基于个体邻域的改进NSGA-Ⅱ算法

带有精英策略的非支配排序遗传算法（NSGA-II）是在NSGA的基础之上，提出拥挤度和拥挤度比较算子，代替了需要指定共享半径的适应度共享策略，是解决多目标优化问题的经典算法之一。但是NSGA-II算法在保持种群多样性时采取的拥挤距离排挤机制有着pareto前沿分布不均匀的缺陷，因此，提出一种基于个体邻域的改进NSGA-II算法SN-NSGA2。SN-NSGA2将密度聚类算法DBSCAN中邻域的思想应用到排挤机制中去，提出一种个体邻域的构建方法，采用相应的淘汰策略去除个体邻域中的其他邻居个体。实验结果表明相对于NSGA-II算法来说，新算法求出的pareto解集有着更好的分布性以及良好的收敛性。     

基于Agent的动态负载均衡技术及仿真实现

实现负载均衡需要解决三个关键问题，即负载状况的定义、负载探测以及均衡策略。文章分析了现有负载均衡技术存在的问题．这些问题包括负载探测的间接性，负载均衡的单向性、静态性和主观性等；提出一种基于Multi—Agent的动态负载探测技术和均衡策略，给出了相应的结构模型和算法，并进行了仿真试验，结果表明该技术优于其它负载均衡技术。     

基于事件通知服务的RFID数据处理框架

RFID技术能够实现物理对象的实时标识、定位和监控,为了达到这个目标,必须能够高效地合成RFID基本事件并且有效地发布信息.RFID应用的多样化又需要一个能够通用的RFID数据处理框架.文中提出一个基于事件通知服务的RFID数据处理框架,并设计了一种基于匹配树的RFID复杂事件检测方法应用于该框架.通过对某汽车企业制造过程用例分析,来说明本框架的应用可行性.     

基于用户聚类的协同过滤推荐方法

为了提高电子商务网站的个性化服务效率,给出了一种改进的用户聚类的协同过滤推荐方法,该算法利用用户对项目的关注的相似性来修正原始相似性计算,综合考虑用户对项目的关注和用户评价对推荐的影响.实验表明,该基于用户聚类的协同过滤推荐算法不仅减少了用户在寻找最近邻居的搜索强度,加快了推荐生成速度,而且增强了推荐算法的实时性,提高了推荐质量.     

基于JXTA的分布式供应链联盟企业协作系统*

从供应链联盟自身特点出发,分析了供应链联盟内存在的各种协作的种类、特点以及需求,并分析指出了一种基于B/S模式的供应链联盟信息系统体系结构的不足之处,提出了基于JXTA的分布式供应链联盟企业协作系统的体系结构,对该体系结构作出了详细阐述,并讨论了其关键技术。     

求解武器—目标分配问题的混合编码差异演化算法*

提出一种混合编码差异演化求解武器—目标分配优化问题。在差异演化算法中增加违反边界约束处理操作,确保由变异和交叉操作生成的每个新个体满足边界约束条件;对差异演化算法中的选择操作重新定义,使其可以直接处理约束条件。基于编码映射的方法构建一种新的混合编码差异演化算法。利用武器—目标分配问题对该算法进行了仿真实验,结果表明该算法的有效性与适用性。混合编码差异演化算法是求解离散约束优化问题的一种有效方法。     

基于混合编码的差异演化算法解0-1背包问题*

针对典型的一类NP完全问题——背包问题,提出一种混合编码的差异演化求解方法。该方法基于差异演化算法框架,采用混合编码机制,每个决策变量均由一个实数和一个二进制数的组合表示。利用新定义的映射算子,构建混合编码的种群;增加边界约束处理算子,确保变异算子计算结果满足边界约束条件;利用新定义的丢弃算子对于不可行的装包策略进行修正。通过数值仿真实验,将该方法与遗传算法、二进制差异算法的计算结果比较分析,表明该算法求解背包问题的有效性与适用性。     

面向多模态函数优化的自适应小生境遗传算法

为了解决小生境遗传算法不能准确识别小生境的缺陷,以及算法无法有效平衡快速收敛和保持种群多样性的冲突问题,提出一种自适应小生境遗传算法.在算法中,设计一种改进的小生境识别方法来确定小生境范围,引入用于度量种群多样性的小生境熵概念,并利用小生境熵自适应调整进化参数的取值.同时,改进选择、交叉策略,在识别的小生境基础上将交叉分为境外交叉和境内交叉,用于提高算法的全局搜索能力和局部收敛速度.实验表明,算法对于解决多模态函数优化问题具有收敛速度快和计算量小等优点,能够有效避免遗传漂移现象.     

基于RFID技术的汽车总装MES系统研究

针对汽车制造企业在总装环节出现的数据采集手段落后,生产线实时监控能力弱,制造执行系统和物流执行系统、企业资源计划等系统之间存在信息和管理断层等问题,在对RFID技术进行了汽车生产流程适用性分析之后,将RFID技术引入生产过程之中,通过工位RFID读写器完成现场生产数据的实时采集,通过系统集成接口实现MES与各系统的数据和业务集成,提出了基于射频识别技术的总装生产模式,构建了该模式下的总装制造执行系统。并在实际应用中取得成效。     

基于CNN-LFM模型的个性化推荐

评分数据的稀疏性和新物品的冷启动问题一直是阻碍推荐系统发展的难题。针对这些问题,利用物品的图像数据作为辅助信息以提高评分预测的准确性,提出一种基于卷积神经网络与隐语义模型的推荐模型(CNN-LFM)。CNN-LFM模型利用隐语义模型挖掘评分数据,获得用户和物品的潜在特征,其中物品的潜在特征会在卷积神经网络提取的图像特征的约束下不断完善。在真实数据集下进行实验,对结果的定量和定性分析表明CNN-LFM模型不存在新物品的冷启动问题,即使当评分数据十分稀疏时,其性能也远远优于其它推荐模型。