为了提高粒子群算法的收敛速度,在传统的二进制编码的粒子群算法中嵌入了记忆功能.通过对其他文献中仿真实例的计算和结果比较,表明该算法在寻优能力、计算速度和稳定性方面都超过了文献中提到的遗传算法和模拟退火算法.提出的求解背包问题的二进制改进粒子群算法,同样可以应用于其他离散优化问题.  

基于粒子群优化算法的模糊C-均值聚类

利用粒子群优化（PSO）算法全局寻优、 快速收敛的特点, 结合模糊C 均值（FCM）算法提出一种新的模糊聚类算法. 新算法用PSO算法代替了FCM算法的基于梯度下降的迭代过程, 使算法具有很强的全局搜索能力, 很大程度上避免了FCM算法易陷入局部极小的缺陷； 同时也降低了FCM算法对初始值的敏感度. 实验结果表明, 与FCM相比本文算法聚类更为准确, 效率更高.  

基于改进多粒子群算法的电力系统无功优化

将改进的多粒子群算法应用于电力系统无功优化问题的求解，克服了传统粒子群算法收敛精度不高、易陷入局部最优的缺点．该优化方法对原粒子群算法进行了如下改进：通过增强粒子群间的协同作用、引入惯性因子以及扰动的策略，来平衡集中强化搜索和分散多样化搜索过程．对IEEE6节点和IEEE30节点系统分别进行无功优化计算，并与传统粒子群算法进行了比较，结果表明，该算法求得的有功损耗较原状态降低了近1／5，且电压合格率为100％，具有较强的全局搜索能力和较高的收敛精度，是求解无功优化的有效方法．  

支持向量机研究与应用

支持向量机是在统计学习理论基础上发展起来的一种新的机器学习方法，同时也是到目前为止统计学习理论最成功的实现。支持向量机在模式识别、回归估计、函数逼近等领域有了广泛的应用。论述了支持向量机的研究、应用状况，指出了支持向量机研究和应用中待解决的一些问题和今后进一步的研究方向。  

加速混沌变尺度混合优化算法

提出了一种加速混沌变尺优化算法（SCOA－DFP）。首先利用加速混沌算法（SCOA）找到一点比较满意的“初始最优点”。丙以此点为初始值使用变尺度方法（DFP）进行迭代，两种方法交替进行。算法简单明子，性能良好。数值实验表明算法实用有效。  

基于神经网络的空调负荷混沌优化预测

从空调负荷预测的目的出发，详细介绍了一种基于神经网络的混沌优化方法，对误差函数及搜索方法作了适当的改进，建立了一个混沌神经网络模型。并用此改进的模型对一实例进行了空调负荷预测，结果表明该方法简便、足够准确可靠。  

共轭梯度神经网络的研究

针对ＢＰ人工神经网络存在的两个缺点：（１）局部收敛问题不能很好解决；（２）收敛速度慢，提出应用改进共轭梯度算法建立人工神经网络，以获得共轭梯度网络的全局收敛特性和快收敛速度。计算机仿真结果表明：改进巫轭梯度网络优于ＢＰ网络。  

基于网格法的遗传算法及其应用

在基本的遗传算法（SGA）中，初始群体是随机产生的。为了增加个体的遍历性和多样性提出一种用网格法来产生遗传算法的初始群休整体，并对网格法的遗传算法的优化效率进行了定量的评价。同时与基本的遗传和算法一起应用在DeJong的测试函数F1上便于进行对比。评价结果和实验结果表明网格法在提高遗传算法的优化效率上是可行的。