针对基本蚁群算法收敛速度慢、容易出现停滞等缺陷,提出一种新的蚁群优化算法——带有侦察子群的蚁群系统.该算法从整个蚁群中分离出一部分蚂蚁组成侦察子群,在优化过程中侦察子群以一定概率做随机搜索,提高了解的多样性;在信息素更新策略上同时使用本代和全局最优蚂蚁,兼顾了本代和历史的搜索成果;同时还采用LK变异算子,对每次搜索的解进行局部优化.最后对三个典型TSP实例进行了仿真实验,结果表明新的算法不仅能够克服早熟现象,而且能够大大加快收敛速度

工业监控系统所采集到的多元时间序列在利用数据挖掘技术获取内部存在的未知模式的过程中，经常会出现原始数据庞杂、分段结果重复、交集过多和界限不清晰等问题，导致含有突变变量或数据间相关性差的数据集进行模式挖掘结果不理想.针对上述问题，本文提出了一种新的多元时序模糊聚类分段挖掘算法.实验结果表明，该算法克服了Gath-Geva算法聚类精度易受初始值影响的不足，能够较好地反映出原始数据中潜在的过程变化，从而有效地处理时间序列的分段问题并得到理想的挖掘结果

提出一种以燃料消耗量最小为优化目标的加热炉生产调度新方法。首先基于热力学第一定律分析了流入及流出加热炉的各项能量，并对燃料消耗量的计算式进行了理论推导。进而根据加热炉区实际生产调度特点归纳各约束条件，以多台加热炉总燃料消耗量最小为优化目标，构建调度优化数学模型。采用自适应差分进化算法搭配禁忌搜索算法进行综合求解，并通过9组实际钢坯生产案例模拟验证了该算法的可行性和有效性。同时，为了探究加热炉燃料消耗量的影响因素，提出了分别衡量加热炉区缓冲等待、炉内加热两部分时间同理想生产时间匹配程度的评价参数μ1和μ2，并分析了燃料消耗量对二者的敏感性，结果表明：当连铸坯到达加热炉节奏与热轧工序出坯节奏之比由0.5增至2时，燃料消耗量对两评价参数的敏感性逐渐减弱

针对实际决策表中对象动态变化的情况,首先引入简化决策表概念,剔除决策表中大量重复的对象,并构造了基于正区域的简化矩阵,有效地缩小了算法的搜索空间;然后从理论上阐述了基于简化矩阵的属性约简和基于矩阵的属性约简的一致性,并仅需扫描一遍简化矩阵便可求解出属性约简;最后在原属性约简的基础上,提出一种快速的动态属性约简矩阵算法.通过算例分析和实验对比验证了算法的有效性和可行性

针对热轧圆钢的批量调度问题,考虑实际生产中工艺规程和交货期对轧制单元连续加工的影响,建立了以最小化设备调整时间、拖期生产惩罚和钢种跳跃惩罚为优化目标的数学模型,并设计了一种嵌入EDD规则的变邻域搜索算法.算法首先结合模型的约束特征,采用约束满足技术生成初始解;根据实际生产需求,将最小化设备调整时间作为主要目标,设计变邻域搜索算法实现目标优化,其中,运用混合算子构造邻域结构和局部搜索,并引入模拟退火接受准则来控制迭代过程中产生的新解;同时,为了最小化拖期惩罚和钢种跳跃惩罚,在求解过程中嵌入了EDD规则以及钢种排序规则.实验结果表明,模型和算法是可行且有效的

第一节 对弧长的曲线积分 一、对弧长的曲线积分的概念与性质 二、对弧长的曲线积分的计算法 第二节 对坐标的曲线积分 一、对坐标的曲线积分的概念与性质 二、 对坐标的曲线积分的计算法 三、两类曲线积分之间的联系 第三节 格林公式及其应用 一、格林公式 二、平面上曲线积分与路径无关的等价条件 三、二元函数的全微分求积 第四节 对面积的曲面积分 一、对面积的曲面积分的概念与性质 二、对面积的曲面积分的计算法 第五节 对坐标的曲面积分 一、 对坐标的曲面积分的概念与性质 二、对坐标的曲面积分的计算法 三、两类曲面积分的联系 第六节 高斯公式 Green 公式 Gauss 公式 推广

1. 理解什么是算法。 2. 掌握算法的特点。 3. 重点掌握算法的表示——N-S 流程图。 4. 理解结构化程序设计方法

分式规划在管理模型中时常遇到,而且在一般情况下变量个数很多。Gilmore和Gomory提出一种算法[1],将分式规划用变形的单纯形法来求解。本文论述了Gilmore—Gomory算法在迭代过程中有可能产生死循环,从而造成计算失败。为克服这个缺陷,本文给出了一种避免死循环的迭代规则,使该算法臻于完善

迄今为止，所有的NP完全问题都还没有多项式时间算法。对于这类问题，通常可采取以下几种解题策略。 (1)只对问题的特殊实例求解 (2)用动态规划法或分支限界法求解 (3)用概率算法求解

4.1 基本概念 4.2 基本遗传算法 4.3 遗传算法应用举例 4.4 遗传算法的特点与优势