蚁群算法与免疫算法的混合算法

蚁群算法是近些年来启发式算法研究的一个热点,在求解复杂组合优化问题上具有强大的优势.作为一种全局搜索的方法,它具有正反馈性、并行性、分布性、自组织性等特点.但是,蚁群算法也存在一些不足之处:例如,算法需要较长的搜索时间、容易出现早熟、停滞现象.针对上述不足,在深入研究蚁群算法的同时,又对免疫算法进行了一定的研究和分析后,针对蚁群算法中的个体蚂蚁缺乏识别问题特征信息的能力,将免疫算法中疫苗的思想引入到蚁群算法中,提出了蚁群算法与免疫算法的混合算法.将问题的特征信息作为疫苗注射给蚂蚁,使蚂蚁具有"免疫"的能力,旨在借鉴其他仿生算法的长处,利用其优点弥补蚁群算法的不足,从而提高蚁群算法的求解性能.     

基于自适应蚁群算法的分布式分类规则挖掘算法

基于分布式数据挖掘技术,提出了一种基于自适应蚁群算法的分布式分类规则算法。该算法采用了不同的启发式函数及信息素改变方法,引入了自适应机制与变异策略,从而达到缩短蚁群算法计算时间、加快算法收敛速度、提高预测准确率的目的。实验结果验证了该算法的有效性。     

一种改进的求解多目标优化问题的进化算法

针对多目标优化问题,传统进化算法维护种群多样性的方法主要依赖于共享函数,但其小生境半径难以进行有效地设置。该文提出一种改进的求解多目标优化问题的进化算法,新算法引入了近邻函数准则(NFC),将其用于选择过程,可以从种群中选择出较好的个体,并确保种群的多样性。此外,新算法中融入了一种基于近邻函数准则的Pareto候选集的维护方法,利用这种方法可以有效地维护候选解集中个体的多样性。对所提出的算法,从时间和空间复杂度进行了理论分析。对一组典型优化问题的测试表明:该文提出的算法具有较高的搜索性能,解集分布的多样性与收敛性均较理想。     

基于定性数据定量化变换改进熵值法及其应用

主要讨论陶瓷艺术价格与5个影响因素的综合指标的排序关系。利用传统熵值法在不同样本数作为参考样本所得22个样本的综合指数与各样本价格的排序只有10%的一致性,而通过本文提出的改进熵值法,得到样本综合指数排序与样本价格的排序是100%的一致性;排序的一致性充分说明了改进熵值法能够很好地评价定价区间的可靠性。另外利用多样本和少样本作为参考定量数据,采用改进熵值法对2个预测样本的综合指数排序与它价格排序一致性有所不同,当选取162样本作为参考样本定量时,得到2个预测样本的综合指数排序与它价格排序一致性仍然相同;当选取22个样本作为参考样本定量时,有1个预测样本的综合指数排序与价格排序有些偏差,说明选取样本比较小容易造成预测样本价格偏估。实例说明,本文建立的改进熵值法具有较好的适应性和应用价值。     

浅谈C语言的学习方法和技巧

C语言作为目前国际上广泛流行的编程语言,是目前国内众多高校的公共必修课程之一。但从国内高校的近几年教学来看,教学效果明显达不到想要的效果。许多学生课程修完后连一个小程序都难以编写。针对上述情况,在简要介绍C语言内容的基础上,结合笔者多年教授C语言的体会,对C语言的学习方法和编程风格提出了一些个人看法。     

基于Pareto的双群体多目标微分进化算法

针对多目标优化问题微分进化是一种简单、快速且具有鲁棒性的进化算法.提出一种基于Pareto的双群体多目标微分进化算法(DEPDP),DEPDP与传统微分进化区别在于:个体的变异操作和选择方式.DEPDP的变异过程类似于粒子群优化的粒子速度更新操作,即包括可行解个体,也有不可行解个体的参与;在个体的选择过程中,组合修正后的不可行解介体和可行解个体,并采用—种特殊的“非劣排序和等级选择过程”确定出新一代种群.仿真实验表明:相比其他比较算法,DEPDP获得的Pareto最优解有着良好的多样性均匀分布特点,接近真实的Pareto前沿,收敛性也较好.     

一种求解置换流水车间调度问题的多策略粒子群优化

为了提高粒子群优化方法解决组合优化问题的效率,该文基于多种组合优化策略,提出一种求解置换流水车间调度问题的多策略粒子群优化方法。该方法基于万有引力值划分的子区间,按信息熵方式度量粒子群体的多样性。同时在蚂蚁路径选择的基础上,综合考虑粒子间距离和惯性质量择优选出全局最优粒子。此外,一种新颖的集合变异方式被用于引导粒子群体跳出局部最优解区域,增强粒子群体的全局搜索能力。测试问题的仿真结果表明,所提出方法能加快最优解的收敛速度和搜索性能,可有效应用于置换流水车间调度问题的求解。     

一种基于Pareto关联度支配的多目标粒子群优化算法

为提高多目标优化算法的收敛性和多样性,提出一种基于Pareto关联度支配的多目标粒子群优化算法(MOPSO-PCD)。该算法在严格遵守传统Pareto支配规则基础上,将灰色关联分析方法融入非劣支配解的进化过程,设计了一种新颖的Pareto关联度支配规则。该支配规则作用于全局最优粒子的选择过程,具有关联度最大的全局最优粒子将引领粒子群体向着真实Pareto前沿不断逼近。同时,将该支配规则应用于外部档案中非劣支配解的维护过程,可减少或避免最终解集多样性的损失,从而维护好外部档案中非劣解的分布过程。仿真实验表明,与被比较算法在ZDT和DTLZ等系列测试函数相比,MOPSO-PCD能够获得更好的Pareto最优前沿分布特性和较快的收敛效率。     

粒子群优化算法收敛性分析

对粒子群优化算法的收敛性进行了分析，给出了收敛条件，数值试验计算验证了收敛性分析结果。讨论了粒子群优化算法参数选取的基本原则。