一种自适应蚁群算法及其仿真研究

蚁群算法是一种新型的进化算法，蚁群算法与其它进化算法同样存在易于限于局部最小点等缺陷。本文提出一种自适应的蚁群算法以克服上述缺陷。通过自适应地改变算法的挥发度等系数，本文中的算法可以在保证收敛速度的条件下提高解的全局性，通过对TSP问题的仿真证明本文中的算法相对与原始的蚁群算法收敛速度和解的性能都有一定的提高。     

最高位优先基数排序的一种实现方法

给出了最高位优先基数排序算法的一种实现算法,与其它的实现方法相比,该方法易于扩展为异步并行基数排序算法     

用模拟退火差异进化算法进行匹配场反演

分析了模拟退火算法与差异进化算法单独应用于匹配场反演时的局限性，构造一种结合两种算法优点的混合算法。模拟退火算法对差异进化算法的种群进行扰动，保留了差异进化算法的并行特性；在差异进化算法中引入模拟退火算法的重要性抽样思想，增强其逃离局部最优的能力，差异进化算法对目标函数梯度信息的利用仍然保留。仿真研究表明，混合算法在寻优时间与效率上达到了较好的平衡。     

基于分布式免疫进化算法的函数优化

针对遗传算法在寻优过程和多峰值函数求解中出现的“早熟”问题以及免疫算法收敛速度较慢问题,将免疫算法和进化算法进行优势融合,并结合改进的进化算法的并行模型,提出一种新的算法--分布式免疫进化算法（distributed immune evolutionary algorithm,DIEA）。新算法主要包括记忆种群进化模块和子种群进化模块两个部分,子种群的主要功能是找出各个区间的局部最优解;主种群主要是进行全局搜索,寻找全局最优解。仿真实验表明,该算法具有很高的全局寻优能力和很快的收敛速度,适合求解复杂多峰函数优化问题。     

基于改进搜索策略的混合蜂群算法

针对人工蜂群算法搜索效率低、易陷入局部最优和精度低等缺点,提出混合蜂群（hybrid bee colony, HBC)算法。将人工蜂群（artificial bee colony, ABC）算法局部收敛性与模拟退火（simulated annealing, SA）算法全局收敛性结合,为ABC算法提供了一种新机制。根据SA算法中Metropolis接受准则, 通过调整温度依概率确定全局最优解的替代值,并利用全局最优解的替代值和个体极值来改进ABC算法的引领蜂搜索模式。其次,改进侦察蜂搜索方式,根据迭代次数非线性减小侦察蜂搜索范围和以一定概率反向搜索更新方式,能够有效地提高算法的全局搜索能力,并加快算法的后期收敛速度。通过对8个复杂函数仿真测试,结果表明,HBC算法在搜索性能和精度方面均有明显提高。     

四种改进免疫算法及其比较

免疫算法是模拟生物免疫系统功能的一种智能优化算法，具有解决复杂工程问题的潜力。然而．免疫算法存在两个严重的缺陷：容易陷入局部最优平衡态．进化后期搜索停滞不前。通过在免疫机理、优化机制、结构和行为等方面进行深入分析和巧妙改进，提出了多种群免疫算法、双倍体免疫算法、自适应免疫算法和多种群双倍体自适应免疫算法四种新的免疫算法。对20个典型组合优化Job—Shop Benchmark问题进行了仿真试验，仿真结果表明提出的四种新免疫算法均优于一般免疫算法，不仅有很好的全局收敛性，而且稳定高效。     

改进QDPSO算法在BP网络训练中的应用

QDPSO（Quantum Delta-Potential-Well-based Particle Swarm Optimization）算法是基于量子空间的粒子群算法，对QDPSO算法进行了改进，结合Iris分类问题，应用到BP网络的权值优化中，并和基于标准PSO算法的方法进行了比较。实验结果表明：该算法性能优于所比较的两种算法，并且具有良好的收敛性和稳定性。     

混合遗传-模拟退火算法在公交智能调度中的应用

公交行车调度是公交企业运营的核心内容，关系到公交企业的经济效益与社会效益。兼顾企业与乘客的利益建立了公交车辆行车计划模型，将遗传算法与模拟退火算法相结合组成混合遗传．模拟退火（GA-SA）算法，并对公交行车调度进行优化。实例仿真计算表明该算法具有比标准遗传算法更好的效率，是优化公交调度问题的一个有效途径。     

极度并行计算：演化算法和演化神经网络的研究发展

演化算法，神经网络以及两者的结合作为一种极度并行的计算，已引起人们极大的注意，本文首先对演化算法的不同流派作了比较和分析，然后对演化算法与神经网络的结构作了回顾与展望，并讨论了演经神经网络的并行实现模式，最后指出了演化算法及演化神经网络有待解决的几个关键问题，为后续研究指明了方向。     

求解TSP问题的最近邻域与插入混合算法

研究了求解旅行商问题(TSP)的构建型启发式算法中的最近邻域算法和插入算法的特点, 集最近邻域算法求解速度快、插入算法求解质量高的优点, 提出了一种最近邻域与插入混合算法. 分析了混合算法的合理性、复杂度及参数取值, 并分别采用以上三种算法求解了TSPLIB标准库中多个算例, 结果表明混合算法的求解速度接近最近邻域算法, 对城市数量小于1000的小规模TSP问题的求解质量与插入算法相当, 而对大规模TSP问题的求解质量明显优于插入算法.     

全局收敛的投影单纯形方法

对于线性约束、非线性目标的优化问题，文献［１］的作者以极小化条件代替求正交投影的一组正交条件，并用一个特殊的线性规划模型来确定迭代方向，由此给出了一个算法。但文献［１］没有讨论算法的收敛性，且一般说来，这种算法不具备收敛性质［５］。本文沿用［１］的迭代方向ｄ（ｘ）的表示形式，给出了一个新的算法，讨论了算法性质，证明了算法具有全局收敛性.     

目标点动态变化的最优路径算法

研究目标点动态变化的最优路径算法,提出了一种改进的启发式最优路径算法,并采用实际路网数据进行了数据仿真实验,结果表明:提出的方法能较好的解决最优路径算法的实时性和精确性之间的平衡,具有较大的应用价值.     

一种改进的QR分解VBLAST解码算法

基于传统的QR分解算法,将最大似然算法应用到QR分解算法中,提出了一种改进的VBLAST解码算法,称为MLQR算法.该算法主要克服QR算法最先检测层性能差的缺点,将最大似然法应用到QR算法中,以最大限度地提高最先检测的两层信号的性能,然后回代到QR算法中检测余下层信号.仿真结果表明,提出的MLQR算法比QR算法和迫零算法在误码性能上要好,特别是在高信噪比下性能得到明显改善.     

一种改进的萤火虫算法及在洗出优化中的应用

为提高萤火虫算法精度,解决该算法迭代步长固定易陷入局部最优等问题,提出一种改进的萤火虫算法—极值优化萤火虫算法(Extremal Optimization Firefly Algorithm,EOFA).EOFA是将极值动力学算法强大的局部搜索能力与萤火虫算法的强搜索性相结合,采用倒S型函数的迭代步长,提高萤火虫算法的...     

弹性光网络中路由与频谱分配算法综述

弹性光网络(elastic optical networks, EONs)作为下一代极具潜力的光网络近年来受到广泛关注,其中路由与频谱分配(routing and spectrum allocation, RSA)是实现网络设计和控制的核心技术之一。本文系统分析了EONs的概念内涵,对RSA这一关键问题进行了详细描述,从静态和动态角度出发,以不同特性的算法框架为基础,依照精确算法、智能优化算法、启发式算法以及学习型算法4个大类对RSA算法的国内外研究现状进行了总结剖析。结合EONs的未来应用需求,阐述了该领域所面临的问题与挑战,展望了RSA算法的发展趋势。     

混合混沌量子进化算法

针对量子进化算法计算量大、收敛速度慢以及容易出现早熟等问题, 提出混合混沌量子进化算法. 该算法采用混沌 初始化方法产生初始种群, 使种群具有较好的多样性;采用简单量子旋转门更新当前种群中的非最优个体, 降低算法的计算量; 提出混合混沌搜索策略以提高算法的收敛速度和全局搜索能力. 大量的测试表明, 与量子进化算法、实数编码量子进化算法和 混合量子遗传算法相比, 所提出的算法具有较快的收敛速度和较好的寻优能力. 大量的测试也表明, 若将混沌引入量子进化算法, 则混合混沌搜索策略的综合性能明显优于载波混沌策略, 在大多数情况下优于混沌变异策略. 本文提出的算法是惟一的每次测试 都收敛的算法, 且实现简单, 便于工程应用. 将其用于求解城市道路的交通信号配时优化问题, 实际效果令人满意.     

基于交通流量控制的二元蚁群优化模型

针对多模域上的蚁群优化,提出了一种交通流量控制策略。此策略启发于由A.Dussutour等发现的真实蚁群在高度拥挤下的交通组织行为。算法引入了“交通流量控制”策略来保持群体的多样性,对于每段路径都引入相应的流量阈值。算法被应用于几个典型多模函数优化中并与二元蚁群优化、二元菁英蚁群优化和二元蚁群系统算法进行比较。实验结果证明基于交通流量控制的二元蚁群优化算法能够在多模域中获得稳定的全局和局部峰值集,拥有远优于上述算法的多模搜索能力。     

BP改进算法研究及一种系统控制训练算法

为了实际应用的目的,本文对一些ＢＰ改进算法进行了研究,发现了了这些改进算法的优缺点及应用范围,并提出了系统控制训练算法,实验证表明该算法具有收敛性、能保证练正常进行,应用方便等显著优点。     

受顶点数限制的最短路问题及其算法

本文提出了若干受顶点数限制的最短路问题。引入非支配路的概念，用双标号和取字典序最小方法，给出求解问题的多项式算法。     

基于算法与模型参数优选的智能DISOPE方法

本文给出了ＤＩＳＯＰＥ算法收敛速度指标的定义,提出了基于算法与模型参数优选的智能ＤＩＳＯＰＥ方法,有效地改善了ＤＩＳＯＰＥ方法的收敛性能和实用性。仿真表明了该方法的可靠性和有效性。