多目标进化算法在主体自动协商中的应用

研究多主体系统中主体之间的协商协议和通信协议,分析一对一协商模型,该模型采用响应型策略和慎思型策略进行协商。考虑协商双方的偏好和最大化己方的效用值,建立多目标进化算法,构造主体的预提供方案集及其支配子集,实现多主体自动协商。实验结果验证了该方法的有效性。     

独立学院计算机专业教学改革方案

传统教育模式的弊端在新的社会需求下已经十分明显,素质教育不能流于形式。本文详细论述了我校独立学院针对计算机专业学生的特点和教学中存在的问题,提出并实践了一系列具体的改革措施。学生反响强烈,效果很好,学院因此进行了一系列教学改革尝试,并获得省重点教改课题的基金资助。     

基于空间距离的多目标差分进化算法*

在经典差分进化的基础上,提出了一种基于空间距离的多目标差分进化算法(SD-MODE),与目前经典算法NSGA-Ⅱ和ε-MOEA 进行比较,结果表明该算法拥有良好的分布性,同时也较好地改善了收敛性。     

提高MOEAs解集的分布性——一种基于∞范数的逐步方法

解集的分布性是多目标优化中最重要的研究工作之一,解集的分布性主要体现在两个方面,一是解集的分布广度;二是解集的均匀性。在多目标进化算法(MOEAs)中,解集分布性的保持放在种群维护中实现,提出一种基于∞范数的逐步方法(INS)来提高MOEAs解集的分布性,INS用∞范数来衡量个体的分布性,用逐步的方法来裁剪个体。通过与目前最流行的两个MOEAs——NSGA-II和ε-MOEA,在9个测试函数上进行实验,结果表明INS能很好地提高解集的分布性。     

基于遗传算法的WSN覆盖优化方法

在含有移动节点的混合无线传感器网络中,为优化网络覆盖性能,提出了一种基于遗传算法的移动节点控制策略,最后通过仿真实验验证了算法的有效性。     

解决复杂Pareto解集问题的进化算法

针对各种进化算法在解决PS问题上表现出来的脆弱性，提出一种解决复杂PS问题的自适应多目标差分进化算法SA-MODE。根据随机选择的父个体X与当前种群中的个体Y的支配关系，通过改变缩放因子的大小来控制新个体和父个体的距离。当X支配Y则新个体接近X，反之远离X，当X与Y互相不支配则产生2个新个体，一个接近X一个远离X。实验结果表明，在处理复杂PS问题时，SA-MODE与GDE3和NSGA-II相比有更理想的效果。     

一种基于极坐标的分布度保持策略

将极坐标的思想引入多目标遗传算法来保持解的多样性,由此提出了一种新的多目标遗传算法:PCGA2(Polar Coordinates Genetic Algorithms Ⅱ);分析了基于极坐标的分布度保持策略的时间复杂度,并通过实验将PCGA2同当前流行的两种多目标遗传算法(NSGA2和SPEA2)进行了比较。实验数据表明该算法不仅在时间耗费上比较低,而且所得到的解具有非常好的分布度。     

计算机网络专业实践教学的改革

结合实验教学的经验,针对当前计算机网络专业学生对实验无兴趣、不重视,实践动手能力不能适应社会各领域实际要求的问题,总结出一个四层的阶梯式实验教学模式。这是一个全方位分层次的实践教学体系,这些教学改革措施提高了学生的实践动手能力,适应了当前高等教育大众化环境下人才培养的多元化要求。本文对这一改革过程进行了详细阐述。     

多智能体系统中的协商模型

目前，对多智能体系统的应用多是以开放的、复杂的、变化的网络为平台，为了更好地与环境相匹配，同对提高智能体之间协商的效率，从全局与单个智能体两方面着手，提出了一种新的MAS全局模型，并相应地提出了全局协调Agent的三维模型以及智能体之间的协商模型。通过这一系列模型的模拟实现，证明了此协商模型是正确的与接近自然的。从理论上基本上解决了与当前流行的基于网络的各种先进的智能系统，分布式问题求解等领域的衔接，因而有一定的指导意义并具有广阔的发展前景。     

基于SD-MODE的WSN覆盖优化策略

改进经典差分进化算法,得到一种基于空间距离的多目标差分进化(SD-MODE)算法,将其应用于无线传感器网络的覆盖优化。仿真结果表明,相比经典的NSGA-II算法和ε-MOEA算法,SD-MODE算法能更好地定位移动节点,增大覆盖率,减少节点的平均运动距离。