人工蜂群神经网络同时测定三种氯酚类化合物

将改进过的人工蜂群算法用于训练人工神经网络,对紫外光谱重叠严重的邻氯酚、对氯酚以及2,4-二氯酚的混合溶液进行同时测定。在260-290nm的范围内,使用经过正交设计的25组混合溶液的吸光度作为神经网络的训练集。当网络的误差平方和收敛到0.1时,输入另5组混合溶液的吸光度预测其浓度。对照实验表明,使用新算法训练的神经网络在回收率和收敛速度上与使用BP算法、粒子群算法以及标准人工蜂群算法相比均有较大提高。     

基于蚁群优化算法的QoS组播路由问题的研究

本文通过将QoS组播路由问题分解为多个单播路由问题，构造了一个目标节点最小花费优先的QoS组播路由模型。并利用MMAS算法对模型进行求解。在得到预期结果的同时，本文针对寻径过程中失败的蚂蚁过多的现象进行了分析．并对算法进行了改进。     

带蜂群策略的粒子群算法训练人工神经网络研究

提出一种带蜂群策略的粒子群优化算法,并将算法应用于神经网络训练。将蜂群优化算法中引领蜂和观察蜂的收益评价与贪婪选择策略以及侦察蜂的探索新解策略引入到粒子群优化算法中。粒子在飞行时,按维度对粒子速度和位置进行更新,根据对收益的评价,只接收能够提高解适应值的位置,从而加快了收敛速度;如果粒子多次迭代均无法改进解,则在解空间中随机搜索新的位置,增强算法跳出局部极值的能力。在求解异或问题、奇偶校验和编码解码问题的神经网络上进行了仿真,结果表明,该算法优于BP算法、粒子群优化算法和蜂群优化算法。     

VB中结合Excel进行报表制作及报表的Internet传送

介绍了在VB中如何结合Excel进行MIS系统的报表制作,并利用MAPI控件,把生成的Excel报表文件作为邮件附件在Internet上传送,以简单、经有效的方式实现了跨地企业报表的分布处理。     

基于粒子群优化算法的并行模拟退火算法

针对模拟退火（simulated annealing,SA）算法收敛速度慢,随机采样策略缺乏记忆能力,算法内在的串行性使其具有并行化问题依赖等缺点,提出了基于粒子群优化（particle swarm optimization,PSO）算法的并行模拟退火算法。该算法利用粒子群优化算法中个体的记忆功能引导算法在解空间中开展精细搜索,在反向学习算法基础上设计新的反向转动操作机制增加了算法的多样性,借助PSO的天然并行性克服了SA的并行问题依赖性,并在集群上实现了多Agent协同进化的改进算法。对Toy模型的蛋白质结构预测问题进行了仿真实验,结果表明该算法能有效提高求解问题的质量和效率。     

求解TSP问题的伪贪婪离散粒子群优化算法

以旅行商问题为例,提出一种基于元胞结构的伪贪婪离散粒子群优化算法.为了体现粒子对环境的感知能力,设计了伪贪婪的粒子位置修改操作算子,为了反映粒子间不同学习能力,体现粒子的个体差异性,设计了3种学习算子来提高算法的局部求精能力,为了更好地保持粒子群的多样性,采用了元胞结构作为粒子群的种群拓扑和邻城结构,这些策略使算法在空...     

一种求解多维函数优化问题的改进组搜索优化算法

为提高组搜索优化算法求解多维函数优化问题的性能,提出一种结合逐维搜索、Metropolis准则、反方向视角和禁忌表策略的改进组搜索优化算法.逐维搜索策略逐维更新并评价成员位置,在每一维,更新的值与其他维组成候选位置,使用模拟退火的Metropolis准则来决定是否接受候选位置.反方向视角策略使成员按一定的概率做反方向搜索,禁忌表策略避免生产者始终保持不变.这些策略能更好地平衡算法的集中性和多样性.在典型测试函数上进行了仿真,结果表明改进策略是有效的,提高了组搜索算法求解多维函数优化问题的全局寻优能力和收敛速度.     

混合群体增量学习算法求解闭环布局问题

闭环布局问题（CLLP）是一种NP-困难的混合优化问题,它在大小可调的矩形环上寻找设施最佳放置次序,目标是最小化设施之间物料流的运输成本。现有方法均采用元启发式算法来寻找最优的设施放置次序,并且通过枚举方法来获得最优的矩形环大小,而枚举方法的计算效率不高。为了解决这个问题,提出了求解CLLP的混合群体增量学习（HPBIL）算法,分别使用离散群体增量学习（DPBIL）算子和连续PBIL（CPBIL）算子同时对设施放置次序和矩形环大小进行优化,提高了搜索效率;同时还设计了一个局部搜索算法来优化每代中的部分优质解,以提高算法的求精能力。在13个CLLP测试实例上进行实验,结果表明HPBIL算法在9个测试实例上找到了新的最优布局,它对CLLP的寻优能力明显优于对比算法。     

基因-表现型的布谷鸟算法求解旅行商问题

布谷鸟搜索（Cuckoo Search,CS）算法在求解连续优化问题时表现出了较好的性能,但现有的CS算法在求解旅行商问题（Traveling Salesman Problem,TSP）时收敛较慢且未能体现Levy飞行的特点,针对这些不足提出了一种新的基因-表现型的布谷鸟算法（Genotype-Phenotype Cuckoo Search,GPCS）,GPCS算法首先赋予每个城市一个整数部分为城市编号的随机小数编码即基因,而此基因所表现的内容由小数和整数共同决定,小数决定城市的访问次序,整数部分代表某个城市,两个部分组合起来构成Levy飞行的邻域空间,最后根据不同的飞行结果选择重定位或替换操作。实验结果表明,GPCS算法优于同类的CS算法,也优于一些其他的群智能算法,特别在求解大规模TSP时其优势更加明显。     

求解多任务调度问题的免疫蚁群算法

提出一种免疫蚁群算法去解决具有约束关系的多任务调度问题.它采用蚁群算法来进化任务调度的优先队列,然后再使用贪婪策略把优先队列映射为一个有效的调度.为抑制早熟停滞现象,算法中使用免疫原理来保持蚁群的多样性.仿真结果表明,本算法在解的质量和算法的执行时间方面都具有较好的性能.