细化高纯氧化锌粒度试验

我厂高纯氧化锌自 1983年投产以来 ,生产能力已达到 80 0 0ｔ/ａ水平 ,产品质量优于ＧＢ/Ｔ3 185 -92国家标准 ,优质品率逐年提高 ,现基本上稳定在 98%的水平。我厂生产高纯氧化锌工艺技术成熟 ,操作熟练 ,产量高 ,质量稳定。但用户 (日本客商 )提出要求氧化锌粒度≤ 0 2 8μｍ ,(相当于我厂ＦＳ平均粒度分析仪分析第一炉期为 0 5 2 μｍ ;第二炉期为 0 62 μｍ以上 ) ,用户分析我厂高纯氧化锌粒度平均为 0 3 1～ 0 3 5 μｍ ,达不到用户要求 ,相差 0 0 3～ 0 0 7μｍ。为了开拓国际市场 ,使我厂高纯氧化锌跨入国际名牌产品殿党 ,精…     

基于共享存储的并行RGA的设计与实现

讨论了基于共享存储的并行狭义遗传算法。该算法利用狭义遗传算法与区域搜索法的结合 ,实现了数据级的并行操作 ,具有较高的并行度。它只需要较少的通讯开销 ,从而具有很高的运行效率     

一种改进的基于差分进化的多目标进化算法

近年来运用进化算法（EAs）解决多目标优化问题（Multi-objective Optimization Problems MOPs）引起了各国学者们的关注。作为一种基于种群的优化方法,EAs提供了一种在一次运行后得到一组优化的解的方法。差分进化（DE）算法是EA的一个分支,最开始是用来解决连续函数空间的问题。提出了一种改进的基于差分进化的多目标进化算法（CDE）,并且将它与另外两个经典的多目标进化算法（MOEAs）NSGA-II和SPEA2进行了对比实验。     

基于材料填充的可调光子晶体光纤器件

详细阐述了最近几年基于材料填充的可调光子晶体光纤器件的研究进展,以及发展可调光子晶体器件的重要意义。并根据调制方法的不同,进行了归类介绍：热调器件,电调器件,光调器件。对基于材料填充的可调光子晶体光纤器件的前景进行了展望。     

基于拟蒙特卡罗方法的进化算法搜索鲁棒最优解的性能提高研究

鲁棒最优解在工程应用中具有十分重要的意义,它是进化计算的重要研究内容,也是研究难点．进化算法搜索鲁棒最优解时,通常使用蒙特卡罗积分(MCI)近似估计有效目标函数(EOF),但由于现有的原始蒙特卡罗方法(C-MC)近似精度不高,导致进化算法搜索鲁棒最优解的性能较差．文中提出用拟蒙特卡罗方法(Q-MC)估计有效目标函数,通过大量的数值实验,结果表明,与C-MC相比,文中所引入的Q-MC 方法、SQRT序列、SOBOL序列和Korobov点阵能更精确估计EOF,进而较大提高进化算法搜索鲁棒最优解的性能．     

多目标进化算法求解噪声适应度函数问题研究

多目标优化算法在现实生活中要解决的问题通常是带有不确定性的,适应度存在噪声干扰是不确定性的一个重要方面,所以多目标进化算法求解噪声适应度函数问题具有重要的现实意义,通过实验的方法,研究了3个典型多目标算法在不同规模下噪声干扰下的性能,4个评价方法在噪声环境下的有效性,以及传统的蒙特卡洛积分方法能够适用的范围,实验结果表明,3个典型多目标算法求解噪声适应度函数问题均不理想,传统的蒙特卡洛积分方法随着噪声规模的增加性能下降很快,同时需要更加适用于噪声适应度方程问题的评价方法.     

遗传算法在大学排课系统中的应用

大学排课是一个高度复杂的非线性优化问题,因此该问题的解决具有重要的理论意义和很好的应用价值。本文根据我国高校不完全学分制的需求,使用改进的遗传算法实现了新的排课系统。本系统有效地解决复杂教学进度、多节连排、学生个性化选课、分组教学、多教室类型、多教学区教学等问题,满足了新的需求,取得了较好的应用效果。     

改进的粒子群算法求解非线性约束优化问题

提出了一种改进的粒子群算法（Improved Particle Swarm Optimization,IPSO）,使用了一种新型的变异策略,并在搜索过程中将部分邻近的个体聚集成核,从而形成多子群引导粒子探测新的搜索区域,采用了简单易行的罚函数约束处理机制,使算法在求解较难的非线性约束优化问题时具有很强的全局搜索能力与效率。对比数值实验结果表明,该算法能够有效、稳定地求解非线性约束优化问题。     

一种新的分布性保持方法

分布性保持是多目标进化算法主要目标之一. 然而通常维护方法的性能与运行时间存在矛盾. 提出一种基于最小生成树的分布性维护方法. 利用最小生成树中的度数和边长对个体密度进行估计, 使低度数的边界个体和长边长的低密度个体得到了保留. 另外, 一次性选择个体进入下代种群, 避免了每移出一个个体就需要对个体密度进行调整的操作. 通过5个测试问题和4个方面的测试标准, 与3个著名的算法进行比较实验, 结果表明该方法在以较快速度对种群进行维护的同时, 拥有良好的分布性.     

基于自适应ε支配的快速多目标遗传算法

多目标遗传算法(MOGA)大体上可以分为两个步骤:构造非支配集和保持解分布度。而ε支配能将两者有机地结合起来,具有良好的时间效率及分布度。但是采用ε支配时,其ε参数难以设定,为此文章提出了一种基于自适应ε支配的快速多目标遗传算法(AEMOGA)。通过与其它的2个多目标遗传算法NSGA2和SPEA2比较,实验结果表明该文提出的算法具有良好的时间效率分布性、收敛性及时间效率。