混沌优化方法及其应用*

利用混沌运动的遍历性、随机性、“规律性”等特点，本文提出了一种混沌优化方法（ＣＯＡ）。用混沌优化方法对一类连续复杂对象的优化问题进行优化，其效率比一些目前广泛应用的随机优化方法如ＳＡＡ，ＣＡ等要高得多，而且使用方便。  

微粒群算法综述

讨论微粒群算法的开发与应用。首先回顾从1995年以来的开发过程，然后根据一些已有的测试结果对其参数设置进行系统地分析，并讨论一些非标准的改进手段，如簇分解、选择方法、邻域算子、无希望／重新希望方法等。介绍了一些常用的测试函数，以及与其他演化算法的比较。最后讨论了一些已经开发和在将来有希望的领域中的应用。  

变尺度混沌优化方法及其应用

基于混沌变量，提出一种变尺度混沌优化方法，该方法不断缩小优化变量的搜索空间并不断提高搜索精度，从而有较高的搜索效率，应用该方法对６个测试函数进行优化计算得到了满意的效果。  

基于互联网的区域农业产业结构调整决策支持系统

基于网络的决策支持系统技术应用于农业领域是农业信息化的一个新的有着光明前景的发展方向。介绍了一个基于网络的区域农业产业结构调整决策支持系统-AHASO(AnHuiAgriculture Structure Optimization)。详细描述了它的组成结构、主要功能、开发工具、运行环境、各模块设计思想及技术特点、优化实例,最后探讨了基于网络的区域农业产业结构调整决策支持系统的未来发展方向。  

粒子群优化算法

粒子群优化(PSO)算法是一类随机全局优化技术,PSO算法通过粒子间的相互作用发现复杂搜索空间中的最优区域。PSO的优势在于简单容易实现而又功能强大。PSO已成为国际演化计算界研究的热点。该文介绍了基本的PSO算法、若干类改进的PSO算法及其应用,并讨论将来可能的研究内容。  

一种基于蚁群算法的TSP问题分段求解算法

群居性昆虫行为的研究为计算机科学家提供了设计分布式控制和优伦算法的有力方法。对以蚁群算法为代表的群集群能的研究已经逐渐成为一个研究热点。该文首先在蚁群算法的基础上提出了相遇算法，提高了蚁群算法蚂蚁一次周游的质量，然后将相遇算法与采用并行策略的分段算法相结合，提出一种基于蚁群算法的TSP问题分段求解算法。实验结果表明该算法有较好的有效性。  

Ant algorithms and stigmergy

Ant colonies, and more generally social insect societies, are distributed systems that, in spite of the simplicity of their individuals, present a highly structured social organization. As a result of this organization, ant colonies can accomplish complex tasks that in some cases far exceed the individual capacities of a single ant. The study of ant colonies behavior and of their self-organizing capacities is interesting for computer scientists because it provides models of distributed organization which are useful to solve difficult optimization and distributed control problems. In this paper we overview some models derived from the observation of real ants, emphasizing the role played by stigmergy as distributed communication paradigm, and we show how these models have inspired a number of novel algorithms for the solution of distributed optimization and distributed control problems.  

Recent approaches to global optimization problems through Particle Swarm Optimization

This paper presents an overview of our most recent results concerning the Particle Swarm Optimization (PSO) method. Techniques for the alleviation of local minima, and for detecting multiple minimizers are described. Moreover, results on the ability of the PSO in tackling Multiobjective, Minimax, Integer Programming and ¹ errors-in-variables problems, as well as problems in noisy and continuously changing environments, are reported. Finally, a Composite PSO, in which the heuristic parameters of PSO are controlled by a Differential Evolution algorithm during the optimization, is described, and results for many well-known and widely used test functions are given.  

一种保证全局收敛的PSO算法

在对基本PSO算法分析的基础上，提出了一种能够保证以概率1收敛于全局最优解的PSO算法——随机PSO算法(stochastic PSO，SPSO)，并利用Solis和Wets的研究结果对其全局收敛性进行了理论分析，给出了两种停止进化微粒的重新产生方法．最后以典型优化问题的实例仿真验证了SPSO算法的有效性．  

免疫粒子群优化算法

受生物体免疫系统免疫机制的启发,论文把免疫系统的免疫信息处理机制引入到粒子群优化算法中,给出了免疫粒子群优化算法。这种免疫粒子群优化算法结合了粒子群优化算法具有的全局寻优能力和免疫系统的免疫信息处理机制,并且实现简单,改善了粒子群优化算法摆脱局部极值点的能力,提高了算法进化过程中的收敛速度和精度。一个求多维函数最优值的计算机仿真对比结果表明,免疫粒子群优化算法的收敛性能优于粒子群优化算法。