发动机匹配优化算法的研究

依据优化标定方法,设计了基于发动机排放控制的优化方案,并建立了以发动机经济性为目标,排放性作为约束的优化数学模型．对适用于该数学模型的信赖域法、模式搜索算法、遗传算法等优化算法进行了论证．针对实际发动机排放优化问题对各种算法的优劣进行了比较,并在此基础上提出了组合算法的思想．优化结果表明,组合算法全局搜索性和优化结果良好,且计算时间、计算量等较单一优化算法时均有显著改善．     

退火遗传算法优化的神经网络在销售预测中的应用

将遗传算法(GA)和模拟退火(SA)优化的神经网络应用到制造企业的销售预测中.预测采用三层前馈神经网络,其中神经网络的连接权重和节点阈值的确定使用GA和SA算法相结合的优化学习策略.GA采用实数编码, 把要确定的神经网络连接权重和节点阈值作为基因串.实例数值计算表明该种算法的神经网络的学习速度和预测精度都比单纯BP算法得出的结果好,适合于制造企业的销售预测.     

遗传-模拟退火算法在数据库查询优化中的应用

将遗传算法与模拟退火算法相结合,导出了一种基于遗传0模拟退火算法的多连接查询优化算法．该算法将查询计划的一棵语法树看作是一个染色体,对于语法树上的连接操作后序遍历生成一个编码．在所有编码构成的种群进行完选择、交叉、变异操作之后,在其中引入模拟退火机制,从而进一步调整优化了种群,保持了群体的多样性,减少了用户查询的响应时间．     

基于条件风险价值的投资组合优化模型

采用R T Rockafellar和S Uryasev的一种优化算法，构造了一个以条件风险价值代替标准差度量风险的投资组合优化模型．选择沪、深股市6种股票构成一个投资组合，用Matlab软体对模型进行优化计算，得到了该投资组合的有效前沿和投资权重，并与用传统的均值方差模型的计算结果进行了比较．结果表明，这2个模型优化得到的有效前沿非常相近，与国外研究获得的有效前沿图形也非常相似，但这2个模型优化得到的投资权重却有较大差异．     

基于遗传算法的切割路径优化

将遗传算法用于求解加工路径优化问题．针对加工路径优化目标，即零件加工轨迹应走过零件所有内外轮廓且路径最短，给出了非确定型的多项式数学模型，并根据优化目标将其简化为点与点之间的优化．用遗传算法对加工路径优化进行了遗传编码，并对75个零件排样进行了计算机仿真计算．仿真结果显示，最优值（37129mm）为初始值（43622mm）的85％，表明该算法可行。     

启发式Hopfield神经网络在车间调度中的应用

调度问题是一类非常复杂的组合优化问题，而Hopfield神经网络通常被广泛应用于各种组合优化问题．针对车间调度问题(JSP)的约束条件和换位矩阵，提出了包含所有约束条件的计算能量函数表达式，并针对神经网络依赖初始解，提出了启发式算法与神经网络相结合的方法，并得到解决车间调度的Hopfield神经网络结构和权值解析表达式．实验仿真结果表明了该方法的有效性．     

多分拣区FRP的GA&SS算法设计

考虑到遗传算法(GA)和分散搜索算法(SS)在求解大规模组合优化问题的优势,针对多分拣区的分拣存储指派决策(FRP)设计了GASS算法,对该算法的参数进行了敏感性分析。获得满意的参数组合后,将该算法与单纯形法的运行效果进行对比。结果表明:随着产品规模的增加,GASS算法较单纯形法有明显的时间优势。     

车间作业调度中基于领域搜索的混合遗传算法

车间作业调度问题是一个NP完全问题，很难用一般的方法解决．遗传算法(GA)作为全局搜索算法广泛应用于各种寻优操作中，并己成为求解车间作业调度问题(JSP)的主要方法，本文针对遗传算法应用的局限性，把领域搜索的思想应用到变异操作中，提出了一种应用于车间调度中基于领域搜索的混合遗传算法，该算法不仅保证了算法的全局收敛性、而且提高了算法的收敛速度和稳定性。     

一种改进的遗传模拟退火算法及其在QoS多播路由中的应用

描述了多QoS约束的多播路由问题的网络模型，针对遗传算法GA和模拟退火算法SA的优缺点，提出了一种混合遗传模拟退火算法MGASA．并将该算法应用于求解多QoS约束的多播路由选择问题，经仿真实验验证，MGASA算法优于普通的GA和SA算法．     

均匀设计和遗传操作并行的遗传算法

针对简单的遗传算法稳定性较差，容易发生早熟收敛的不足之处，提出了将均匀设计和遗传操作相结合的遗传算法，通过编码在问题的解空间和算法的搜索空间之间建立一个映射，对其进行交叉操作，变异操作和均匀设计操作，用典型的测试函数进行测试，证明了该算法是可行的，与单纯遗传算法相比，计算精度和收敛速度更高。