自适应多速率交互式多模型算法

为提高交互式多模型算法性能，在交互式多模型算法的框架下引入了“当前”统计模型和多速率常速模型，开发了自适应多速率交互式多模型算法．Monte Carlo仿真结果表明，自适应多速率交互式多模型算法在减少计算量的同时，跟踪滤波效果优于采用常速和常加速模型的标准交互式多模型算法．     

基于割线模型的改进算法

使用割线模型，给出了一种求解无约束极小化问题算法，即基于割线模型的改进算法，该算法存贮量小，计算量小，尤其对于大型问题，是非常有效的算法。     

Pront算法在大规模线性系统中的应用——动态模型的辨识与降价

运用Ｐｒｏｎｙ算法地大规模线性系统动态模型的进行辨识，给出了该算法所需要的Ｐｒｏｎｙ模型，并提出了在任意输入信号下的改进Ｐｒｏｎｙ算法，同时运用Ｒｏｕｔｈ算法对模型进行了降价，数值算例结果表明，运用本文作所提出了方法可以精确地获得线性系统动态模型的队数与系统特征值，且降价后模型对系统动态特性的曲线具有很高的拟合精度。     

Prony算法在大规模线性系统中的应用──动态模型的辨识与降阶

运用Ｐｒｏｎｙ算法对大规模线性系统动态模型进行辨识，给出了该算法所需要的Ｐｒｏｎｙ模型，并提出了在任意输入信号下的改进Ｐｒｏｎｙ算法，同时运用Ｒｏｕｔｈ算法对模型进行了降阶．数值算例结果表明，运用本文所提出的方法可以精确地获得线性系统动态模型的阶数与系统特征值，且降阶后模型对系统动态特性曲线具有很高的拟合精度．     

基于时变马尔科夫转移概率的机动目标多模型跟踪

为了消除机动目标多模型跟踪中人为因素对跟踪精度的影响，提出了一种新的基于时变马尔科夫转移概率的机动目标多模型跟踪算法．该算法通过对Baum辅助函数的最大化实现隐马尔科夫模型状态转移概率的参数估计，并将估计结果用于交互式多模型算法的设计中，构造出时变马尔科夫状态转移概率的交互式多模型算法，有效地降低了人为因素对机动目标跟踪精度的影响．通过对一个机动目标的跟踪对比，说明了该算法比传统的交互式多模型算法具有更小的跟踪误差和良好的模型跟踪概率．     

基于平衡二叉树的动态搜索圆等值线模型算法

提高计算速度是数字等值线模型算法所面临的主要问题。传统的算法中，当采样点数量大时，对于一插值计算点，参加计算的采样点的确定非常费时。利用乎衡二叉树对传统的数字等值线模型算法进行改进，设计了一种新的算法，给出了改进算法的形式化描述，根据新算法编制了相应的程序，并进行了实际应用。结果表明，其新的算法对提高建立数字等值线模型的计算速度效果显著，并随计算点数目的增加效果更加显著。     

基于双模式更新五行环算法的多目标冷链配送

针对生产运输中广泛存在的冷链配送问题，建立了以配送成本最小化和顾客满意度最大化为目标函数的多目标冷链物流优化模型。基于五行环优化(FECO)算法，提出了双模式更新个体的五行环优化算法(FECO-DMUI)，并对多目标冷链物流模型进行求解。将FECODMUI算法与FECO算法、NSGA-II算法、鲸鱼优化算法和灰狼优化算法进行比较，结果验证了本文模型和算法的有效性，同时验证了FECO-DMUI算法在多目标冷链配送问题中能更加高效地获得路径优化的最优解集。     

多目标模糊优化潮流模型及其基于神经网络的算法

提出了一种计算交流潮流的多目标模糊优化模型，模型中，同时考虑了发电费用最少及网损最小等多重目标，针对该模型，还提出了一种基于神经网络模型的新算法，该算法分别采用神经网络模型进行模糊集隶属函数的表达及优化问题的求解，从而将模糊优化同神经网络有机地结合起来，通过算例对所提模型及算法进行了验证。     

一种有效求解厌恶设施选址问题的混合启发式算法

由于1-maximin模型的目标函数在每条边上是分段线性的凹函数，基于1-maximin模型的这一特点，将粒子群算法和黄金分割法有机结合起来，提出了一种求解1-maximin模型的混合粒子群-黄金分割（PSO-GS）算法。数值实验表明，PSO-GS算法求解1-maximin模型和1-maxisum模型较UnCenter和Newalgorithm算法效率高。     

NARMAX模型辨识的直交化最小二乘新算法

基于实际中常用的ＣＧＳ（ＣｌａｓｓｉｃａｌＧｒａｍ－Ｓｃｈｍｉｄｔ）、ＭＧＳ（ＭｏｄｉｆｉｅｄＧｒａｍ－Ｓｃｈｍｉｄｔ）、ＨＴ（ＨｏｕｓｅｈｏｌｄｅｒＴｒａｎｓｆｏｒｍａｔｉｏｎ）及Ｇｉｖｅｎｓ算法，给出了１类改进的直交化最小二乘新算法，分别称之为改进的ＣＧＳ、ＭＧＳ、ＭＨＴ及ＭＧＶ算法，改善了原算法的数值稳定性．将改进算法用于非线性ＮＡＲＭＡＸ模型辨识，构造出了１种新的模型结构与参数辨识的一体化算法．新算法基于逐步回归进行模型选项并消去模型中的冗余项，保证了最终模型的结构优化，并可给出比Ｂｉｌｉｎｇｓ等算法精度更高的参数估计．仿真结果证明了文章中算法的优越性     

一种基于数据挖掘技术的决策信息模型

探讨了决策支持系统在管理信息系统发展过程中的重要地位，依据现代企业管理的决策支持需求，研究并设计了决策信息模型的基本结构，重点研究了模型的数据挖掘技术．阐述了具体的数据挖掘算法，并应用算法解决了某企业员工考勤部门匹配问题，挖掘出潜在的信息模式，为模型的知识获取子系统提供了知识准备，加快了推理机的推理进程，最后指出了算法的逐步求精性和算法的普遍性．     

人工神经网络之BP模型算法实现

BP网络模型误差反向传播算法，有效的解决了权值调整问题，也是至今为止应用最广泛的神经网络。因此，本文介绍了BP的网络模型算法理论，并通过C#语言对该算法进行实现，可根据不同样本数据建立相应的BP模型，本研究具有一定的实用价值。     

BP模型的改进算法及其在负荷预测中的应用

分析了ＢＰ模型学习算法－累积误差逆传播算法在接近极小点时收敛速度变得异常缓慢的原因，并通过对连接权值的调整量引入权重系数，提出了一种改进的ＢＰ模型学习算法，大大加快了收敛速度，提出了收敛性。还利用的改进算法对某省中期负荷进行了预测，逄例结果表明了该算法的有效性。     

基于差异演化算法的网络计划多目标优化

为了提高施工企业的经济效益，在综合考虑成本、质量和进度的基础上，提出了工期－净收益－质量多目标优化模型，并采用一种新颖的进化算法即差异演化算法对该模型进行求解，最后通过工程实例验证模型和算法的有效性。     

一种新的单层神经网络学习算法分析模型

提出了适用于单层神经网络快速学习算法分析的一种新模型——广义系统辨识模型，分析了Ｋａｒａｙｉａｎｎｉｓ的快速ＢＰ算法．研究结果表明：利用所提出的新模型，能有效地进行单层神经网络学习算法的性能分析     

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。     

非常快速模拟退火算法在相关声纳测速中的应用

尽管传统的模拟退火算法是一种全局寻优算法，但是存在收敛速度较慢的缺陷。本文提出了采用非常快速模拟退火算法实现相关声纳测速的方法，该算法采用依赖于温度的似Cauchy分布产生新的扰动模型，通过改变模型扰动、接收概率和降温方式来加快模拟退火算法的收敛速度，仿真结果证明了该算法的有效性。     

基于自回归时序盲辩识的机械故障诊断

提出了一种自回归(AR)模型的盲辨识的算法，该算法与传统AR模型的辨识算法的区别在于它可同时确定AR模型的阶次和参数，而不需事先确定AR模型的阶次或假定AR模型的阶次已知，其特点是计算量小，具有很好的收敛性，并在此基础上将AR模型的盲辨识方法应用到机械故障诊断中．     

褶积模型参数估计的递归算法及其收敛性

讨论褶积模型参数估计问题，通过对数据的正交化得到了模型参数的递归算法，从理论上分析这种递归算法的收敛性，并得到一个判断正交化过程收敛性的充分条件，在此条件下递归算法必收敛到褶积模型中的子波A=（1，a1，…，aq）。     

多维自回归模型的最大熵谱估计

本文以多维时序模型预测误差能量最小为依据，推导了一种新揿维自回归谱分析算法。理论和实验表明，该算法估计的模型精度较高，而运算工作量较低，是目前较好的一种算法。