本文提出了寻4求整体最优解的一种新算法。这个算法对一类范围甚广的工程优化问题(维数 ≤ 5~6)较为有效。文中给出了算法及收敛性、最优性条件、计算实施的若干建议,以及计算实例

 理解动态规划算法的概念  掌握动态规划算法的基本要素 最优子结构性质 重叠子问题性质  掌握动态规划算法的设计方法 找出最优解的性质，并刻划其结构特征 递归地定义最优值 以自底向上的方式计算出最优值 根据计算最优值时得到的信息，构造最优解  通过应用范例学习动态规划算法设计策略  矩阵连乘问题 (Matrix-Chain Multiplication)  最长公共子序列问题  最大子段和问题 Maximum Sub-Sequence Sum  凸多边形最优三角剖分问题 Optimal Triangulation of a Convex Polygon  图像压缩问题  0-1背包问题（0/1 Knapsack Problem） 最优二叉查找树 （Optimal Binary Search Tree）

研究了多智能体网络中受集合约束的一致性最优化问题，提出了基于原始–对偶梯度的定步长分布式算法。算法中包括步长在内的参数会影响收敛性，需要先进行收敛分析，再根据收敛条件设置合适的参数。本文首先针对一般的定步长迭代格式，提出一种基于李雅普诺夫函数的收敛分析范式，它类似于一般微分方程关于李雅普诺夫稳定的分析方法。然后，针对所考虑的分布式梯度算法，构造了合适的李雅普诺夫函数，并根据收敛条件得到了算法参数设定范围，避免了繁冗复杂的分析论证。本文提出的理论与方法也为其他类型的分布式算法提供了一个框架性、系统性的论证方法

为解决局部最优问题,将遗忘机制引入传统遗传算法中,提出了一种改进的遗忘遗传算法,给出了一种遗忘算子及其遗忘概率,通过在遗传过程中遗忘某些基因,增加了算法的搜索空间,使算法跳出局部最优,从而最大限度地避免早熟收敛.将该算法用于不同欠费率下的电信客户初始信用评分,找到信用权重的优化解,较好地解决了对高欠费率群体进行信用评分时,信用权重的适应值偏低的问题.实验结果表明所提算法有效可行.与标准遗传算法相比,本文所提算法可以获得更高质量的解

单机器调度问题是研究工件在多道工序进行加工的加工活动排序的组合最优化问题．由于调度问题中绝大多数属于NP-难类问题，不存在有效的最优求解算法．针对用智能优化算法—遗传算法求解单机器调度问题中交叉率和变异率难以确定的问题，设计了一种模糊算法以便自动确定交叉率和变异率．通过数值实验，嵌入模糊规则的遗传算法比简单的遗传算法要好，说明在实际生产中，此算法具有强大的发展前途．

针对鲁棒保性能控制中的权值矩阵依赖经验选取,无法最大限度的减小系统保守性的问题,提出了一种基于混沌人工鱼群算法的鲁棒保性能控制权值矩阵优化方法.该方法中,将保性能控制鲁棒界作为优化的目标函数来寻找最优权值矩阵是整个算法实现的关键.该种改进的人工鱼群优化算法融合了混沌搜索与自适应步长和视野的人工鱼群优化算法,有效的解决了基本人工鱼群算法的后期收敛速度慢、易陷入局部最优等缺点.通过测试函数对比验证了该种改进人工鱼群优化算法的优越性,并通过应用实例验证了该权值矩阵优化方法的有效性

针对满足换基规定的单纯形法可能出现的迭代不下去的问题，构造了使迭代得以继续的补充算法.这个补充算法的基本思想是暂时放弃换基规定，首先进入与所解问题对应的线性规划的最优基本可行解集中;然后，在这个集合中进行基变换，直到得到二次规划问题的最优解.经证明，改进后的算法取消了原算法收敛性定理所需的3个条件，使得它可求解任何一个凸二次规划问题.计算实例证明，补充算法有较好的结果

运用运筹学的理论和方法，建立一种重大事故救灾路线双目标优化数学模型.基于启发式算法思想，提出适合该模型且收敛速度较快的优化算法.该算法通过构造辅助函数调用Dijkstra算法，在最优解的近似区间内多次迭代逐渐逼近最优解，实现了双权重网络图最短路的求解，是一种近似的、快速的算法.基于所构造辅助函数的性质，给出实现该算法的具体步骤.对误差进行线性估计，分析了该算法收敛速度的影响因素，并讨论了算法的时间复杂度及优势.最后在案例分析中编译并运行该算法，证实其模拟结果与理论分析结论相吻合

基于遗传算法的基本原理,提出一种改进的遗传算法,将模糊控制思想与小生境技术引入到其中,从而保护种群的多样性,同时使每代最优解得以保存．遗传算法加入小生境技术后虽可保持种群群体的多样性,但是不可避免的会产生部分个体的早熟以及陷入局部最优,于是加入模糊控制思想,对种群的交叉概率Pc和变异概率Pm进行模糊控制,以此为基础,形成了一种新型的模糊控制小生境遗传算法．最后通过对三个典型函数的数值分析证明了该方法的有效性和可行性．

一、在层次聚类分析中,输入中不指定要分成的类的个数。系统的输入为(X,s),系统的输出是类的层次。 二、大多数层次聚类过程不是基于最优的思想, 而是通过反复的分区直至收敛,找出一些近似的、未达最优标准的解决方案。 三、层次聚类算法分为:分裂算法和凝聚算法