利用启发式信息优化多连接查询的遗传算法

结合多连接查询的特点,讨论了在左线性树空间的遗传优化算法,采用有序串编码方法和专门的杂交、变异算子;并利用查询优化中的增量启发式信息初始化种群,来提高遗传算法的收敛速度．我们将遗传算法与迭代修正的局部搜索策略相结合,解决传统的遗传算法缺乏较强的局部搜索功能的问题．     

基于粒子群优化求解纳什均衡的演化算法

基于粒子群优化方法从群智能的角度建立了博弈的演化模型，为求解有限n人非合作博弈的纳什均衡设计了一种粒子群优化算法．通过随机初始点的可行化以及对迭代步长的控制，保证粒子群在算法的迭代过程中始终保持在博弈的可行策略空间内，避免了在随机搜索中产生无效的粒子，因此提高了粒子群优化算法求解纳什均衡的计算性能．给出了算法的数值例子并分析了该算法的计算性能，通过粒子群算法与遗传算法的比较显示了粒子群算法求解博弈纳什均衡解的高效性．     

改进的多目标粒子群算法

提出了一个改进的粒子群算法并将其用于解决多目标优化问题．该算法利用粒子群算法的信息传递机制，引入多目标演化算法常用的归档技术，采用SPEA2算法的环境选择和配对选择策略，使得整个群体在保持适当的选择压力的情况下收敛于Pareto最优解集．标准测试函数的数值实验结果表明，所提出的算法能够使找到的解集快速收敛到Pareto非劣最优目标域，并且解集沿着Pareto非劣最优目标域有很好的扩展性．     

求解多峰函数的改进粒子群算法的研究

针对标准粒子群算法进行多峰函数优化时存在的易陷入局部极值和搜寻效率低的问题，提出了子种群划分和自适应惯性权重改进方法来求解多峰函数．根据群体微粒的相似度将粒子群分成子群体，各子群体围绕一个有最佳适应值的群体中心进行建立，并通过几个经典函数进行求解．实验表明：改进的粒子群算法能快速有效地找到多峰函数的全局最佳值．     

基于多准则决策的塔状粒子群优化算法

针对经典粒子群优化算法存在早熟、收敛精度低和收敛速度慢的问题, 提出了一种新的改进算法. 该算法采用了塔状优化互联机制, 底层粒子群负责寻找局部最优解, 顶层粒子负责收集、反馈全局最优解, 为底层种群提供全局最优信息, 建立共享学习机制. 顶层粒子一旦发现停滞现象, 将通知底层粒子群采用细菌觅食优化、随机初始化等停滞优化策略, 以改善粒子群的收敛速度. 实验结果表明, 与同类算法相比, 改进算法具有更好的寻优能力, 改善了粒子群的收敛精度和收敛速度.     

一种非线性自适应粒子群优化算法

针对粒子群优化算法中出现早熟和不收敛问题,分析了基本PSO算法搜索速度对其优化性能的影响,提出了一种根据速度信息非线性自适应调整参数的粒子群优化算法.在算法迭代过程中,粒子随迭代次数和递减指数确定的非线性变化的理想速度自适应调整参数进行搜索,提高了粒子群算法的性能.提出的算法经过测试函数的模拟实验验证,并与其他已有算法进行了比较.实验结果表明,该算法在搜索精度和收敛速度等方面有明显优势,特别是高维、多峰等复杂非线性优化问题时,算法的优势更明显.     

自适应粒子群优化算法及其在注塑成型质量指标软测量中的应用

对粒子群优化算法(PSO)进行分析,提出了一种根据速度信息自适应调整参数的粒子群优化算法(APSO-VI),该算法经过大量测试函数上的模拟实验验证,并与PSO进行了比较。实验结果表明,该算法能克服基本PSO算法在求解高维、多峰等大规模复杂非线性优化问题时易陷入局部最优和不收敛的     

一种综合学习粒子群优化算法

针对复杂多峰函数优化,提出了一种综合学习粒子群优化算法(IELPSO)。该算法把基于超球坐标系的粒子更新和辨识、加速质量差的粒子两个策略引入基于例子学习粒子群优化算法(ELPSO)。本算法利用超球坐标操作改变粒子大小和方向,因而粒子在搜索过程中能覆盖局部极小,同时能发现最差粒子并且加速它们靠拢最优解。提出的算法与其他已有算法进行了比较,对几种典型函数的测试结果表明,IELPSO算法提高了收敛速度和精度,全局搜索能力有了显著提高。     

Ad-hoc网络DSR路由协议的优化

针对DSR路由协议由于采用泛洪机制而导致的较高路由开销这一问题，提出了使用查询局部化技术的优化方案．即在原有的DSR协议的基础上引入查询局部化技术，将泛洪控制在一个局部的范围内，以防止整个网络内的泛洪，从而减小网络开销．仿真结果表明，使用查询局部化技术后，网络路由协议开销得到显著减小(约50％)并降低了平均端到端时延．     

改进的粒子群优化算法在随机需求车辆路径问题中的应用

设计了一种求解随机需求车辆路径问题的改进的粒子群优化（PSO）算法．在算法后期将变异算子引入PSO算法，克服了基本PSO算法易陷入局部最优的缺点．数值模拟结果表明改进的PSO算法提高了全局搜索能力，求解效果优于基本PSO算法和遗传算法．     

基于粒子群优化的神经网络预测模型

传统的BP神经网络训练算法,导致训练时间长且易于陷入局部极小点.本文将粒子群优化算法用于神经网络预测模型的学习训练.实验结果表明,基于粒子群优化的神经网络学习算法更易于实现,且能更快地收敛于全局最优解.     

适应性数据分割

应用适应性数据分割技术将源数据分为几部分，每一部分通过不同的、互补的计划来完成。将这个新技术应用到模型中，不仅能修正基数值和被低估的选择性，而且也能发现和使用源数据的序。且能更有效的使用预集合的源数据。     

基于决策表的MIS智能查询系统

将人工智能技术应用于管理信息系统(MIS)使其具备某些智能特征,这是目前计算机应用领域的重要研究内容之一。本文将决策表技术引入管理信息系统作为知识存贮手段,用户可通过决策表自行设置规则集,并用推理机进行演绎推理,从而实现对管理信息系统数据库的智能查询。该系统的原型已在 IBM PC/286上实现。本文讨论它的设计思想和实现技术,并给出一个简单的查询实例。     

基于语句查询扩展和高性能计算平台的分布式信息检索系统DQSSQE

提出了一种基于语句的查询扩展方法以及语句向量的融合策略,使得扩展后的查询语句的查询性能优于原始查询语句;基于微软高性能计算平台HPC Server和查询扩展策略,设计实现了一个分布式文本检索系统DQSSQE.实验结果表明,在检索性能方面,所提出的查询扩展策略能够有效的提高查准率,召回率上也有一定的提高;在分布式检索计算性能方面,DQSSQE系统具有较好的计算加速比,随着文本集规模的增加,其计算性能的优越性体现明显.     

多维数据检索查询的新机制

结合数据立体方体和R树两种索引方法快速灵尖地进行数据查询,设计了最近邻接快速查询算法FNN,解决了一般R树查询中无法快速查询高维度数据的问题,使查询更高效,应用更广泛。     

基于动态因子和共享适应度的改进粒子群算法

为提高粒子群算法的收敛速度和优化性能,避免陷入局部最优,提出了一种基于动态学习因子和共享适应度函数的改进粒子群算法.在惯性权重w随着迭代次数非线性减少而动态调整学习因子的基础上,引入共享适应度函数.当算法未达到终止条件而收敛时,利用粒子和最优解间距离挑选一批粒子重新初始化形成新群体,并用共享适应度函数对新群体进行评价,新旧2个群体分别追随自己的局部最优解直至迭代结束.对4个典型多峰复杂函数的测试结果表明,该改进算法不仅加快了寻得最优解的速度,而且提高了粒子群算法全局收敛的性能.