电子表格在动态规划算法中的应用

分析了动态规划算法的解算特点和要求,结合电子表格软件特点,讨论使用Excel软件求解动态规划算法问题,建立解算过程,并深入分析解算表格的设计问题和函数使用方法,以实现使用计算机辅助工具,准确有效方便地解算动态规划问题的目的．     

利用半无限规划的离散化方法求解半定规划问题

【目的】对半定规划的强对偶定理以及求解半定规划近似解的算法进行讨论。【方法】利用求解半无限规划的近似解的离散化思想,及线性规划的强对偶定理。【结果】得到了半定规划强对偶定理一种新的证明方法以及求解半定规划近似解的离散化算法,给出了该算法的数值实验结果。【结论】为半定规划问题提供了一种新的近似求解算法。
     

利用半无限规划的离散化方法求解半定规划问题

【目的】对半定规划的强对偶定理以及求解半定规划近似解的算法进行讨论。【方法】利用求解半无限规划的近似解的离散化思想,及线性规划的强对偶定理。【结果】得到了半定规划强对偶定理一种新的证明方法以及求解半定规划近似解的离散化算法,给出了该算法的数值实验结果。【结论】为半定规划问题提供了一种新的近似求解算法。     

凸整数规划问题的混合蚁群算法

混合蚁群算法是基于群体的一类仿生算法, 适合于解困难的组合最优化问题. 本文对其做适当改进, 用于解凸整数规划问题. 结果表明: 用该算法求目标函数为正定二次型的整数规划问题的最小值, 找到的解比多起始点局部搜索方法好得多, 比原来的混合蚁群算法找到更好的解     

基于粒子群-蚁群融合算法的移动机器人路径优化规划

基于TSP问题,提出了一种基于粒子群-蚁群算法相互融合的综合优化算法对移动机器人路径规划问题进行研究。通过粒子群算法对全局路径实施粗略搜索,获得部分次优解,在获得次优解的路径上进行信息素分布,再采用蚁群算法进行精确搜索,得到路径规划的最优解。实验结果表明:粒子群-蚁群融合优化算法在路径寻优上优于蚁群算法及粒子群算法。     

解多项式双层规划最优解的参数化方法

给出解多项式双层规划最优解的参数化算法.以上层变量为参数,对双层规划下层利用参数化方法求解;得到合理反应集代入上层,使双层问题转化为多项式规划求解.证明了算法的收敛性,数值例子表明算法是可行的.     

解整数规划问题的新方法——三步法

本文就整数规划问题提出了一个逐步求解方法——三步法,此法可根据问题的规模和需要求得最优整数解或近似最优整数解。分析与上机运算结果表明,在解大规模整数规划问题的收敛速度方面,本算法明显优于已有的整数规划算法。     

基于进化规划算法的图像聚类研究

将进化规划算法应用于图像聚类问题,对问题的解进行符号编码,采用群体智能模式实现问题解的搜索.利用进化规划算法的变异算子和选择算子可以有效提高算法的全局搜索能力,采用高斯变异算子保证了优秀解的多样性,降低了进化操作的复杂性.仿真实验证明基于进化规划算法的图像聚类算法具有可行性和准确性.     

基于改进人工鱼群算法的机器人路径规划

为改进人工鱼群算法在路径规划中的寻优作用,利用改进视觉范围和拥挤度因子函数,提高鱼群算法在机器人路径规划中的寻优工作。在传统鱼群算法中,视觉范围是恒定不变的。视觉范围决定寻优的全局和局部工作,拥挤度因子对算法收敛性具有影响。同时,在传统鱼群算法中,每次都选取最优解来执行,在栅格环境中往往会导致全局最优和局部最优互扰,导致路径规划不合理,为此,利用改进视觉范围拥挤度因子,同时记录可行解,当存在鱼群找到目标点时,就记录下找到目标点的鱼群轨迹,形成路径规划的可行解,在可行解中,选取路径最短为最优,保证路径的规划的合理性。与传统鱼群算法对比,证实研究算法在路径规划中具有更好的寻优工作,通过MATLAB仿真实验,验证了算法的有效性和稳定性。     

求解二次双层规划问题的全局最优解

针对现有的一些逼近算法在计算过程中有时得到的解为不可行解, 甚至远离真正全局最优解的问题, 给出一种解二次双层规划非孤立全局最优解的算法. 数值实例结果表明, 该算法行之有效.     

课程表问题的一种混合型模拟退火算法

提出了课程表问题的一种基于概率型启发式算法（HA）的混合型模拟退火算法。其中，概率型的启发式算法采用了复杂度高者优先，循环首次适应算法，贪婪法，回溯法和松弛法等多种方法，该算法所排出的课表可作为模拟退火算法的初始解。模拟退火可对概率型启发式算法的排课结果做进一步优化，克服了启发式算法不具有全局收敛性的缺点。所以，混合型模拟退火算法具有启发式算法充分利用领域知识，计算量小，优化快速和模拟退火的全局收敛性，数值实验也证明了它的有效性和可行性。     

基于遗传算法的BP网络全局收敛的混合智能学习算法

给出了一种将 BP算法和遗传算法有机结合的全局收敛的混合计算智能学习算法。此算法结合了 BP算法和遗传算法的长处 ,既有较快的收敛性 ,又具备良好的全局收敛特性。计算机仿真结果表明 ,该混合算法显著优于遗传算法和 BP算法     

基于扇形趋利果蝇优化算法改进的FS-K聚类算法

针对果蝇算法对高维函数收敛精度低的缺点,提出了一种改进的基于扇形搜索的果蝇算法(Fan search-Fruit Fly Optimization Algorithm,FS-FOA),该算法在原果蝇FOA算法的基础上改进了果蝇群体的搜索路径,并赋予果蝇个体趋利性,使更多的果蝇个体朝着味道浓度更大的方向前进,使果蝇群体的搜索方向有更多的选择性,增加果蝇算法在处理高维函数问题上的收敛速度和收敛精度;并将改进的FS-FOA算法与K-means聚类相结合,提出一种FS-K聚类算法,与原K-means聚类和原果蝇(FOA)算法进行对比实验,引入5个经典的测试函数对原FOA算法和FS-FOA算法寻优结果进行测试,结果表明采用FS-FOA算法具有更高的收敛精度;引入5个UCI公共数据集对改进FS-K聚类算法和原K-means算法、SOM聚类算法、FCM聚类算法进行测试,结果表明FS-K聚类算法具有更好的聚类效果。     

一种从自由飞行实验中提取空气动力系数的新方法

该文提出从飞行体自由飞行试验中提取空气动力系数的新方法－－Ｍａｒｑｕａｒｄｔ改进法。Ｍａｒｑｕａｒｄｔ法综合了Ｃｈａｐｍａｎｎ－Ｋｉｒｋ渚最速下降法的优点而避开了它们的缺点，是一种比较好的数据处理方法。Ｍａｎｑｕａｒｄｔ改进法既继承了Ｍａｒｑｕａｒｄｔ法的优点，又大大地减少了计算工作量，是一种收敛快的迭代算法，最后，给出了在靶道实验数据处理中的计算实例。     

基于改进自适应遗传算法的仿真研究

交叉概率Pc和变异概率Pm是遗传算法中重要的参数,自适应遗传算法中Pc和Pm能根据个体适应度差异自适应地调节其大小,在快速收敛和全局最优之间获得了较好的平衡,但自适应遗传算法对于进化初期不利.改进的自适应遗传算法避免了进化初期较优个体处于停滞不前的状态.分别用3种算法对典型的测试函数进行训练,仿真结果表明:改进的自适应遗传算法在收敛速度和寻最优解方面是最优的.     

网格移动的无线移动传感器网络部署算法

针对目前无线移动传感器网络中部署算法过于复杂的问题,提出了一种新的基于网格移动的无线移动传感器网络部署算法.降低了常见无线移动传感器网络部署算法的时间复杂度,提高了任务区域的节点覆盖度,减少了覆盖漏洞,适用于无线移动传感器网络的应用.文中论述了该算法的构架,执行过程,并对该算法进行了仿真分析.仿真结果表明,该算法在有效降低算法复杂度的情况下满足了网络部署中关于覆盖率的要求.     

基于学习与竞争的改进PSO算法研究

针对普通PSO算法收敛速率慢,难以收敛到全局最优解的问题,提出了一种基于学习与竞争的改进PSO算法.该算法通过将种群内部学习和竞争的思想与PSO算法相结合,让种群中个体通过竞争和学习策略来替代原有的PSO算法迭代公式.该方法在不增加PSO算法计算复杂度的基础上,能够克服基本PSO算法的不足.最后基于动态系统的稳定性分析理论,给出了该PSO算法收敛性的证明.在7种不同的测试函数上对改进后的算法进行了实验测试.实验结果表明该改进算法比传统的PSO算法有着更好的搜索精度.结果证明,新算法比普通的PSO算法具有更高的搜索精度和较低的时间复杂度.改进算法求解函数优化问题更加有效,收敛速率更快.     

用混合遗传算法求解物流配送路径优化问题

为了改善物流配送路径优化问题的运算质量,提出一种将遗传算法和模拟退火算法相结合的混合遗传算法。通过仿真 实例验证,证明混合遗传算法的解优于单纯使用遗传算法和模拟退火算法所得到的解,同时混合遗传算法与传统优化算法相 比收敛速度更快,分配结果更优良,具有很好的应用价值。     

一种全局优化的两阶段算法

为了提高算法的有效性,利用梯度算法和粒子群算法独立的运行机制,采用驱赶技术和重新初始化部分群体的技术,提出了一种基于梯度下降法和粒子群算法的两阶段优化算法,并对新算法进行了理论分析和数值仿真.数值结果显示新算法比单纯梯度算法有更好的全局优化能力,比单纯粒子群算法有更快的收敛速度和更高的精度.新算法求解质量更高,运行更稳定.     

基于图的挖掘关联规则改进算法

关联知识挖掘算法中一种广为人知的算法就是Aprior算法,之后所有关联规则挖掘算法的基本思想都是基于频繁项目集发现算法的基础上进行了改进.为了提高关联规则挖掘效率,首先回顾了基于图的关联规则挖掘算法;然后,在此基础上进行了改进,把关联规则挖掘中寻找频繁项集的问题转换为图中寻找完全子图的问题,通过在图中查找完全子图来寻找频繁项集.提出了一种基于图的关联规则挖掘改进算法,并且对原算法和改进的算法从时间和空间的性能进行了比较分析,得出改进的算法是有效可行的.最后从实验结果得出结论GenerateItemsets算法比DGBFIG算法优.