加热炉多模式动态优化控制策略

针对加热炉优人控制存在的缺陷，提出一种加热炉多模式动态优化控制策略。该控制策略包括稳态优化炉温设定值的求解和炉漫设定的动态补偿。在稳取优化中采用了单纯形法，而动态补偿则采用了以ＰＩＤ调节为主、以专家经验为辅的控制手段。仿真研究表明控制策略效果良好，既节约了大量能源又提高了产品质量。  

动态优化环境下的群核进化粒子群优化方法

粒子群优化方法是由Kennedy和Eberhart于1995年提出的一种基于群体智能（swarm intelligence）的进化计算技术．定义了“群核”（swarm—core）的概念，并在此基础上，提出了基于群核进化的粒子群优化方法（swarm—core evolutionary particle swarm optimization，SCEPSO），在SCEPSO方法中，为增强群体的优化能力，把群体分成了3个子群体，并且每个子群体有各自不同的“分工”．同时研究了SCEPSO方法对连续变化的最优点的动态跟踪能力，在3种动态优化模型下进行了实验．实验结果表明，与传统PSO方法相比，SCEPSO方法能够可靠并精确地跟踪连续变化的全局最优解．  

基于转向法的大规模空间封闭图形高效识别

针对大规模空间封闭图形的高效识别，考虑与识别有关的各个阶段，给出基于转向法的空间封闭图形识别总体方案。围绕封闭图形唯一性和确定性要求，基于转向法定向封闭几何事实，提出一种顺（逆）时针搜索方法来识别单个封闭图形，并辅以区域划分排序方法、动态优化搜索目标、优先级设置等实现大规模空间封闭图形的高效识别，实际应用表明该方法的有效性。  

基于动态优化模型集的多模型自适应控制

针对多模型自适应控制的传统算法中固定模型集无法准确覆盖对象的不确定域的问题，提出了一种新型的能够在线动态优化模型集的方法。该方法能够在线自动添加、删除以及修改模型集中的模型，有效地控制模型数量以及优化模型集，使模型集对不确定域进行精确覆盖，并且在系统运行的稳定阶段可以停止优化模型集的动作，从而大幅减少计算量。该方法在优化控制性能的同时不会过分增加系统运算负担，仿真实验表明了此算法的优越性。  

基于加权向量空间模型的网络搜索*

为了高效地对从Internet上获取的文档进行训练并归类,给出了一种新的分类器模型.该模型在传统的向量空间模型(VSM)中引入了关键词语的加权因子,并在训练文档过程中对文档类型特征向量进行动态优化.这在一定程度上恢复了关键词语实际应具有的权值,方便了阈值的选取,使分类更加准确和高效.实验表明,该分类器分类合理、分类准确性有明显的提高,并具有一定的学习功能.  

多机器人不确定协作任务的动态优化方法

针对一类可变目标的多机器人协作运动问题，提出动态优化的方案．在每一优化时刻 根据当前目标状态及其变化规律，确定每个机器人的运动，得到该时刻概率意义上的最优运 动．把系统整体路径规划的复杂问题分解为独立路径规划问题和分派问题分别求解，实现最 快协作运动．并且将这种优化方案动态实施，以适应目标的不确定性．提出的方法还可推广 到更一般的不确定协作任务中．  

演化测试技术的研究

演化测试作为一种非常有前景的自动化测试技术,可以成功地为多种测试目标生成高质量的测试用例。它将测试用例的生成过程转化为一个利用遗传算法进行数值优化的问题。算法的搜索空间即为待测软件的输入域,其中最优解即是满足测试目标的测试用例。该搜索过程可以实现完全自动化,它所具有的导向性可以避免盲目搜索,较随机测试有着更加明确的目标和方向性;同时该搜索过程还具有一定的随机扰动,可以很好地克服复杂搜索域所带来的种种局限性。近年来,越来越多的学者开始关注于演化测试技术的研究,并取得了一些研究成果,使之在多种领域得以成功地应用。分别在结构性测试、功能性测试、性能测试以及面向对象测试领域,对演化测试技术进行了总结。通过对各领域的应用方法进行分类概括,比较分析了不同方法的优势与不足,为理解、评价以及合理选取演化测试方法提供了较有价值的参考。在此基础上,总结评估了现有的演化测试优化技术及其适用性。最后,展望了演化测试技术未来的研究方向。  

基于迭代粒子群算法的间歇过程优化

针对无状态和终端约束的间歇过程动态优化问题,将迭代思想与粒子群优化算法相结合,提出了迭代粒子群算法.算法首先将控制变量离散化,用标准粒子群算法搜索离散控制变量的最优解,并在随后的迭代过程中不断收缩控制变量的搜索域,使优化性能指标和控制轨线不断趋于最优解.为使优化轨线光滑平稳,算法采用三点线性平滑算子对每次迭代结果进行平滑滤波.算法简洁,可行,高效,特别是在系统梯度信息不可得的情况下更具实用性.对一个间歇过程的仿真结果证明了迭代粒子群算法可以有效地解决不含状态和终端约束的间歇过程动态优化问题.  

基于新模型的动态多目标优化进化算法

在动态多目标优化中,各目标通常相互冲突,其最优解往往有无穷多个,如何在时间连续发生变化的情况下依然能求出分布均匀且数量多的Pareto最优解供决策者选择十分重要.对动态多目标优化问题连续变化的时间变量区间进行了任意划分,在得到的每个时间子区间上把动态多目标优化问题近似为静态多目标优化问题,进而在每个子区间上定义了种群的静态序值方差和静态密度方差,然后把目标个数任意的动态多目标优化问题转化成一个双目标静态优化问题.在给出的一种能自动检测时间变化的自检算子下,提出一种新的动态多目标优化进化算法,并且证明了算法的收敛性.计算机仿真表明新算法对动态多目标优化问题求解十分有效.  

动态环境中的Memetic算法

针对近几年在进化计算领域被广泛关注的动态优化问题, 提出了一种基于粒子群优化(PSO)的Memetic算法. 在一种环状拓扑结构的局部PSO模型中, 利用模糊认知局域搜索策略来改善部分粒子的质量, 同时引入一种自组织随机移民策略来保持算法的种群多样性. 通过对一组标准动态测试问题的仿真实验, 能够证明所提出的算法在动态环境中的有效性和适应能力.