一种评估近似Pareto前沿多样性的方法

提出了一种评估近似Pareto前沿多样性的方法.它用精确Pareto前沿相对于其近似集合的"暴露程度"来评估多样性,其计算基于精确Pareto前沿,不像其他多样性评估技术基于近似集合进行计算.对于多于两个目标(分量)的近似集合,其他技术不能或者不能很好地评估,计算结果表明,该技术能够很好地评估.并且,在理论上对该方法进行了严格的论证.     

基于克隆选择原理的基因表达式程序设计

提出了一种基于免疫克隆选择算法的基因表达式程序设计混合算法(CS-GEP).基因表达式程序设计(GEP)是一种新近提出的遗传程序设计方法,已逐渐成为演化计算新的分支.GEP最为重要的优点在于其具有很强的表达能力,而如何充分利用GEP易操作的特点,提高GEP的群体搜索能力是研究较少的一个重要内容.CS-GEP方法借鉴免疫克隆选择原理重新设计了一种克隆选择学习策略替代原GEP算法的遗传算法搜索策略,数值实验结果表明,CS-GEP较GEP具有更好的问题求解能力.     

演化算法的一个通用设计模型

本文提出了一个演化算法的通用设计模型，并用UML详细说明了它的组成与结构．该模型以演化算法中的关键概念及其相互作用机制为核心，把这些概念合理分类并加以抽象，有效地实现了关注分离和封装实现细节．而应用设计模式来组织这些概念又使该模型具有灵活的体系结构．因此该模型具有可重用、可扩展、易理解、易使用、便于进行测试等优点．最后将该模型的实现应用到各类不同的问题来验证其通用性和有效性，并给出了函数优化和TSP问题的实验结果．     

构建“基因库”求解TSP问题的混合遗传算法

该文设计了求解平面TSP的一种新算法,该算法首先构建一个“基因库”,在单亲演化中使用“基因库”中的基因,并将单亲演化所产生的最好解,作为群体演化中的一个个体,再进行群体演化。在求解TSPChina144问题实验中,不仅找到迄今最好的解,而且该算法具有高效的特点。     

电子文档时间戳的分布式时间链安全协议

时间安全在电子合同中是一个十分重要的问题。时间戳解决两个问题：文档是何时生成的；文档是何时发出的。由信任的第三方(T.T.P Trust Third Party)来完成工作，他必须连续记录这些时间形成时间链以保证安全。使用并相信惟一的第三方，仍存在安全隐患介绍了现有的两种协议，提出以多个第三方采用分布式模型形成时间链的协议，提高了时间戳的安全度。     

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。     

一种基于构建基因库求解TSP问题的遗传算法

传统的遗传算法通常被认为是自适应的随机搜索算法．该文在分析其特点后针对TSP问题提出了一种将建立基因库(Ge)与遗传算法结合起来的新算法(Ge-GA)．该算法利用基因库指导种群的进化方向，并在此基础上使用全局搜索算子和局部搜索算子增强遗传算法的“探测”和“开发”能力．Ge-GA算法大大加快了遗传算法的收敛速度和寻优能力．作者测试了TSPLIB中的多个实例(城市数目从70～1577)，试验结果与最优解的误差都不超过0．001％．特别是对于难求解的TSP问题，如att532和fl1577，都能够在理想的时间内找到最优解．     

远程工作流的安全机制

文档和人员是OA系统工作流的两个基本要素。当人员不在同一区域时，其工作流被称作远程工作流，其安全机制不同于局域工作流。以远程工作流为模型，着重讨论其安全认证机制，将远程工作流分解成虚拟工作流和人员认证流两部分。虚拟工作流采用与局域网相同的安全策略，维持工作正常运行，在一定延迟时间后启动人员认证流，在得到认证流的结果并认为正确后，才将虚拟工作流的结果变成最终结果。     

多目标优化遗传算法的收敛性定义及实例研究

寻找非劣解集合是遗传算法求解多目标优化问题的目标,而标准的遗传算法收敛性分析方法对多目标遗传算法的分析并不合适。本文利用有限马尔科夫链给出了遗传算法求解多目标优化问题的两个收敛性定义,并给出了一个实例研究及进一步的工作计划。     

基因评估基因表达式程序设计方法

基因表达式程序设计(Gene Expression Programming,简称GEP)与遗传程序设计(Genetic Programming,简称GP)相比,具有更强的搜索能力、更简单的编码表示方法和产生更高复杂性函数的能力.但是它也存在一些缺点,例如缺乏学习机制,搜索过于盲目.针对这一缺点,本文提出了一种新的自动程序设计方法:基因评估基因表达式程序设计(Gene Estimated Gene Expression Programming,简称GEGEP).与GEP相比,GEGEP主要具有如下特点:(1)改变了GEP的基因表达式结构,将原来的“头 尾”结构改成了“头 身 尾”结构,以利于其引进学习机制;(2)同源基因也采用“头 身 尾”结构,以利于增强其搜索能力;(3)引入了分布评估算法(Estimation of Distribution Algorithm,简称EDA)的思想,以利于增加其学习能力并且加快其收敛速度.实验结果表明,与GEP和GP相比,GEGEP具有更高的拟合和预测精度、更快的收敛速度.