基于免疫修复的快速蚁群优化算法

蚁群优化算法通过信息素记录搜索过程中获取的知识,并基于信息素搜索新的解．影响信息素质量的因素主要是信息素更新策略和蚂蚁已找到的候选解的质量．为了提高已有候选解的质量,提出基于免疫原理识别候选解中的“病变”成分,并对其“病变”成分进行修复．经免疫修复后,候选解的质量大大提高,由它更新的信息素更好地反映了优质解的特点,从而加快了信息的正反馈过程．实验结果验证了该算法的有效性．     

改进变邻域搜索算法求解动态车辆路径问题

针对动态车辆路径问题DVRP(Dynamic Vehicle Routing Problem)的优化问题,提出一种改进算法。该算法在分析路径寻优问题的局部特性的基础上,利用变邻域搜索算法VNS(Variable Neighbourhood Search)对路径空间进行"局部探索",结合变异机制对路径空间进行"全局开采",最后根据近邻优先原则将动态路径片段安插到适宜的路径中。实验结果验证了算法的有效性。     

求解多目标优化问题的自适应粒子群算法

提出了一种基于自适应惯性权重的多目标粒子群优化算法AWMOPSO,采用新的适应值分配机制,在搜索过程中根据粒子的适应值对粒子进行分类,动态调整粒子的惯性权重以控制粒子的开发和探索能力。用外部精英集保存非支配解,并通过拥挤距离维持解的多样性。引入精英迁移和局部扰动策略,提高收敛的速度和精度。典型的测试函数的计算结果表明了算法能够快速逼近Pareto最优前沿,是求解多目标优化问题的有效方法。     

基于免疫学原理降低交叉算子破坏性的研究

应用免疫原理设计免疫算子对交叉结果进行修复,将免疫算子作为“有导向的变异算子”取代经典演化算法中的“盲目的变异算子”,有目的地利用待求解问题的知识抑制优化过程中的退化现象,并应用于旅行商问题。实验结果表明了算法的有效性。     

基于矩阵编码的遗传算法及其在自动组卷中的应用

对组卷问题进行了分析，提出了采用遗传算法来解决这个带约束的多目标优化问题。提出了应用于自动组卷中的基于矩阵编码的遗传算法，充分利用领域知识来设计解的编码和遗传算子。试验结果表明，基于矩阵编码的遗传算法相对于其它方法能够取得更有效的结果。     

计算机程序设计课程实验教学质量标准的研究

本文介绍了计算机程序设计课程实验教学在提高学生编程、系统开发能力中的作用、特点以及现状。通过对构成学生编程和软件系统开发能力的要素进行研究,提出了计算机程序设计课程实验教学的量化质量标准,并对质量标准所包含的指标进行了必要和可行性分析。初步试验表明,实施该质量标准收到了一定的成效。     

有导向变异算子的无线Mesh网负载均衡算法研究*

为了提高无线Mesh网络(WMN)的传输性能,提出基于有导向变异算子的进化算法GM-EA(guidedmutation EA)来优化WMN网关负载均衡问题。在已有的WMN负载均衡算法基础上,GM-EA算法通过结合粒子群优化的方法,更好地利用种群中的全局信息,在较少迭代次数下可以达到网关数量和负载均衡两方面的优化。仿真实验表明,GM-EA算法以增加执行时间为代价下得到的网关数量与比其他算法得到的结果更优;在网关负载均衡方面,该算法也取得较好的结果。     

基于有导向变异算子的GM-EA算法*

为了进一步提高演化算法的效率,提出基于有导向变异算子的GM-EA算法（guided mutation evolutio-nary algorithm）。通过结合粒子群优化的方法改进郭涛算法,更好地利用当前最优解指导变异,并将算法分为探索与开采两个阶段;在开采阶段基于模拟退火方法决定是否用新个体取代旧个体,在巩固所获取的建筑块成分的同时,尽可能克服早熟收敛问题。实验结果证明了新算法的有效性。     

基于免疫修复的快速蚁群优化算法

蚁群优化算法通过信息素记录搜索过程中获取的知识,并基于信息素搜索新的解．影响信息素质量的因素主要是信息素更新策略和蚂蚁已找到的候选解的质量．为了提高已有候选解的质量,提出基于免疫原理识别候选解中的“病变”成分,并对其“病变”成分进行修复．经免疫修复后,候选解的质量大大提高,由它更新的信息素更好地反映了优质解的特点,从而加快了信息的正反馈过程．实验结果验证了该算法的有效性．

     

一种基于自适应模糊支配的高维多目标粒子群算法

高维多目标优化问题由于具有巨大的目标空间使得一些经典的多目标优化算法面临挑战.提出一种基于自适应模糊支配的高维多目标粒子群算法MAPSOAF,该算法定义了一种自适应的模糊支配关系,通过对模糊支配的阈值自适应变化若干步长,在加强个体间支配能力的同时实现对种群选择压力的精细化控制,以改善算法的收敛性;其次,通过从外部档案集中选取扰动粒子,并在粒子速度更新公式中新增一扰动项以克服粒子群早熟收敛并改善个体分布的均匀性;另外,算法利用简化的Harmonic归一化距离评估个体的密度,在改善种群分布性的同时降低算法的计算代价.该算法与另外五种高性能的多目标进化算法在标准测试函数集DTLZ{1,2,4,5}上进行对比实验,结果表明该算法在收敛性和多样性方面总体上具有较显著的性能优势.