一种快速解决PFSP问题的混合遗传算法

流水车间调度问题属于NP难问题，并且和实际问题联系很紧。但是因为它的解空间太大，一般的算法很容易过早的陷入局部最优或者计算时间太长，提出了一种比较快速的混合遗传算法，能够在很短时间内计算出比较优的结果。详细介绍了这种算法的效果，并与两种常用来解决此类问题的算法进行了比较，总结出了这个算法的特点。     

二次背包问题的一种快速解法

在分析了二次背包问题(QKP)精确算法的计算效率随利润矩阵密度下降的原因的基础上，提出了不受密度影响的QKP快速解法——利润欺骗法．在线性化QKP的目标上界估计中，利润欺骗法通过引进一适当正常数对称扩展Lagrangian乘子的变化范围，亚梯度优化算法能较快地找到-Lagrangian乘子矩阵，使对偶问题的解逼近线性化QKP问题的等式约束条件．通过提高目标函数的估计精度，利润欺骗法可以提高变量约简效率，降低分支决策深度．实例计算表明，快速算法的效率远高于精确算法，而且计算精度并不降低．     

锂离子电池放电寿命的演化自适应建模

采用基于遗传程序设计思想的演化自适应建模算法建立了锂离子电池放电寿命模型，结果表明，该算法收敛速度快，１次可获得多个精确度较高的模型，模型经验验后的结果与实际情况能很好地符合，该真法具有较强的通用性，可快速有效地解决了广泛领域内的自动建模问题。     

基于遗传算法的智能机器人对抗策略设计

近年来,随着大型第一人称类的网络游戏风靡全球,游戏角色的智能性研究得以迅速发展.本文基于Robocode这样一个机器人战斗模拟系统,提出了针对不通的环境和对手,根据实战数据,通过遗传算法来为机器人寻找到一个最佳的战斗策略,利用该策略再与其它机器人进行实战的策略,并对战斗的数据结果做出了分析.     

基于正交设计的多目标演化算法

提出一种基于正交设计的多目标演化算法以求解多目标优化问题(MOPs)．它的特点在于：(1)用基于正交数组的均匀搜索代替经典EA的随机性搜索,既保证了解分布的均匀性,又保证了收敛的快速性;(2)用统计优化方法繁殖后代,不仅提高了解的精度,而且加快了收敛速度;(3)实验结果表明,对于双目标的MOPs,新算法在解集分布的均匀性、多样性与解精确性及算法收敛速度等方面均优于SPEA;(4)用于求解一个带约束多目标优化工程设计问题,它得到了最好的结果——Pareto最优解,在此之前,此问题的Pareto最优解是未知的．     

并行算法简介(续)

四、同步并行算法 构造并行算法有两个原则:一个叫做“分而治之”(divide and conquer);另一个叫做“重新编序”(reordering)。分而治之是把一个问题分裂为一些可以独立地或相对独立地进行处理的小问题。这些小问题之间的“独立程度”越大越好,最好是它们都彼此无关,     

基于改进Inver-over算子的并行TSP演化算法

设计了基于近邻点初始化和改进Inver-over(反序杂交)算子求解旅行商问题的并行演化算法.该算法执行时,主进程每当收集到各个种群的最好个体并形成精英种群时,就对该种群执行一次Inver-over算子,然后将其中最好的个体发送给各个种群.在PVM(并行虚拟机)并行环境下的实验结果表明,并行后能取得更好的解,并且在主进程中建立精英种群的演化有助于更好更快的收敛.     

基于均匀设计的GEP算法研究与应用

提出了一种基于均匀设计的基因表达式编程算法(UGEP)，该算法对经典的GEP算法做了以下改进：利用混合水平均匀表的构造对初始种群的产生进行改进，保证了解分布的均匀性；引入自适应多亲杂交算子，用均匀优化代替随机进化。从理论上分析并证明了UGEP更具有全局收敛性，且收敛速度也优于经典的GEP。试验结果也证明，在求解函数拟合和时间序列预测等实际问题时，对比同类算法，UGEP算法体现出了较大的优越性。     

一个多目标优化演化算法的收敛性分析框架

由于演化算法求解多目标优化问题所得结果是一个优化解集——Pareto最优集,而现有的演化算法收敛性分析只适合针对单目标优化问题的单个。用有限马尔科夫链给出了演化算法求解多目标优化问题的收敛性分析框架,并给出了一个分析实例。     

遗传算法求解完全欺骗性问题的平均计算时间

讨论了一类遗传算法求解完全欺骗性问题的平均计算时间,证明了这类算法的平均计算时间是问题规模的指数次方,同时指出存在一种基于多重结构的遗传算法,它求解这个问题的２计算时间是问题规模的多项式次方。