用混合型蚂蚁群算法求解TSP问题

介绍了求解TSP问题的混合型蚂蚁群算法，并以att532(美国532个城市)为例给出了计算实验结果，说明了混合型蚂蚁群算法能改进标准蚂蚁群算法的计算效率和计算结果的质量。     

Ishikawa迭代法的收敛性及其与Mann迭代法的比较

最近,Ishikawa[1]对于构造准非扩张算T子的不动点建议了下述形式的迭代方法:     

遗传算法的概率收敛定理

通过对于遗传算法一般模型收敛性的讨论,给出一般模型概率收敛的条件,应用这些条件证明了杰出者遗传算法,整体退火遗传算法、最佳值遗传算法、广义模拟退火遗传算法的概率收敛定理。     

字的组合的半群方法

该文利用半群方法给出了语言的一些代数性质.首先,讨论了稠密语言的半群结构,给出了包含语言w(wk)(其中w∈A+,k是正整数)的一个稠密语言类;证明了稠密正规语言包含一个字与一个稠密正规右酉幺半群的积.其次,讨论了自由幺半群的正规分支可分解性,证明了自由幺半群及正规分支可分解语言与正规分支可分解的后缀语言的积是正规分支可分解的;应用这些结果证明了Shyr和Yu关于正规语言的两个猜想.     

神经网络逼近速度下界估计

文中研究一类多元周期Lebesgue平方可积函数SF_d与神经网络集合Π_φ,n,d=（?）之间偏差dist(SF_d,Π_φ,n,d)的估计问题.特别地,利用Fourier变换、逼近论等方法给出dist(SF_d,Π_φ,n,d)的下界估计,即dist（?）.所获下界估计仅与神经网络隐层的神经元数目有关,与目标函数及输入的维数无关.该估计也进一步揭示了神经网络逼近速度与其隐层拓扑结构之间的关系.     

基于核化原理的非线性典型相关判别分析

典型相关判别分析是将传统的典型相关分析应用于判别问题，它是一类重要的特征提取算法，但其本质上只能提取数据的线性特征，应用统计学习理论中的核化原理可以将这样的线性特征提取算法推广至非线性特征提取算法，该文研究了如何将这一原理应用于典型相关判别分析，提出了基于核化原理的非线性典型相关判别分析，并且给出了求解该问题的一个自适应学习算法．数值实验表明，基于核化原理所导出的非线性典型相关判别分析比传统的典型相关判别分析更有效，另外，该文从理论上证明，所提出的新方法与Fisher核判别分析等价。     

一种新的求解约束P-中位问题的启发式算法

针对约束P-中位问题的特点,提出了一种新的启发式算法。该算法借鉴了蚁群算法的信息素学习机制,同时针对问题的结构设计了合理的对象分配方式。模拟计算表明,该算法具有更好的全局优化性能和计算效率。     

非线性单调型算子方程的迭代方法

本文综合介绍作者近期在非线性单调型算子方程迭代解法方面所取得的某些研究结果。主要内容包括: (1) 强单调算子方程的松驰型方法 (2) 极大单调算子方程的正则化一差分方法 (3) Atone算子的直接迭代法 (4) 一般单调算子方程的遍历性迭代法     

数据挖掘与数据库知识发现:统计学的观点

数据挖掘和数据库知识发现是当前国际科技界的一个研究热点，这是一个介于统计学，模式识别，人工智能、机器学习、数据库技术以及高性能并行计算等领域的交叉新兴学科，具有极为广泛的应用前景。从统计学的角度来透视其中相关的统计问题，提出了传统统计学面临的挑战，以及在这个领域将带来的一些新的研究方向。     

构造非线性极大单调映象方程极小范数解的广义预解式迭代过程

本文定义了求极大单调映象方程o∈Ax解的一个广义预解式迭代过程,并证明了所定义的迭代过程对该方程极小范数解的收敛性,所得结果改进并推广了R.T.Rockafcller[1],G.Kassay[8]等的基本收敛性定理。