基于动态多种群的自适应混合灰狼差分进化算法

目的 解决灰狼算法初始种群生成方式导致其存在多样性差的问题。方法 结合差分算法改进灰狼算法，生成基于动态多种群策略的混合灰狼差分算法，算法采用动态多种群策略，利用3种差分算法变异策略，增强初始种群解的多样性，并将其作为灰狼算法的初始种群，采用局部搜索策略增强算法的探索能力，最后采用改进的种群大小线性递减策略来降低算法的时间复杂度，提高算法的收敛速度。结果与结论对CEC2014测试集4类15个基准测试函数进行仿真实验，并与经典DE,GWO及其变体算法进行比较，验证了所提出算法的有效性，最后应用该算法求解经典工程领域焊接梁设计优化问题，证明了所提出算法的优越性。     

改进的LS-DRMTCMA算法

针对TD-SCDMA系统的帧结构的特征，将Z．Rong（1996）提出的LS-DRMTCMA算法改进，提出了LMS-DRMTCMA算法．这种算法相对于LS-DRMTCMA算法大大降低了基站处理的运算量，并且提高了算法的实用性，仿真实验表明，该算法比原算法具有更低的误码牢．     

自适应回波抵消器的算法分析与比较

在简单介绍回波产生背景及回波抵消器的基本原理后，详细阐述了当前普遍采用的各种自适应回波算法，并比较了各算法的性能，指出了各算法的适用场合．LMS算法是所有算法的基础，NLMS算法是对其的归一化，改进RLS算法则针对多重回波而言，变步长的LMS算法及MVS算法主要是对LMS算法的步长值由固定突破为因输入信号或误差信号而可调节的函数．     

混合粒子群算法在地震波阻抗反演中的应用

为提高地震波阻抗反演的精度，提出了一种结合了混沌和遗传思想的混合粒子群算法。算法在搜索初期，加入了混沌思想，使算法具有了遍历性。在粒子更新过程中，又加入了选择、交叉、变异思想，增强了粒子之间的联系和粒子的多样性，使算法收敛速度更快，更容易跳出局部极值。针对模型对该算法进行了测试与对比，测试结果表明，该算法在反演精度上明显优于传统粒子群算法; 对算法的抗噪性进行了分析，在模型中加入15%噪声时，虽有一定误差，但符合度依然较好，表明本算法具有一定的抗噪声能力; 最后将算法用于实际地震资料，得到了良好的效果，表明本算法具有一定的实用价值。     

一种新的优化算法──进化-模拟退火算法(ESA)

进化界法与模拟退火算法是模仿自然现象的两大随机算法，本文将进化算法中的群体思想和竞争选择机制引入到模拟退火算法之中以指导搜索过程，的退出了进化一模拟退火算法，其仿真结果表明，对于较简单的问题，进化一模拟退火的性能与模拟退火算法一样好，但对于较复杂的问题，进化一模拟退火算法明显优于模拟退火算法。     

一种改进的粒子群优化算法

针对粒子群优化算法中粒子容易聚集和收敛速度慢，提出一种改进的粒子群优化算法。该算法同时考虑到粒子进化的成功率和多样性程度对算法寻优性能的影响，当粒子集聚程度较高时，增大惯性权值，提高算法的全局搜索能力。为平衡算法全局和局部寻优能力，当进化速度较快时，提高算法局部搜索能力，以免错过较好的位置。在速度更新中，引入较差粒子，避免算法再次去搜索这些较差的位置，降低算法的搜索效率。将该算法用于优化6个经典测试函数，实验表明：该算法不仅可以平衡局部和全局的搜索能力，而且可以提高算法的搜索效率和精度。
     

BP网络计算机优化的实现

反向传播算法(B-P算法)，是数据挖掘算法中最基本的算法之一。面对大量的数据，怎样选择数据结构，怎样优化参数的设置，怎样优化处理过程，对于此算法的性能将会十分重要。本文主要提出了对该算法的若干改进和优化。实验显示，这些改进和优化都能够在整体上提高算法的效率，能够正确、有效、快速地实现B-P算法。     

改进的模拟退火算法及其在正交偶极子各向异性反演中的应用

正交偶极子各向异性反演中一般采用快速模拟退火算法(VFSA)。为了提高VFSA算法的分辨率，提出了一种改进的VFSA算法，此算法需结合局部优化算法，即在VFSA算法的每一循环中随机产生3个点，然后运用单纯形算法进行局部寻优，所得最优解作为下一循环的初始点继续下一循环。使用改进的VFSA算法处理了大庆某井的正交偶极子声波测井数据，并将该算法与传统的VFSA算法的处理结果进行了比较。结果表明，改进的VFSA算法比传统的VFSA算法具有更好的收敛特性。若合理地选择计算参数，则改进的VFSA算法的速度下降并不明显。     

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。     

蚁群算法在排课问题中的应用研究

首先对蚁群算法和排课问题进行了简要概述，同时针对基本蚁群算法在解决排课问题中存在的弊端，提出了一种新的改进型蚁群算法——优劣蚁群算法，并对该算法的优越性进行了阐述。最后通过真实的排课数据对该算法与基本蚁群算法及其相应的改进算法的性能分析比较，应用该算法排课系统运行效率得到了提高，冲突现象明显减少，大大提高了教务管理人员的工作效率。     

改进的非常快速模拟退火算法

在研究模拟退火机理分析的基础上，提出了一种改进的算法（MVFSA算法）的具体方案，目的是为了改进原算法（VFSA算法）中存在的缺陷，以提高算法的效率．在模型试验中，对改进后的算法与原算法的过程和结果进行了一系列的比较，发现改进后算法不仅保持了原算法全局寻优的优点，而且提高了算法的稳健性和效率．这就为模拟退火算法在更多方面的实际应用打下了良好的基础．     

BP 算法的可视化研究与 BP 智能算法

本文利用算法的可视化技术，从ＢＰ算法的基本原理出发，分析、研究了梯度、共轭自适应算法的长与短，提出了共轭梯度自适应算法的设想，并在此基础上，利用模拟退火算法思路，构制了ＢＰ智能算法。最后对实际资料进行了多种算法的对比试算，证实了共轭梯度法和ＢＰ智能算法与原算法相比，提高了速度，增强了算法对不同对象的自适应性和智能性。     

珊瑚礁算法的改进研究

珊瑚礁算法易于陷入局部最优且寻优精度低，因此提出一种改进的珊瑚礁算法.此算法借鉴粒子群算法、高斯变异和模拟退火算法的思想改进珊瑚礁算法的内部有性繁殖、无性繁殖和更替机制，提高了算法的寻优精度并可跳出局部最优.在仿真实验中，将改进珊瑚礁算法与基本珊瑚礁算法和粒子群算法等10种算法分别在高维和低维测试函数下进行比较.实验结果表明，改进的珊瑚礁算法不仅较其他算法具有更好的收敛速度和精度，而且在高维测试函数中，仍然可以保持良好的性能.     

改进的堆排序算法及其复杂度分析

给出了传统堆排序算法的改进算法，该算法降低了原算法的复杂度，在元素个数较大时，能较明显地提高算法的效率。     

一种有效的MIMD并行DFP算法

该文从串行ＤＦＰ算法出发，通过对算法的仔细研究与分析，提出了一种适合于消息传递型ＭＩＭＤ并行机的块并行ＤＦＰ算法。该算法与已有文献中相应的ＳＩＭＤ算法相比，其并行度大大提高，效率比相应的ＳＩＭＤ算法高，算法的理论分析证明该文中的并行ＤＦＰ算法，当ｎ→∞时，极限效率趋于１。     

一种改进的模糊类聚 Kohonen 网学习算法

描述了一类模糊类聚Ｋｏｈｏｎｅｎ网络，对以往的算法加以改进，将监督算法与非监督算法加以合并，提出一种改进的算法。这种算法在计算机上模拟实现，并与通常算法加以比较，可看到识别效果得到明显的改善。     

基于免疫粒子群优化的模糊C均值聚类算法

把免疫系统的免疫信息处理机制引入到粒子群优化（PSO）算法中，并与模糊C均值（FCM）算法相结合提出一种新的模糊聚类算法．新算法用免疫粒子群优化算法代替FCM算法的基于梯度下降的迭代过程，使算法具有较强的全局搜索能力，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．采用对当基思想初始化种群，获得更优的初始候选解，提高算法聚类过程中的收敛速度．以UCI机器学习数据库中的两组数据集为研究对象，实验结果表明，该算法优于基于PSO的模糊C均值聚类算法和FCM算法．     

求解非线性最优化问题的Newton算法研究

本文概述了非线性规划中Newton算法的基本原理和发展，阐述了Newton算法与其他算法的混合算法，并探讨了Newton算法的超线性收敛性，从而进一步阐明了此算法的研究方向。     

基于Apriori优化算法的IDS模型研究

Apfiofi算法是数据挖掘技术中关联规则的经典算法，为了解决在入侵检测系统中使用Apfiofi算法进行模式匹配的低效率问题，提出了针对Apfiofi算法的优化，提出一种基于基于事务压缩和项目压缩的优化算法，该优化算法比Apriori算法具有明显的效率，提高了模式匹配的精度．     

基于遗传算法的波分复用环网业务疏导

通过把波分复用环网中的业务疏导问题归结为组合优化问题，提出了一种基于遗传算法的业务疏导算法，该算法可用于单向环网或双向环网，并适用于任何类型的业务需求，数值结果表明，该算法的性能优于贪婪算法，总体和模拟退火算法相当，甚至在某些方向还优于模拟退火算法。