一种混合优化算法及其收敛性证明

针对改进的混沌优化方法和Alopex算法的特性，将改进的Alopex算法嵌入到改进的混沌优化算法中，提出一种混合优化算法，此算法充分发挥了改进的Alopex算法的快速搜索能力和改进的混沌优化方法细致寻优的特性，提高了算法的收敛速度，避免了优化算法陷入局部最优；同时对改进的混沌优化算法和混合优化算法的收敛性进行了证明，仿真结果表明了算法的有效性。     

基于改进粒子群算法的PID参数优化方法研究

针对标准粒子群算法的一些缺点进行了改进，提出了MWPSO优化算法，即Multi-Weight PSO。将MWPSO优化算法用几个标准测试函数进行测试，结果表明该算法优化结果的指标参数比标准PSO算法有所提高。在此基础上，用MWPSO优化算法对PID控制中的参数进行优化并将结果与遗传算法的结果进行比较，优化结果在保证PID控制稳定性基础上提高了PID控制的精度，且编码简单、易于实现。具有较好的应用前景。     

基于粒子群优化的BP网络学习算法

本文提出一种新颖的基于粒子群优化的BP网络学习算法，该算法是一种全局随机优化算法。用Iris分类问题，将所提出的算法与BP算法作了对比实验。实验结果表明：所提出的算法性能优于BP算法，而且具有良好的收敛性。     

连续优化问题的蚁群算法研究

蚁群算法是一种新型的模拟进化算法，初步的研究已经表明该算法具有许多优良的性质，对于连续优化问题，提出了基于蚁群算法思想的求解算法，并与网格法作了比较，数值试验结果表明该方法比较有效，并具有通用性。     

利用改进微粒群算法优化PID参数

提出一种利用改进微粒群算法优化PID参数的方法。微粒群算法(PSO)是一种随机全局优化技术，算法通过微粒间的相互作用发现复杂搜索空间中的最优区域，算法简单、容易实现且功能强大。将PSO算法加以改进并应用在PID控制器的参数优化，经仿真证明了PSO算法的有效性，其性能优于遗传算法和传统的经验公式。     

统计启发式搜索算法在函数优化中的应用

本文讨论统计启发式搜索算法在优化计算中的应用，主要是函数求优化。为此引入新的ＭＡＸ统计量，构造相应的ＳＡ算法（称之为ＳＡ（ＭＡＸ）算法），并分析了新算法的精度和计算复杂性。最后给出计算机模拟的结果，以验证理论的正确性。     

蚁群优化算法及其应用

蚂蚁算法是由意大利学者M．Dorigo等人提出的一种新型的模拟进化算法。该算法首先应用于旅行商问题并获得了极大的成功，其后，又被用于求解指派问题、Job—shop调度问题、图着色问题和网络路由问题等。实践证明，蚂蚁算法是一种鲁棒性强、收敛性好、实用性广的优化算法，但同时也存在一些不足，如收敛速度慢和容易出现停滞现象等。     

基于粒子群灰狼混合算法的多目标约束优化问题求解

近年来，多目标优化问题引起了广泛关注，其求解目标多、目标函数复杂，当前方法通常将所有目标加权后求解，但这些方法会造成解集缺乏准确性.针对上述情况，本文首先根据目标分解的框架：辅助目标和等价目标约束优化框架，该框架是将约束优化的问题分解为辅助目标和等价目标相结合的优化问题，同时动态调整所分解出的对应子问题的权值，使分解出的子问题求解趋向于等价目标求解.其次基于粒子群优化算法和灰狼优化算法的各自优势，提出参数自适应的粒子群灰狼混合算法，混合算法的优势集合了粒子群算法的收敛性快和灰狼算法的搜索过程多样性，从而提高粒子进化过程的准确性.通过IEEE CEC2017数据集测试的结果表明：在调参合适的情况下，获得的函数最优值个数多于乌鸦搜索、受约束的模拟退火、带约束的水循环等经典算法，在10D情况下，28个测试函数中11个测试函数表现最佳；在30D的情况下，12个测试函数表现最佳.     

一种基于粒子群算法求解约束优化问题的混合算法

通过将粒子群算法(PSO)与差别进化算法(DE)相结合，提出一种混合算法PSODE，用于求解约束优化问题．PSODE是在PSO算法中适当引入不可行解，将粒子群拉向约束边界，加强对约束边界的搜索，同时与DE算法结合以加强搜索能力．基于典型高维复杂函数的仿真表明，该算法简单高效，鲁棒性强．     

一种解函数优化问题的精英子空间演化算法

文献[1]提出了一种有效的求解优化问题的演化算法，算法简单易行，并能在较短时间内找到问题的最优解，在该算法的基础上，文中提出了一种精英子空间演化算法，在算法的杂交过程中，通过采用精英保存策略，增加父体的选择压力来加速算法的收敛，数值试验表明新算法比文献[1]中的算法具有更好的收敛性，能更快地找到优化问题的最优解。     

一种基于广度优先搜索的K-means初始化算法

K-means算法是在现实应用中非常广泛的聚类算法,K-means算法对初始中心的选择非常敏感,对已存在的有代表性的初始算法进行了研究,提出了一种基于广度优先搜索的K-means初始化算法。该算法综合考虑了密度与距离因素,选择初始点。分析表明该算法选择的初始点非常接近期望的中心点。     

基于拟牛顿法的前向神经元网络学习算法

针对前向神经网络现有BP学习算法的不足,结合非线性最优化方法,提出一种基于拟牛顿法的神经元网络学习算法。该算法有效地改进了神经元网络的学习收敛速度,取得了比常规BP算法更好的收敛性能和学习速度。     

基于GPU的流体动力学模拟

提出了一种基于GPU的流体动力学可视化方法。首先,分析了流体动力学的物理模型,用合理的数学表达式表述了该模型,并且给出了求解方法;其次,设计了在GPU上实现流体动力学模拟的算法,既模拟出逼真的运动效果又控制了算法的复杂度;最后的实验证明了该文算法在执行效率上较以往基于CPU的算法有很大的提高,并且模拟的结果逼真、可信。算法充分吸收了以往方法的优点,对流体动力学的可视化的细节采用了最优的物理模型及快速的数值解法,具有较强的稳健性和创新性。     

广义Hanoi塔问题的动态规划算法

基于动态规划算法思想，深入分析了广义Hanoi塔问题动态规划分割点的特征，给出动态规划分割点的简单计算公式，使得动态规划算法转化为一个非常简单的递归算法，由此可以迅速产生广义Hanoi塔问题的最优移动序列，从而彻底解决了广义Hanoi塔问题的最优移动序列问题．     

一种基于自然语言的模式推理算法

传统的基于谓词模式推理算法,需要把自然语言表示的知识,人工转换为机器可以理解的谓词,这就需要耗费大量的人力物力。本文提出一种基于自然语言的模式推理算法,可以基于自然语言进行模式推理,不需要将自然语言表示的知识转换为谓词,从而大大节省了人力物力。实验结果表明,本算法可以基于自然语言,有效的进行模式推理。     

基于差分演化算法的大规模包匹配研究

在差分演化算法与传统包匹配算法基础上,提出一种改进包匹配算法。该算法包匹配的时间性能与规则数目存在弱相关性,可处理多维和大规模规则库的包匹配问题。数值分析与实验结果表明,与基于Trie类算法相比,该算法能使数据包有效地进行线速转发,改善包匹配性能。     

一种OFDM系统中的符号定时同步方法

正交频分调制（OFDM）是一种高效的数据传输技术,具有良好的抗频率选择性衰落能力,并且提高了频谱利用率。但是OFDM对同步误差十分敏感,特别是符号同步误差。传统的MLE算法虽对符号定时估计很有效,但在ISI干扰情况下性能不高。针对MLE算法的不足,提出了一个基于新的算法。同时通过Matlab的模拟仿真表明,在信噪比较高时,新的算法定时估计性能优于MLE算法。     

八皇后问题的非递归算法设计

采用回溯法来解决八皇后问题，用一种较好的数据类型来表示解空间，给出一种逻辑结构非常清晰的非递归算法，解决了递归算法中空间效率低的问题。     

一种有效的用于范例提取的改进聚类算法

针对传统范例提取算法随范例教增加而效率下降快的缺点，结合基于选择的CLARA聚类方法和NCL聚类算法的优点，给出了一种有效的无监督聚类学习算法．通过实验表明，该算法能在无监督下对范例进行准确归类，将它用于CBR的范例提取中，能大大地提高范例提取的速度和质量。     

一种新型ARTⅡ无监督分类算法

ＡＲＴ是一种典型的、无监督的、能够对复杂输入模式实现自稳定和自组织识别的神经网络。该文针对标准ＡＲＴⅡ算法的预处理信号畸变问题,提出了新的非线性变换函数和竞争学习算法,该新型ＡＲＴⅡ算法的输入域由原来的非负实数域扩大到整个实数域,且分类性能良好,以多种分类问题对该算法的性能进行验证,结果表明该算法性能优良,能自适应地识别未知故障模式,分类准确。