基于查询扩展和分类的信息检索算法

文本信息检索是处理海量文本的重要手段之一，针对短查询串中出现的查全率高但查准率低的问题，引入一种基于查询扩展和分类的信息检索算法。该算法在检索的第一阶段利用自动相关反馈方法扩展用户递交的短查询串增加查询信息，在第二阶段使用文本分类技术辅助检索。分析和实验结果表明：新的算法比传统的查询扩展检索算法具有更好的查准率和查询效率。     

单纯形微粒群优化算法及其应用

将微粒群优化算法(PSO)与单纯形法(SM)相结合,提出单纯形微粒群优化算法(SPSO)。通过对5种常用测试函数进行优化和比较,结果表明SPSO比PSO和SM都更容易找到全局最优解。然后将SPSO用于催化裂化装置主分馏塔粗汽油干点软测量,建立基于SPSO的粗汽油干点神经网络软测量模型,通过与实际工业数据对比,表明该模型具有高的精度、好的性能和广阔的应用前景。     

一类复合不可微优化问题的解法及其应用

本文对一类复合不可微优化给出了一个算法模型并在较弱的条件下得到了其全局收敛性。以此为依据，我们构造了模型的几类具体特例，从而得到了实现的几类算法。利用本文算法，我们可得到注解一类不可微多目标决策问题的各种标量化方法。     

一种改进的粒子群优化算法

针对非线性优化问题讨论了一种基于迭代进程和适应值综合的自适应变异粒子群优化算法,该算法按照自适应变异方法从迭代进程上、以及从目标函数适应值上调整速度惯性因子,同时结合正态变异算子调整搜索方向。采用专用测试函数进行仿真测试分析,结果表明改进算法收敛,具有很高的搜索效率和求解精度。     

多目标模糊优化理论及其在水电系统中的应用

基于单目标最优解模糊化基础上的多目标模糊优化方法能够反映各处单目标最优解与多目标满意解之间的相互关系,较好地解决多目标优化问题。本文根据多目标模糊优化的基本原理,结合目标相对优属度概念,提出了了具有相互矛盾目标的多目标模糊优化方法,并通过示例说明了该方法在水电优化中的应用。     

铁路线路方案模糊优化模型及其应用研究

铁路线路方案优选的传统方法在各方案经济指标差异不大 ,而定性指标出现交叉、各有所长时 ,不易确定最优方案 .本文将方案优选视为多目标决策系统模糊优化问题 ,建立了系统模糊优化模型 ,并结合实例编制了相应的应用软件 .     

多目标优化与决策的混合方法及其应用

本文综合求解多目标问题有效解的线性加权和法、ε-约束法和杂交算法,提出了一种多目标优化方法——混合算法,并根据这一算法,设计了一种多目标决策方法——混合决策方法。最后讨论了混合方法在资源分配问题中的应用。     

最大熵DFP算法及其在水环境优化问题中的应用

为了提高求解约束优化问题的精度,将最大熵原理与DFP无约束优化方法相结合,将复杂的带约束的优化问题转化成无约束优化问题,建立了求解约束水环境优化问题的最大熵DFP算法(MEDFP).MEDFP算法不仅可以得到最优解,而且由收敛极小点处的Lagrange乘子可判断约束对该点的松紧程度.数值分析和在水环境优化问题中的应用结果表明,该算法精度高、收敛快、实用性强,好于模糊非线性规划方法,随机优化方法、模式搜索方法和LINGO方法,是处理带约束水环境优化问题的一种有效方法.     

基于粒子群-遗传的混合优化算法

提出了一种基于实数编码的粒子群优化和遗传算法的混合优化算法,该算法首先由粒子群优化进化一定代数后,将最优的M个粒子保留,去掉适应度较差的pop_size M个粒子。然后以这最优的M个粒子的位置值为基础,选择复制得到pop_size M个个体,并进行交叉、变异等遗传算法运算。最后将保留的M个粒子位置值与遗传算法进化得到新的pop_size M个体合并形成新的粒子种群,进行下一代进化运算。该算法在进化过程中能进行多次信息交换,使两种算法互补性得到更充分的发挥。通过5个函数优化实例与其他多种算法的对比研究,表明该算法收敛性能好,运算速度快,优化能力强。此外,还研究了最优粒子保留规模M以及粒子群优化进化较少代数规模对算法性能的影响。     

改进粒子群优化算法及其在聚类分析中应用

针对标准粒子群优化算法初期收敛速度快,后期容易陷入早熟收敛,局部寻优,全局搜索能力差等缺点,提出了一种新的鱼群-粒子群优化算法(AF-PSO)。引入拥挤因子δ和马尔可夫链,将鱼群算法加入到粒子群优化算法中,通过计算拥挤因子,来更新速度模型,使其在觅食,聚群,追尾,随机4种模态下进行切换。仿真结果表明了所提出的AF-PSO算法的综合性能优于其他改进的PSO算法。为进一步说明算法的实用性,将AF-PSO算法成功应用于输油管道泄露数据的聚类分析上。实验结果表明基于AF-PSO的K-means算法性能是优于其他聚类算法。     

基于机动时间的平行序链顺序优化算法设计

平行序链的顺序优化问题一直是目前网络计划优化理论研究的焦点问题之一.从网络本身的规律性出发,对具有很大推广价值的四个平行序链的顺序优化问题进行研究,利用路长定理计算序链调整过程中新增路线的路长,并给出了可靠、有效的删减路长计算的方法,在此基础上,设计出了该问题的优化算法.实例表明,该算法简单易行,便于应用.     

基于决策图贝叶斯网络的混沌优化算法

提出一种基于决策图贝叶斯网络的混沌优化算法,该算法把贝叶斯概率模型结合到混沌遗传算法中,通过构造和学习网络来替代传统遗传算法中的交叉重组和变异等遗传算子,避免了对大量控制参数和遗传算子的人工选择和重要构造块的破坏.同时,通过在决策图贝叶斯网络中引入混沌操作,对部分个体进行启发式变异,能有效提高群体多样性,避免早熟或局部收敛.仿真结果表明,提出的算法比改进前的决策图贝叶斯优化算法和混沌遗传算法均有更快的收敛速度,较强的鲁棒性.     

Robust极点配置及其优化算法

本文提出了一个线性系统极点配置的有效算法,首先利用正交变换将能控系统简化成上Hessenberg能控标准型,然后利用(A,B)特征子空间找出闭环系统关于指定复数集所有可能的特征向量,从中选取一组线性无关的向量{x_1,…x_n}作为闭环系统的特征向量,使得max{c_k,k∈n}极小,最后由x={x_1,…x_n}找出反馈阵F,使得闭环系统(A+BF,B)的极点集等于L。     

系统工程优化决策理论及其发展战略

系统工程是一门综合性的技术学科.本文分别从单人优化决策和多人优化决策的角度出发:介绍了系统工程涉及到的优化与决策方法.包括最优化理论、决策理论、博弈论等多种理论方法.综述了每种理论方法研究问题的特征、基本的结论以及发展过程,并对系统工程中使用到的优化与决策理论的发展趋势进行说明.为解决系统工程问题使用到的优化与决策理论方法的研究与应用提供一定的参考.     

量子连续粒子群优化算法及其应用

提出了基于量子理论的连续粒子群优化(Continuous Particle Swarm Optimization based on Quantum Methodology, CPSO-QM)算法,主要是采用了量子理论中的叠加态特性和概率表达特性.其中,叠加态特性可以使单个粒子表达更多的状态,潜在地增加了种群的多样性;概率表达特性是将粒子的状态以一定的概率表达出来.在基准函数的实验测试中,对比其它常用算法,结果显示本文提出的算法性能较好.在实际应用中,以丙烯腈反应器作为建模研究对象,提出了三种进化策略,实验结果显示,这三种策略训练的神经网络软测量模型都可以较好地预测丙烯腈的收率.     

公共场所疏散引导人静态布局优化算法及其应用

采用最大覆盖选址问题的求解思路,提出了公共场所疏散引导人静态布局优化的拉格朗日松弛算法.结合引导人静态布局的特点,重点探讨了考虑和不考虑公共场所中被疏散人员分布状况的两种情况下的优化布局,并在MA-ESM模型的支持下,通过与人为布设引导人方式的模拟结果进行对比,评价了这两种优化布局的模拟效果。结果表明:引导人静态布局的优化不仅有利于充分发挥每个引导人的作用,提高疏散效率,而且可以确定布设引导人的最佳位置和特定公共场所中所需引导人的最大数量;同时考虑公共场所内被疏散人员分布状况下的优化布局能够有的放矢地调度引导人,提高引导效率。     

改进的免疫算法及其在函数优化中的应用

为了提高免疫算法的搜索能力,根据生物免疫机制及生物进化的周期性,设计了一种周期变化变异算子。为了避免仅仅以亲和度作为免疫选择评价标准,低亲和度抗体过度抑制,提出了将抗体浓度引入到亲和度中作为评价指标,设计了一种改进的免疫选择算子。基于马尔科夫链,分析了改进免疫算法的收敛性。为了测试该算法的有效性,将算法应用于函数优化问题中。仿真结果表明,改进的免疫算法具有更高的搜索速度和精度。     

求解约束优化问题的改进算法及其收敛性分析

针对约束优化问题,提出一种改进差分进化算法。为了利用种群中不可行解的信息,新算法设计了一种改进DEB准则;为了进一步提升算法在受限空间的寻优能力,新算法设计了一种交叉概率CR和缩放因子F的生成方法。13个标准的测试函数的实验结果证明,与目前求解约束优化问题最优秀的算法相比,新的改进差分进化算法仍然非常有竞争力。     

轧制计划的优化模型及其算法的应用研究

为保证热轧生产调度计划的可行性，提高排程的效率，根据热轧生产模式和轧制计划的结构特点，提出了一种车辆路径问题（VRP）模型来建模轧制调度问题，发展了一种混合调度方法（SAMPSO算法）来解决这个问题．试方法利用修正粒子群优化算法的局部和全局搜索能力来寻找全局最优解，利用模拟退火方法来避免陷于局部最优。对某钢厂实际生产数据的仿真结果表明，所提出的模型和算法具有良好的适应性和可行性。     

基于改进螺旋更新位置模型的鲸鱼优化算法

针对鲸鱼算法后期种群的多样性丢失问题,通过螺旋更新位置模型的改进并结合对立学习策略、随机调整参数、正态变异操作等已有方法改进鲸鱼优化算法.采用对立学习策略对鲸鱼种群初始化,为全局搜索奠定基础;利用随机调整控制参数的策略,避免了算法后期陷入局部最优;正态变异算子与改进螺旋更新位置对鲸鱼种群进行干扰,避免种群后期向某个最优区域靠拢,增大算法的全局搜索能力.选取文献[4]中23个国际标准测试函数,包括单峰、多峰以及固定维数函数,对改进的算法进行低维测试;选取文献[12]中的25个单峰和多峰国际标准测试函数,对改进的算法进行高维测试.结果表明,IMWOA算法在收敛精度、收敛速度上均明显优于原WOA算法且具有普遍适用性、稳定性和解决超大规模优化问题的能力.