针对钢管入库优化决策问题，建立了问题的约束满足优化模型，并通过对垛高和钢管堆放规则的分析，提出了基于聚类和约束满足技术的两阶段求解算法.算法在第一阶段采用聚类的方式对待入库的钢管按照多重属性进行分组；在第二阶段利用约束满足技术对于每组钢管分别指派垛位及其在垛位上的具体位置，并通过约束传播动态缩减问题的搜索空间.最后将算法与经典的BFD （best fit deceasing）算法进行实验结果对比.实验结果表明，算法能够在保证倒垛次数最小的前提下，有效减少垛位数并具有良好的垛位利用率，模型及算法可行、有效

研究了多目标多阶段混合流水车间的紧急订单插单重调度问题，综合考虑工件批量、刀具换装时间、运输能力等约束。先以最小化订单完工时间和最小化总运输时间为双目标建立静态初始订单调度模型，再针对紧急订单插单干扰，增加最小化总加工机器偏差值目标，建立三目标重调度优化模型，并分别用NSGA-II算法与融合基于事件驱动的重调度策略和重排插单策略的NSGA-III算法对两个模型进行求解。最后，以某实际船用管类零件生产企业为案例，先对NSGA-II算法和NSGA-III算法的性能进行评估，得到NSGA-II算法更适用于解决双目标优化问题而NSGA-III算法在解决三目标优化问题时表现更优的结论，再将所建模型与所提算法应用于该企业的十组插单案例中，所得优化率接近三分之一，验证了实用性和有效性

本章对目前常用的几种智能优化计算算法作简单介绍，以使读者对它们有个基本认识。内容包括神经网络、遗传算法、模拟退火算法和神经网络混合优化学习策略。 10.1 人工神经网络与神经网络优化算法 10.2 遗传算法 10.3 模拟退火算法 simulated annealing,简称SA 10.4 神经网络权值的混合优化学习策略

矩阵运算是数值计算中最重要的一类运算特别是在线性代数和数值分析中它是一种最 基本的运算。本章讨论的矩阵运算包括矩阵转置、矩阵向量相乘、矩阵乘法、矩阵分解以 及方阵求逆等。在讨论并行矩阵算法时分三步进行:①算法描述及其串行算法;②算法的 并行化及其实现算法框架以及简单的算法分析;③算法实现的MP源程序,以利于读者实 践操作

为了发挥粒子群算法和专用遗传算法的各自优点,提出了一种将二者结合的切换优化策略.该策略前期采用一种基于种群最优个体混沌化的混沌粒子群算法,后期选用专用遗传算法.通过大量仿真实验确定了在迭代代数、种群标准差和最优个体适应度差三种切换指标下各自的最优切换条件.与单一专用遗传算法和单一混沌粒子群算法的仿真对比表明:本文提出的切换优化策略在综合路径长度、平滑性和规划时间三个性能指标后具有一定的优越性

对一种已有的自适应算法进行了改进,并将该算法思想引入到粒子群算法的改进中,在种群进化到一定代数时按照改进自适应算法改变搜索范围的大小,实现了自动调整搜索范围、提高收敛速度和精度并可有效防止粒子群算法早熟收敛的目的,同时通过实验仿真进行了验证.将该改进粒子群算法应用到热连轧机精轧机组的负荷分配优化计算中,程序运行时间小于5s,满足实时性的要求,为其提供了一种更为有效的优化手段

经典粒子群算法由于多样性差而陷入局部最优，从而造成早熟停滞现象.为克服上述缺点，本文结合人工免疫算法，提出一种基于自适应搜索的免疫粒子群算法.首先，该算法改善了浓度机制；然后由粒子最大浓度值来控制子种群数目以充分利用粒子种群资源；最后对劣质子种群进行疫苗接种，利用粒子最大浓度值调节接种疫苗的搜索范围，不仅避免了种群退化现象，而且提高了算法的收敛精度和全局搜索能力.仿真结果表明该算法求解复杂函数优化问题的有效性和优越性

传统的分类算法大多假设数据集是均衡的,追求整体的分类精度.而实际数据集经常是不均衡的,因此传统的分类算法在处理实际数据集时容易导致少数类样本有较高的分类错误率.现有针对不均衡数据集改进的分类方法主要有两类:一类是进行数据层面的改进,用过采样或欠采样的方法增加少数类数据或减少多数类数据;另一个是进行算法层面的改进.本文在原有的基于聚类的欠采样方法和集成学习方法的基础上,采用两种方法相结合的思想,对不均衡数据进行分类.即先在数据处理阶段采用基于聚类的欠采样方法形成均衡数据集,然后用AdaBoost集成算法对新的数据集进行分类训练,并在算法集成过程中引用权重来区分少数类数据和多数类数据对计算集成学习错误率的贡献,进而使算法更关注少数数据类,提高少数类数据的分类精度

第一章导引与基本数据结构 1.1算法的定义及特性 1.什么是算法? 算法如数字、计算一样,是一个基本概念。 算法是解一确定类问题的任意一种特殊的方法。 在计算机科学中,算法是使用计算机解一类问题的精确、有效方法的代名词; 算法是一组有穷的规则,它规定了解决某一特定类型问题的一系列运算

◆理解按频率抽选的基-2FFT算法的算法原理、运算流图、所需计算量和算法特点 ◆理解IFFT算法 ◆了解混合基、分裂基和基-4FFT算法 ◆了解CZT算法 ◆理解线性卷积的FFT算法及分段卷积方法