求解FPRM电路极性优化问题的改进多目标粒子群算法

针对多目标要求下较大规模固定极性Reed-Muller(FPRM)逻辑电路的极性优化问题,提出一种基于改进多目标粒子群算法的求解方法.首先根据延时、面积及功耗的综合要求建立FPRM电路极性优化的多目标决策模型;然后利用外部档案库引导粒子种群进行兼顾全局搜索及局部开发的双重更新,并通过Pareto占优进行粒子优劣性评价,以获取满足延时短、面积小、功耗低的最优极性解集;最后利用MCNC Benchmark电路进行性能测试,并与3种当前较优算法进行对比,验证了文中算法的有效性.     

基于自主学习行为的教与学优化算法

针对教与学优化（TLBO）算法收敛精度较低、易于早熟收敛等问题,提出一种基于自主学习行为的教与学优化算法（SLTLBO）。SLTLBO算法为学生构建了更加完善的学习框架,学生在完成常规"教"阶段与"学"阶段的学习行为之外,将进一步对比自己与教师、最差学生的差异,自主完成多样化的学习操作,以提高自己的知识水平,提高算法的收敛精度;同时学生通过高斯搜索的自主学习反思行为跳出局部区域,实现更好的全局搜索。利用10个基准测试函数对SLTLBO算法进行了性能测试,并将SLTLBO算法与粒子群优化（PSO）算法、智能蜂群（ABC）算法以及TLBO算法进行结果比对,实验结果验证了SLTLBO算法的有效性。     

一种基于并行搜索策略的苍狼算法

作为一种新型群体智能方法,苍狼算法模拟了苍狼在群体捕食过程中的搜索跟踪、包围、攻击等行为。分析了该算法的优化机理,并对算法优化过程进行了数学定义及描述。提出了一种基于并行搜索策略的改进型苍狼算法,将狼群分组,在整个搜索过程中同时进行局部开发和全局探索活动,以更好地满足目标搜寻的要求。通过典型的基准测试函数对算法进行了性能仿真测试。实验结果表明,与其他群体智能优化方法相比,改进型苍狼算法在收敛速度、收敛精度及鲁棒性等方面均具有一定优势。     

一种域自适应型的粒子群算法

基于常规粒子群算法，设计了一种域自适应型粒子群算法。该算法从域约束和引入自适应因子入手。改善了粒子群算法对搜索精度与收敛速度的兼顾性能力。通过基准函数对该算法进行了实验，结果验证了该算法的有效性。     

数据仓库技术在零售企业的应用研究

本文首先介绍了数据仓库理论及联机分析处理（OLAP）技术,并通过以某零售企业产品销售为主题的数据仓库模型的构建,介绍了如何建立数据仓库的体系结构,提出了数据仓库的构建和设计过程。     

一种基于多种群学习机制的萤火虫优化算法

针对萤火虫算法存在的收敛速度较慢及易早熟收敛等问题, 提出一种基于多种群学习机制的新型萤火虫优化算法：将萤火虫群分为不同参数的多个子群, 各子群内的萤火虫跟随所属子群的最优萤火虫分别进行寻优操作。在各子群的最优萤火虫之间构建相互学习机制, 实现子群间的信息交流。利用五个标准测试函数对新算法的寻优性能进行了实验分析, 实验结果验证了该算法的有效性。     

基于多类合并的PSO-means聚类算法

针对传统K—means算法中对初始化聚类中心敏感,容易陷入局部极小值等缺点,提出了一种基于粒子群算法和多类合并方法的新型K-means聚类算法．该算法首先利用改进粒子群算法选取初始聚类中心,然后利用K—means算法进行优化聚类,最后根据多类合并条件进行聚类合并,以获取最佳聚类结果．实验结果证明,该算法能有效解决传统K—means算法存在的缺陷,具有更快的收敛速度及更好的全局搜索能力,聚类划分效果更优．     

基于Logistic映射的蜉蝣优化算法

在高维复杂问题上,蜉蝣优化算法存在易陷入局部最优区域且求解精度较差等问题,因而提出基于Logistic映射的蜉蝣优化算法.引入依据Logistic映射的混沌机制,当种群进化停滞时,当前最优蜉蝣通过混沌机制寻找适应度更好的蜉蝣,以激发种群进化能力;建立较劣蜉蝣加速进化机制,激励蜉蝣个体以达到种群寻优要求;采用动态惯性权重均衡算法全局和局部的搜索性能.抽取5个benchmark函数测试算法性能,实验结果验证了所提算法在寻优性能上的有效性.     

基于改进型进化机制的萤火虫优化算法

分析了萤火虫算法的进化计算机制,并利用实例对萤火虫算法中容易发生进化过早停滞的原因进行了研究。提出了一种基于新型进化计算模式的改进型萤火虫优化算法,该算法在进化初期利用种群最优萤火虫激发群中其他个体的寻优能力,在萤火虫相互之间建构了有效的信息交互网络后,各萤火虫将借助各自视觉范围内的更优近邻个体完成后期搜索和进化,当种群陷入局部最优区域时,利用高斯变异改善萤火虫个体的多样性。利用标准测试函数进行了实验分析,结果表明,改进后的萤火虫算法能有效改善过早进化停滞问题。     

基于粒子群的近邻传播算法

针对近邻传播（AP）算法中偏向参数与收敛系数对AP算法的聚类效果的局限性的问题,提出了一种基于粒子群的近邻传播算法（Pso—AP算法）．通过将AP算法中的偏向参数与收敛系数作为粒子,然后使用粒子群算法来对其进行智能地调整,进而提高AP算法的聚类效果．实验结果表明,该算法能有效地解决偏向参数与收敛系数对AP算法的聚类效果局限性,提高了聚类效果与收敛精度．