J2EE架构中各层数据表示和传输的研究

为了克服传统两层架构的弊端,出现了J2EE三层或多层架构。文章在详细分析J2EE三层架构,即客户层、中间层和数据层的基础上,提出了J2EE三层架构中各层的数据表示、层间数据表示的转化和传输的方法;通过一个简单常见的实例,具体分析了各层间数据表示、转化和传输的实现过程。最后总结出了两种常用的数据表示和传输模型。     

基于（μ＋λ）选择策略的多目标优化分段遗传算法

在多目标优化遗传算法中，将整个种群按目标函数值划分成若干子种群，在各子种群内μ个父代经遗传操作产生λ个后代；然后将各子种群的所有父代和后代个体收集起来进行种群排序适应度共享，选取较好的个体组成下一代种群。相邻的非劣解容易分在同一子种群有利于提高搜索效率；各子种群间的遗传操作可采用并行处理；各子种群的所有
有个体收集起来进行适应度共享有利于维持种群的多样性。最后给出了计算实例。     

基于GA的MTSP问题的研究

目前对于旅行商问题的研究已经到了一个比较成熟的阶段,但是对于多旅行商问题的研究还相对较少。文章针对使所有旅行商路程尽可能平均（即所有旅行商路程的最大值最小）,且所有旅行商的总路程最小的一类多旅行商问题进行研究,通过三交换启发式交叉算子,变换变异算子和矩阵解码方法来优化简单的遗传算法。最后通过仿真试验,验证了该算法的有效性和可行性。     

多目标差分演化算法研究综述

多目标差分演化算法是一种简单有效的演化算法,已引起学术界的广泛关注,并在许多领域得到应用。首先描述了差分演化算法的基本思想;接着分析了有代表性的多目标差分演化算法,并给出了改进多目标差分演化算法的一些措施;然后讨论了多目标差分演化算法的性能度量指标,并介绍了多目标差分演化算法的一些应用领域;最后,指出了多目标差分演化算法今后的研究方向。     

基于遗传算法的多目标0-1背包问题优化模型

多目标0-1背包问题是一个NP-complete的多目标优化问题,基于群体搜索机制的遗传算法非常适合多目标优化问题的求解。在著名的多目标优化遗传算法NSGA-II中,引入邻域搜索机制,并将其应用于多目标0-1背包问题的求解。数值实验表明,引入邻域搜索机制的NSGA-II算法在求解多目标0-1背包问题时表现出更好的性能。     

基于遗传算法的一种生物序列比对方法

生物序列比对是对DNA（或RNA,蛋白质）序列,寻找和确定它们的相似部分或稳定区域.二重序列比对问题可采用动态规划方法求得其最优解;多重序列比对问题是一个NP完全的组合优化问题,有待进一步探索与研究.通过合理的编码表示,采用相应的遗传算子,设计了一种求生物序列比对的遗传算法.并对几组DNA序列进行了测试.     

基于遗传算法求解TSP问题的一种算法

TSP问题是一个经典的NP难度的组合优化问题，遗传算法是求解TSP问题的有效方法之一。利用交换启发交叉算子实现局部搜索加快算法的收敛速度和利用变换变异算子维持群体的多样性防止算法早熟收敛，给出了一种求解TSP问题的遗传算法。仿真实验结果表明了该算法的有效性和可行性。     

多目标优化差分进化算法

个体的适应度赋值和群体的多样性维护是进化算法的两个关键问题。首先,一方面,定义了Paretoε-支配关系的相关概念,通过Paretoε-支配关系确定个体的强度Pareto值,根据个体的强度Pareto值对群体进行Pareto分级排序,实现优胜劣汰;另一方面,使用拥挤距离估算个体的拥挤密度,淘汰位于拥挤区的一些个体,维持群体的多样性。然后,根据差分进化算法的特点,使用适当的进化策略和控制参数,给出了一种用于求解多目标优化问题的差分进化算法DEAMO。最后,数值实验表明,DEAMO在求解标准的多目标优化问题时性能表现优良。     

混合遗传算法与模拟退火法

论文将适合全局搜索的遗传算法(GA)和适合局部搜索的模拟退火算法(SA)相结合,提出了混合GA-SA计算方法。一方面,算法采用混沌初始化,提高了初始群体的质量;另一方面,算法采用Gray编码以及动态自适应调节交叉概率和变异概率,提高了收敛速度,并有效防止种群早熟现象。实例验证了该算法的可行性和有效性。     

方格取数问题的动态规划算法

动态规划算法对很多实际问题的解决是灵活和高效的.首先对方格取数问题进行分析,通过一条路径和两条路径选择的对比分析,得出了该问题的动态规划算法,并对该算法关键部分加以代码实现,最后对该算法的时间和空间复杂度进行分析和讨论,并对复杂度进行优化.试验的结果说明了该算法对于解决该类问题在时间效率上要明显优于贪心算法等一些算法.