基于扩散机制的杂交粒子群优化算法*

为了解决标准粒子群优化算法容易陷入局部极小值的问题,模拟统计物理和热力学中的扩散现象,设计了一种扩散机制,根据扩散定律和扩散系数公式,给出了粒子的扩散能、种群的温度和粒子的扩散概率三个定义和扩散池的概念;并把这种策略和多父体杂交算子结合起来,提出了基于扩散机制的杂交粒子群优化算法。该算法在具有欺骗性的多模态函数优化和非线性模型参数估计等实际问题上取得了较理想的实验结果,证实了扩散机制和多父体杂交策略可以有效地改善粒子群优化算法的性能。     

基于FPGA的遗传算法实现

针对基于软件实现的遗传算法在求解问题的规模与复杂性不断扩大时,往往会速度慢、效率低下的缺点,提出了一种基于现场可编程门阵列的实现方法,并利用测试函数对算法的实现进行效果验证。实际效果显示,这种硬件实现方法,不仅结构简单,而且有效地减少了运算时间、提高了运行效率,为遗传算法能在一些实时、高速的场合得到应用提供了依据。     

网格计算资源调度策略的三级模式

网格计算下对资源进行有效的管理和调度是一个很复杂的问题。该文结合已有的调度策略,提出了一种新的改进调度策略的三级模式,并给出算法。     

基于遗传算法的数码问题求解

在人工智能研究中，数码问题常被用来作为一些搜索算法的测试实例。数码问题的搜索空间巨大，对于24数码问题，目前最好的启发式搜索算法找到最优解(最少移动步数)通常也至少需要2．25小时^[1]。遗传算法具有简单、通用、鲁棒性强的特点，适合于在复杂而庞大的搜索空间中寻找最优解。该文给出了求解该问题的遗传算法，并针对遗传算法容易过早收敛的问题，对传统遗传算法进行了改进。通过用多个随机生成的]5数码和24数码问题作为测试实例，本算法均在较短的时间内找到了问题的解，从而证明了算法的有效性。     

演化硬件的容错模式研究

提出一种基于演化硬件的补偿容错模式,将被检对象和重构对象分离,以避免自重构容错模式可能对系统造成破坏的危险.该容错模式在不影响原电路工作的前提下,利用演化硬件的自适应特性,重构出相应的电路对出错电路进行输出补偿,从而达到容错的目的.实验表明,补偿容错模式能以少量的冗余代价换取更优的容错性能,并且修复时间比自重构容错模式短,有利于实时容错.     

用遗传算法求解WDM全光网络优化中的团覆盖问题

：研究了WDM全光网络优化中的团覆盖问题，提出了一种基于遗传算法的求解方法。该方法由于采用了新颖的染色体构造和独特的杂交变异算子，使得每一个体的杂交变异都表现出明显的自适应特点，从而能在较短时间内找到最优解或较优解，满足实际需要。     

模拟电路的多目标优化与演化设计

对模拟电路设计中涉及的多个目标进行了定义与量化,并针对这些目标提出一种面向模拟电路演化设计的多目标遗传算法,该方法利用非支配排序和适应值共享策略来提高搜索方向的空间均匀性,引入基于电路构造指令的编码方案来支持电路自动生成和提高电路演化的效率,并且该编码方案也同样适用于数字电路。利用协同演化的适应值评估策略来增强种群的学习能力,提高演化效率。实验结果表明,该方法可以设计出更实用、简单的模拟电路。     

基于斜率淘汰策略的多目标演化算法

提出一种新的多目标演化算法——基于斜率淘汰策略的多目标演化算法。利用基于斜率的淘汰策略,在演化过程中能以较低的时间复杂度更新精英空间、保存精英个体(Elitist),且取得的解数量大,既保证了近似解集对Pareto前沿的逼近,又很好地保持了解集分布的均匀性。对于一些代表性的Benck Mark问题,数值试验都取得了非常好的效果。     

应用对象过程图扩展UML建模环境

统一建模语言UML存在着面向对象建模的不足,例如,用多个模型表示系统,模型的一致性难以保证.UML的工作主要集中于面向对象的分析和设计阶段,在实现阶段并没有做过多的努力等等,给系统设计带来了不便.提出了在UML建模环境中引入对象过程图(object-process diagram,简称OPD),为多个模型的一致性提供了统一的标准,提高了程序文档的可理解性和可维护性,使得扩展后的UML具备从面向对象分析到程序设计的完全可视化的描述能力.     

一种基于GEP的演化硬件复杂电路优化算法

演化硬件是近年来新兴的研究热点,它是演化算法和可编程逻辑器件相结合而形成的硬件设计新方法。在演化硬件中门电路的优化设计是一个重要的研究领域。提出一种新的基于基因表达式程序设计（GEP）的算法来进行复杂优化电路的设计,通过仿真实验表明,该算法不仅收敛速度快,而且还能利用该算法优化大规模的门电路,克服了传统优化方法的求解速度慢甚至不收敛等缺点。该算法较传统的电路优化方法更简单、更高效。