一种改进的最优保存人机交互遗传算法

提出一种改进的最优保存的遗传算法IGABP，通过对个体进行局部改进，并且通过提高交叉、变异操作生成最优解的概率．极大的改进了算法的效率．理论分析和实际应用都证明了算法的有效性．     

基于主附种群结构的遗传算法

介绍了一种基于新的变异算子多种群的新遗传算法，该算法可用来解决复杂的多峰函数优化问题．解决这些问题的传统遗传算法经常陷入局部最优，新算法引入一种新的基于主群、附属子群的结构可避免传统遗传算法难以克服的早熟收敛．在该结构中，主群采用新的变异算子来保持良好的群体分布，并促使较优模式的快速增长，附属子群设计在有限区域内获取局部最优．用搜索历史记录及主子群体通讯能减少搜索空间，以获取全局最优和几个局部最优．搜索局部最优和全局最优可用于多人脸检测以及路径寻优问题．实验表明，该算法已在几个复杂的多峰函数优化上取得了较好的结果．     

四色图着色问题的混沌神经网络解法

采用一种基于退火策略的混沌神经网络（ACNN）算法求解四色图着色问题。将混沌机制引入H0pfield神经网络（HNN），利用混沌的遍历性进行随机搜索，由退火策略控制混沌动态退出和倒分岔出现，使ACNN逐渐趋于一般的HNN．从而既避免了陷于局部极小，又加快了收敛速度，使网络能快速收敛到一个全局最优或近似最优的稳定平衡点。仿真结果表明，这是一个能有效求解四色图着色问题的全局最优化算法。     

递归学习寻找对称变量

逻辑验证和逻辑综合中，利用对称变量的性质能提高算法整体的效率．通常fx1xj^-=fxjxi-被用来检验变量的对称性．一般先分别建立fxjxi和fxjxi^-的BDD(Binary Decision Diagram)二分决策图，然后通过检查两BDD图是否同构来验证fxjxi=fxjxi^-．但将电路转化为BDD图本身就需要一定的时间，而且对于大的电路，存在BDD图不能建立的可能性，致使同构验证无法进行．本文利用递归学习，无需建立BDD图直接在电路拓扑图上验证fxjxi^-=fxjxi^-递归学习算法执行效率高，可以大大缩减对称变量检测的过程．试验结果表明，利用递归学习算法检测对称变量执行时间减少，并且能将大的电路作为检测对象．     

广义多尺度决策系统的局部最优粒度选择

在实际应用中,人们常常选择比较合适的粒度层次来解决相应的问题。在经典的多尺度决策系统和粒度层次构造过程中,属性取值常由人工选择某些固定粒度层次。本文针对广义多尺度决策系统,由属性取值的尺度组合来构造粒度层次,进而研究局部最优粒度的选择问题。首先,介绍了广义多尺度决策系统的概念。然后,在协调的广义多尺度决策系统中定义了最优粒度和局部最优粒度,并给出了基于属性组合的最优粒度与局部最优粒度的选择算法。最后,在不协调的广义多尺度决策系统中引入了广义决策,定义了广义决策最优粒度和广义决策局部最优粒度,并给出了基于广义决策最优粒度与广义决策局部最优粒度选择算法。     

一和睦注解混合整数非线性规划问题的演化算法：搜索 …

提出一种求解混合整数非线性规划问题的新的演化算法－搜索空间自动收缩法（ＡＣＳＳＯＳ），在这种算法中，演化算法既用来定位最优解区域，实现搜索空间自动向全局最优解收缩，又用来最终求得最优解。由于在遗传算法引用了舍入操作，它不仅可用来求解混合非线性整数规划问题，也可求解纯整型或纯实型变量非线性函数优化问题，数值试验结果表明本文的算法在解的质量，稳定性和收敛速度等方面优于一般的演化算法。     

基于局部占优度的彩色图像分割算法

设计了一种新的有效稳定的彩色图像分割算法.该算法首先利用均值漂移(MS)算法预分割图像,产生了许多保留了图像不连续特征的分割区域,然后构建预分割区域的相似度图,并利用谱聚类集成算法对相似度图进行全局最优划分.为了避免在构建相似度图时仅利用像素点的亮度信息而产生一些不合适的划分结果,定义了一个局部占优度的变量,该变量综合考虑了局部区域像素的亮度和细节信息.本文算法在彩色图像上的实验结果验证了其高效的运算速度.     

多峰函数寻优的微粒群算法

某些实际问题的优化目标是求所有的局部最优解，即求解多峰寻优问题，为了求解多峰优化问题，提出了改造的微粒群优化算法．尽量减少微粒群算法中的全局因素，从而增大其局部因素，同时采用变步长方法增加微粒的多样性．并给出了该算法的原理和步骤．仿真实验表明该算法概念清楚，计算简单，具有很好的局部寻优特性，可应用求解于多峰寻优问题．另外还给出了几个运算实例和与其它优化算法的比较．图表，表1，参9．     

简约粒子群优化算法

针对全局版粒子群的早熟和局部版粒子群的最优位置信息利用率低的问题，提出简约粒子群算法．该算法使用速度松弛迭代策略，使粒子不必频繁更新速度，当粒子速度有利于适应度进一步提高时，就在下一个迭代周期内维持该速度，这有利于提高良好速度信息的利用率，减小算法的计算量，加快运算的收敛速度．同时，利用精英集团策略，使多个最优位置信息在种群内充分共享，有效地控制了种群多样性，避免了早熟现象．在典型标准测试函数上进行了全局、局部版惯性因子粒子群和全局、局部版约束因子粒子群测试比较，结果表明简约粒子群算法具有更强的寻优能力和更高的稳定性，且计算量也比较小．     

混合约束多峰优化问题的一个协同共轭进退粒子群算法

为解决混合（等式和不等式）约束的多峰优化问题（MOPs），本文在粒子群算法框架下提出了粒子优度比较准则和局部协同与共轭进退寻优两种迭代进化策略．优度比较准则在适应度和约束违反度的双重限制下指导粒子高效地执行进化策略，局部协同策略可使粒子能通过局部抱团收敛到多个全局最优解，而共轭进退寻优策略则提升了寻优的速度和精度．基于优度比较准则与两种进化策略的有效结合，本文设计了一个协同共轭进退粒子群（CCARPSO）算法，以充分融合粒子群算法的全局搜索能力和共轭进退法的局部快速寻优能力．数值仿真表明，该算法能有效解决复杂约束MOPs和非线性方程组的多根问题，在广义Logistic分布的参数估计中有全局优化能力和较高的计算精度．     

一种基于熵的超网络重叠社团检测算法

研究了超网络的社团划分问题。超网络是实际应用中的超图,而超图则是一种广义上的图,它的一条超边可以连接任意多个顶点。提出了一个基于熵的超网络社团检测算法,该算法是对Cha等人的算法的推广,能够检测出重叠社团。将这两种算法应用到了中国大陆图论科研合作超网络中,对结果进行了分析和比较,认为提出的算法是有效的。     

基于连通图动态分裂的聚类算法

当前大部分的聚类算法都难以处理任意形状和大小、存在孤立点和噪音以及密度多变的簇,为此,文中提出了一种基于连通图动态分裂的聚类算法.首先构造数据集的l-连通图,然后采用动态分裂策略对l-连通图进行分割,把数据集分成多个互不相连的连通图子集,每个连通图子集为一类.实验结果表明,所提出的算法能够有效地解决任意形状和大小、存在孤立点和噪音以及密度多变的簇的聚类问题,具有广泛的适用性.     

基于自学习可见图的机器人路径规划

针对未知环境下的机器人路径规划问题 ,提出了一种基于自学习可见图与局部最优的路径规划算法 .在这种算法中 ,采用自学习可见图来表示环境 ,并在路径规划的过程中逐步建立自学习可见图 .在避障上设计一个局部最优算法并提出了一种局部路径规划算法 .实验表明 :该方法规划速度快 ,并且能规划出局部最优的路径 ,满足未知环境下机器人路径规划的要求 .     

基于快速图挖掘的网络拓扑局部调节区域算法

针对IP骨干网重新配置中繁重工作量的问题,提出一种快速图挖掘算法来解决网络拓扑的局部调节区域问题,解决了从网络拓扑中找到组件时子图同构的NP-hard问题,减少了网络重构的操作工作量.该文提出的启发式图挖掘算法顶点,称为顶点目标搜索(vertex targeting search,VTS)算法,通过考虑网络操作条件减少了搜索空间的大小.实验结果表明,该文方法可以快速得到搜索网络模式图,与其他方法比较,该文具有较少的搜索时间,说明该文方法具有可行性和有效性.     

基于自动测试生成的寄存器分配算法

提出了在寄存器分配时考虑可测性的一个新算法。它采用前向 /后向算法 ,将一个已调度好的 CDFG (ControlData Flow Graph)中的变量分配到相应的寄存器。通过对变量生命时间定义的扩展 ,本算法可以对带反馈的电路进行处理。在定义变量之间的寄存器复用相关函数时同时考虑了 3个准则 ,达到提高设计可测性的目的。实验结果表明了算法的有效性     

基于图神经网络的兴趣点推荐的隐私保护框架

传统的基于图神经网络的兴趣点模型的研究是通过简单的注意力机制进行权重定义,或仅仅将多种因素简单进行线性组合,缺乏从多角度考虑用户和兴趣点自身的语义信息和交互信息。此外,现有的图神经网络推荐依赖于图结构信息的集中式存储和训练,存在隐私泄露风险。为了解决上述问题,提出基于图神经网络的兴趣点推荐的隐私保护框架(privacy of POI recommendations for graph neural networks, PPGNN)。首先,通过引入多特征模式和注意力机制对图结构进行强化,构建强化用户社交关系图模型;其次,通过多场景角度提出兴趣点邻居结点采样算法以及重新设计卷积聚合机制,对异质图使用语义级别注意力机制进行聚合;最后,提出了可变动态梯度的客户端差分隐私算法,达到边优化边反馈的效果。通过在Yelp和Gowalla不同的数据集上进行大量实验,证明该方案具有有效性,弥补了图神经网络推荐因隐私威胁带来的局限性,优于集中式图神经网络推荐方法,同时也优于传统兴趣点推荐方法,并且PPGNN可以更好地克服推荐中的数据稀疏和冷启动问题。     

基于博弈论的多Agent协商模型

在开放、动态、具有自适应性和自治性的多Agent系统(MAS)中,协商是多Agent系统实现协调、协作和解决冲突的关键．博弈论是使用严谨的数学模型研究冲突条件下最优决策问题的理论,本文以此为数学工具,基于对时间的限制,结合协商的历史知识,考虑各协商者在拥有不完全信息的情况下,提出了基于博弈论的多Agent协商模型(GTMANM),并给出了协商策略求解的算法描述,用以来解决分布式环境下不完全信息的多人协商决策问题,以获得最大的期望收益,为以后把博弈论中其他更复杂的博弈思想引入到多Agent协商中来奠定了基础．     

基于粒子群优化算法的协同空战导弹目标分配

为了取得协同空战的最佳攻击效果,在协同攻击的过程中进行导弹-目标最优分配是一种有效的解决方法。首先运用作战效能和运筹学理论建立多目标协同攻击的导弹-目标最优分配模型,其次在分析基本粒子群优化算法特点的基础之上提出了一种改进粒子群优化算法,其中的主要改进有3点:惯性权自适应调整、粒子速度与位置自动更新以及优化策略改进。然后将该改进粒子群优化算法应用于协同空战导弹-目标最优分配问题的迭代求解。仿真结果表明所采取的改进策略加快了算法的收敛速度,提高了粒子的局部求解精度与全局寻优能力,并且与基本粒子群算法、遗传算法相比较,该改进粒子群优化算法能够更加快速、有效地求出多目标协同攻击的导弹-目标分配最优解。     

基于分层策略的多无人机最优协同航路规划

基于分层策略将多无人机协同航路规划分为航路规划层、协同控制层和航迹控制层进行研究。航路规划层采用基于K均值和遗传算法的航路规划方法,为每架无人机提供多条备选航路;针对传统协同控制算法在求解协同变量出现无解的情况,设计了新的协同变量求解步骤;航迹控制层基于无人机六自由度模型和协同变量建立了终端时间固定的最优航迹控制模型,并采用勒让德伪谱法将最优控制问题转化为非线性规划问题,并利用CFSQP对模型进行了求解,实现了对无人机航迹控制变量和姿态的规划。仿真结果表明,利用该方法得到的无人机协同航路具有较高的可操作性,且计算量较小,效率较高,得到的无人机控制指令平滑,易于操控。     

一种增量式多目标优化的智能交通路径诱导方法

路径诱导是一种主动引导车辆合理分流来解决城市交通拥堵的方法.本文提出了一种基于增量搜索的多目标优化路径诱导方法.该方法首先利用图论法将复杂路网抽象为点线的赋权图,引入多目标优化变量,建立路网模型;然后在启发式搜索基础上引入增量搜索,结合全局规划和局部动态重规划,实现车辆的实时路径诱导.仿真结果表明该方法能有效地解决复杂路网中车辆的实时路径诱导问题.