基于随机算子的快速多目标遗传算法

在NSGA-Ⅱ算法的基础上,对NSGA-Ⅱ构造非支配集的方法进行了改进,用擂台赛法则构造非支配集,当非支配集小于种群大小时,采用随机算子在可行域内随机产生新的解个体填充到下一代父种群中,形成了一种新的多目标遗传算法。在实验部分将改进后的算法和NSGA-II进行了性能比较,实验结果表明改进后的算法具有良好的分布性,算法运行效率也较高。     

基于资源抽象的RBAC模型的研究及应用

本文提出了一种新的基于资源抽象的角色访问控制模型(RARBAC):它在对角色授权以及实现系统安全策略的过程中,通过对资源的二次抽象,有效的减少冗余角色,降低管理复杂度;并在高校管理系统的实例中验证了本方案.与经典的RBAC相比,RARBAC能自由控制权限粒度,具有更好的适应性和安全性.     

高维目标减少算法

在多目标优化中,许多实际问题都是由很多目标（超过三个）所组成,但是目前提出的大多数算法却只有在三维以下时高效。由于超过三维的情况无法用欧式空间来表示,而且在处理高维问题时,算法的时间复杂度通常很高,因此人们开始考虑将高维目标转化为低维目标后再处理。首先介绍了目前已经存在的将高维目标转化为低维目标的算法,提出了一种新的算法,该方法通过数据拟合,将各目标函数拟合为一条直线,比较相互之间的斜率之差来确定目标是否存在冗余,以期减少冗余目标。     

基于聚类的快速多目标遗传算法

多目标遗传算法非常适合于求解多目标优化问题．讨论了进化个体之间的支配关系及有关性质，论证了可以用快速排序的方法对进化群体中的个体进行分类，同时探讨了用聚类方法来保持群体的多样性，具体讨论了基于层次凝聚距离的聚类，在此基础上提出了用分类和聚类的方法构造新的进化群体．理论分析与实验结果表明，所讨论的方法比较国际上已有的方法具有更快的收敛速度．     

遗传算法中的模式及其转换初探

该文讨论了遗传算法中的模式及其转换。将具有低阶、长定义距以及平均适应度高于群体平均适应度的模式转换为低阶、短定义距以及高平均适应度的模式,有利于提高遗传算法的收敛速度。同时,还讨论了模式转换有利于提高遗传算法的可控制性。     

遗传算法在大学排课系统中的应用

大学排课是一个高度复杂的非线性优化问题,因此该问题的解决具有重要的理论意义和很好的应用价值。本文根据我国高校不完全学分制的需求,使用改进的遗传算法实现了新的排课系统。本系统有效地解决复杂教学进度、多节连排、学生个性化选课、分组教学、多教室类型、多教学区教学等问题,满足了新的需求,取得了较好的应用效果。     

基于拟蒙特卡罗方法的进化算法搜索鲁棒最优解的性能提高研究

鲁棒最优解在工程应用中具有十分重要的意义,它是进化计算的重要研究内容,也是研究难点．进化算法搜索鲁棒最优解时,通常使用蒙特卡罗积分(MCI)近似估计有效目标函数(EOF),但由于现有的原始蒙特卡罗方法(C-MC)近似精度不高,导致进化算法搜索鲁棒最优解的性能较差．文中提出用拟蒙特卡罗方法(Q-MC)估计有效目标函数,通过大量的数值实验,结果表明,与C-MC相比,文中所引入的Q-MC 方法、SQRT序列、SOBOL序列和Korobov点阵能更精确估计EOF,进而较大提高进化算法搜索鲁棒最优解的性能．     

一种新的分布性保持方法

分布性保持是多目标进化算法主要目标之一. 然而通常维护方法的性能与运行时间存在矛盾. 提出一种基于最小生成树的分布性维护方法. 利用最小生成树中的度数和边长对个体密度进行估计, 使低度数的边界个体和长边长的低密度个体得到了保留. 另外, 一次性选择个体进入下代种群, 避免了每移出一个个体就需要对个体密度进行调整的操作. 通过5个测试问题和4个方面的测试标准, 与3个著名的算法进行比较实验, 结果表明该方法在以较快速度对种群进行维护的同时, 拥有良好的分布性.     

多目标进化算法求解噪声适应度函数问题研究

多目标优化算法在现实生活中要解决的问题通常是带有不确定性的,适应度存在噪声干扰是不确定性的一个重要方面,所以多目标进化算法求解噪声适应度函数问题具有重要的现实意义,通过实验的方法,研究了3个典型多目标算法在不同规模下噪声干扰下的性能,4个评价方法在噪声环境下的有效性,以及传统的蒙特卡洛积分方法能够适用的范围,实验结果表明,3个典型多目标算法求解噪声适应度函数问题均不理想,传统的蒙特卡洛积分方法随着噪声规模的增加性能下降很快,同时需要更加适用于噪声适应度方程问题的评价方法.     

改进的粒子群算法求解非线性约束优化问题

提出了一种改进的粒子群算法（Improved Particle Swarm Optimization,IPSO）,使用了一种新型的变异策略,并在搜索过程中将部分邻近的个体聚集成核,从而形成多子群引导粒子探测新的搜索区域,采用了简单易行的罚函数约束处理机制,使算法在求解较难的非线性约束优化问题时具有很强的全局搜索能力与效率。对比数值实验结果表明,该算法能够有效、稳定地求解非线性约束优化问题。