基于α-邻近的改进蚁群算法

为克服传统蚁群系统( ACS)在较大规模问题计算中易陷入局部最优,以及求解精度较低等不足,提出一种新的改进蚁群算法。该算法引入最小1-树中的α-邻近概念,能更好地反映给定边属于最优回路的概率,通过转换邻接矩阵,计算出最优回路的下界,以此提高α值的精度,并给出适应性探索策略,加入3-opt领域搜索算子,有效提高优化解的精度。实验结果表明,该算法具有更好的全局寻优能力,与 ACS 等算法相比能获得更加优化的解。     

混合策略改进鲸鱼优化算法

针对标准鲸鱼优化算法（whale optimization algorithm,WOA）易陷入局部最优解、收敛精度低、收敛速度慢等问题,提出一种利用混合策略改进的鲸鱼优化算法（multi-strategy improved whale optimization algorithm,MSIWOA）。首先采取精英反向策略初始化种群,提高初始种群质量;其次,采取卡方分布的逆累积分布函数更新收敛因子以实现全局探索和局部开发的平衡;然后利用改进氏族拓扑结构强化种群的全局探索能力,并提高算法收敛速度;最后采取Circle映射产生混沌解,结合贪婪策略保留较优解,以帮助种群跳出局部最优解。通过对10个基准测试函数以及CEC2019测试函数进行仿真实验,结果表明,MSIWOA在收敛精度和收敛速度上均有较明显的提升。     

现代企业管理信息系统的开发与设计

针对当前企业管理信息系统的现状,分析了基于客户机／服务器计算模式设计和开发现代企业MIS应用系统的方法。     

协同过滤策略的异构双种群蚁群算法

针对蚁群算法收敛速度较慢,易陷入局部最优等问题,提出一种基于协同过滤策略的异构双种群蚁群算法。针对两个异构种群,引入协同过滤策略,奖励两个种群中蚂蚁更加偏好的路径,使算法更具导向性,加快算法的收敛速度;根据种群之间信息的动态反馈,自适应调整两个种群的交流频率,增加算法多样性;算法停滞时,两个种群协同交互,均化每个种群信息素,跳出局部最优。最后,引入神经网络失活思想,采用城市范围失活的方法,使程序运行时间更短。在对中大规模商旅问题(TSP)测试集仿真实验上,该算法提高了解的质量,保证了算法的多样性,加快了算法的收敛速度。     

基于相似性度量的软构件的选择

1 问题的提出近几年来,随着软件规模和复杂性的不断增长,传统“手工作坊”式的软件开发模型,难于适应和满足现代软件工业发展的需要,基于构件的软件开发方法已成为提高软件生产效率和产品质量,缩短产品交付时间的现实有效的途径之一,但在长期的实践中,软件重用的研究主要集中在技术方面的研究,如:构件化的编程方法,可重用构件的分析与设计,可重用构件库的设计等,而对于一些非技术问题没有得到妥善的解决,其中包括:为了对软构件库中的构件进行分类、存储、检索和理解,如何有效地对软构件的内部特性和外部特性加以描述,如何从构件库中检索出所需要的可复用构件,其主要依据和标准是什么?本文针对这些问题,提出了一种描述和选择软构件的方法。2 软构件的形式描述     

实时系统中的连铸板坯边缘检测快速算法

分析了影响边缘检测算法速度的关键因素,针对连铸板坯边缘实时测量问题,提出了一种基于灰度图像投影的边缘检测快速算法,这一算法适用于直线型阶跃边缘的快速检测,并在实际应用中取得了良好的效果。     

绿芦笋压差预冷和冷藏试验研究

试验研究了绿芦笋采后压差预冷和没预冷，用发泡聚苯乙烯箱和瓦楞纸箱包装，在2℃条件下冷藏10天、20天、30天、40天和50天的品质变化。结果表明：冷藏20天的绿芦笋新鲜并具有商品性。随着冷藏时间的延长，绿芦笋的失重率、腐烂率和顶端鳞片松散率逐渐增多，颜色变浅，可溶性固形物、维生素C和糖含量逐渐降低，叶绿素含量前期下降，中后期逐渐升高。压差预冷和包装方法对绿芦笋的保鲜效果影响较大。PC＋EPS的保鲜效果最好，不但能减少绿芦笋的失重率、腐烂率和顶端鳞片松散率，而且能减少其可溶性固形物、维生素C和糖含量的损失。     

基于Agent的数字校园网格GIS系统框架研究

分析和讨论了当前数字校园建设中所面临的问题，指出了基于多Agent的分布式网格GIS技术是解决当前数字校园领域中所存在问题的最佳方式，详细阐述了基于Agent的数字校园网格GIS的集成框架，重点讨论了系统中Agent中间件的功能和网格服务的实现方法。     

基于扩展UML的Agent建模语言的设计与研究

目前基于UML的面向Agent建模语言可以满足Agent的语法要求，而没有很好地满足其语义要求．本文提出以图形语义域变换作为UML的扩充语义机制，分析和讨论了面向Agent建模语言（AML）的体系结构和基于扩展UML的Agent间相互作用的协议描述方法，并应用实例表现了该扩充的可行性，为标准Agent建模语言的形成具有一定的促进作用．     

启发式强化学习机制的异构双种群蚁群算法

针对传统蚁群算法在解决TSP问题时易陷入局部最优、收敛速度较慢的问题,提出了一种基于启发式强化学习的异构双种群蚁群算法。蚁群分为主种群和子种群,主种群负责解的构建和信息素的更新,子种群则是在构建解的同时对主种群的解集进行替换。算法初期利用启发式算子自适应地控制两个种群的交流频率,通过偏离度系数控制解的交换方式。前期让子种群的最优解去替换主种群的随机解,增加解的多样性,同时引入强化学习机制对交流后主种群最优路径上的信息素进行自适应的奖赏,以增大最优公共路径以后被选择的概率。后期则控制子种群的最优解去替换主种群的最差解,强化最优路径上信息素的量,并对主种群最优路径上的信息素进行奖赏,进一步提高算法的收敛速度。实验仿真表明,算法能够有效地跳出局部最优,并且解的质量在大规模测试集上有明显的改善。