一类资源负荷均衡问题的误差极小化调度算法

针对一类n个独立任务在m个不完全同等的处理机上处理,使处理机的最大负荷为最小的非抢先调度问题,在双最小平衡算法的基础上提出了误差极小化算法,并分析了它的时间复杂性。在此基础上,提出了基于遗传的误差极小化算法,并通过仿真实例证实了它在结果上优于基于遗传的双最小平衡算法。     

分数阶系统的迭代最小二乘辨识算法

针对等比例阶次的分数阶系统的特点,提出了一种分数阶系统频域辨识的迭代最小二乘算法,并将运算数据的实部和虚部分离计算引入辨识过程,简化了计算的复杂度。此算法是整数阶系统辨识频域最小二乘算法的推广。通过无噪声和有噪声两种情况下的仿真实验,证明了该算法的有效性。     

平行制造与工业5.0:从虚拟制造到智能制造

 以虚拟制造为基础,提出一种智能制造的新范式--平行制造。它融合了社会物理信息系统（cyber-physical-social-systems,CPSS）和工业智联网的概念,综合物理系统、信息系统和社会系统的复杂性,以ACP（artificial systems,人工系统）、计算实验（computational experiments）、平行执行（parallel execution）方法为理论指导,结合工业智联网技术、软件定义技术和知识自动化技术,构建了平行演化、闭环反馈、协同优化的智能制造体系。该系统由3部分组成：软件定义的过程与工厂确定其描述智能、计算实验优化建立其预测智能、虚实互动的平行执行构建其引导智能。通过描述、预测和引导智能的全方位综合利用,实现数字化与透明化的制造企业智能化体系。     

利用基因算法实现参数优化的研究

优化问题的实质是搜索空间中寻找一个点，在满足一定的条件下，使其给定的性质指标达以最大值（或最小值），基因算法（ＧＡ）是一种新型的基于遗传学理论，模拟生命进化机制来帝现搜索和优化的算法，该文以一定的目标函数进行了研究，结果表明，该处法能以很大的概率趋于全局最优解。     

分布式Q学习多目标函数优化策略

将分布式Q学习算法与Pareto排序法相结合,提出了一种利用强化学习算法解决多目标优化问题的策略。该策略充分利用Q学习语句式的奖赏机制来描述问题的多重目标函数,并结合一般的Pareto排序法,在有限的迭代过程后输出可以充分接近于Pareto前沿的非支配解集。与其他智能搜索算法相比,该策略具有结构简单、无需先验知识、参数设置少的特点。测试函数优化问题验证了算法的有效性,为智能算法解决多目标优化问题提供了一种新思路。