通用查询模块的设计与实现

介绍了在不同的大型数据库系统上，如何设计并实现满足用户多样性，多变性要求的通用查询模块。以及它在管理系统中的地位，必要性及实现的技术复杂性，并介绍了用PowerBuilder工具来实现的技术细节。     

p-cluster:基于聚类的平面p-中心定位算法

客户-设备的p中心定位问题旨在使每个客户访问与其最近的开放设备的最大距离最小，是典型的NP难题.采用聚类分析来解决离散p-中心问题，主要工作包括：（1）分析了按需求点分布类型来分类p-中心问题；(2)提出了基于聚类的p-中心定位算法p-cluster；(3)提出了用混沌搜索机制来求解带权值的一中心问题的算法CSOC(Chaos Search One Center).在合成数据和真实数据上的实验表明，使用p-cluster算法可以有效地解决p-中心问题，从对比实验可以看出p-cluster算法明显优于分支限     

SIGA:一种新的自适应免疫遗传算法

为了克服传统遗传算法收敛速度慢和容易陷入局部最优的不足,提出了一种新的自适应免疫遗传算法SIGA（Self-adaptive Immune Genetic Algorithm）。新算法对遗传算子进行改进,提出了自适应交叉和变异算子,保证了种群多样性和防止早熟现象发生;为了使免疫算子兼顾个体多样性和提高种群个体适应度的水平,提出了基于相似性矢量距离的免疫选择算法。实验表明,与传统的遗传算法和免疫算法相比,该算法收敛速度提高了3～90倍,求解精度达到10^-3,并有效地抑制了早熟现象。     

基于空间填充曲线的数据分发区域匹配

提出基于空间填充曲线的HLADDM区域匹配方法，将多维雏复杂路径空间中的区域线性化为字符串并建立空间区域索引树，区域匹配问题转换为索引的快速查询。这种方法在保证匹配精度前提下，在仿真推进全过程实现区域的快速匹配，并能在整个路径空间范围内实现组播资源动态分配，确保仿真成员间实时数据交互。实验结果表明基于索引树的线性化区域匹配方法能有效地保证数据分发管理服务功能的实现。     

一种新的自适应免疫遗传算法

 为了克服传统遗传算法收敛速度慢和容易陷入局部最优的不足,提出了一种新的自适应免疫遗传算法SIGA(Self-adaptive Immune Genetic Algorithm)。新算法对遗传算子进行改进,提出了自适应交叉和变异算子,保证了种群多样性和防止早熟现象发生;为了使免疫算子兼顾个体多样性和提高种群个体适应度的水平,提出了基于相似性矢量距离的免疫选择算法。实验表明,与传统的遗传算法和免疫算法相比,该算法收敛速度提高了3~90倍,求解精度达到10^-3,并有效地抑制了早熟现象。     

基于基因表达式编程优化PID调节器参数

 应用基因表达式编程（GEP）优化PID调解器参数,提出了基于GEP的PID参数优化策略和适应度函数的设计方法;提出了基于GEP的PID参数优化的GEP-PID算法。实验表明,与Ziegler-Nichols(ZN)法相比,该算法使系统阶跃响应的超调量下降了65.45%,上升时间和调整时间分别缩短了38.5%和61.5％。