摘要：蚁群算法的参数设置一直是依靠经验和试验来确定,造成试验工作量大且难以得到最优的参数组合,影响了算法的使用.通过将蚁群算法基本模型的参数设定问题描述成均匀设计中多因素多水平的试验设计,从而能够用较少的试验很快设定算法参数的取值.TSP问题的仿真试验表明,利用均匀设计得到的参数组合可使蚁群算法获得较优的运行性能,说明了该方法的可行性和有效性.

摘要：针对目前交互式遗传算法由于使用小规模的种群和较少的进化代数,容易导致算法的搜索能力有限、易陷入局部优化的问题,在引入一种加速收敛变异策略的基础上,提出一种新的交互式遗传算法。给出了算法设计实施中关键问题的处理,分析了算法的效率,并通过函数优化和服装设计问题的仿真实验验证变异策略和算法的有效性。

摘要：提出一种新的交互式 Multi-Agent 遗传算法.该算法使固定在网格上的相邻智能体之间进行交叉、变异、死亡与再生操作和最优智能体本身进行自学习,来提高智能体的能量,从而使得算法获得较强的全局收敛能力和局部搜索能力.用户在每代进化中,只需选择感兴趣的个体,而不用评价每个个体的适应值,使得用户的评价操作变得简单易行.函数优化和服装设计的仿真实验表明算法能以较快的进化速度收敛,并使用户总评价次数减少,从而有效缓解用户的疲劳.

摘要：传统蚁群算法需利用显式评估函数引导算法搜索,因而不适用于那些优化性能指标不能或者难以数量化的系统.为此,提出一种将人对问题解的数量评价值作为目标函数值的交互式蚂蚁算法.从人机交互的特点出发,设计了算法模型的结构、信息素的放置方式与更新策略和用户的评价方式.最后利用模拟算法环境的函数优化实验和汽车造型草图设计实验进行了测试,测试结果表明所提出的算法具有较高的运行效率,并能较好地克服用户疲劳问题.

摘要：将多智能体技术应用于交互式进化计算领域,提出一种新的交互式多智能体进化算法。该方法让固定在网格上的相邻智能体之间展开竞争和最优智能体本身的自学习,来提高智能体的能量,从而使得算法获得较强的全局收敛能力和局部搜索能力。算法以较快的进化速度收敛,并且用户每次只需要选择2个左右最感兴趣的个体,使得评价具有易操作性和轻松性,从而有效缓解用户的疲劳。服装设计的仿真实验证了算法的可行性和有效性。

摘要：针对决策树C4.5/5.0分类算法及改进的算法在创建决策树时训练误差率和校验误差率相对较高的缺点,提出一些改进策略,即利用属性相关性进行属性约简与度量以达到解决属性集合中的冗余属性,采用一定置信度值进行决策树的修剪,采用优化的Chi2算法更合理更准确地对连续属性进行离散化,基于改进策略设计并实现一个分类器,将改进的算法应用于Breast-cancer实例,实验结果证明改进的算法生成的决策树具有较高的分类正确率。

摘要：针对业务过程性能分析和优化多侧重于对已部署的业务过程进行事后的性能监控、管理和数据分析等问题,详细分析了业务过程性能和仿真优化的研究进展,提出了一种与企业模型和工作流模型相兼容的集成化业务过程仿真建模方法(IBPSM),并设计了支持IBPSM的多业务过程仿真工具(MBPST)原型系统。最后给出了一个具体的应用案例。实践表明这种事前的基于多业务过程仿真方法提供了业务过程性能的仿真分析与优化;同时可对优化后的业务过程进行快速部署,有利于业务过程的信息化实现。

摘要：交互式蚁群优化(interactive ant colony optimization,i ACO)是一种利用人来评价解的优劣而进行系统优化的技术,可以求解性能指标不能或者难以数量化的优化问题。分析了交互式蚁群优化模型面临的研究困难。针对Tanabe等人提出的交互式蚂蚁算法性能不足的问题,提出利用全局历史最优解进行信息素的更新,并将信息素限定在一定区间内的改进交互式蚁群优化算法,从人机交互角度讨论了解的构造方法和人的评价策略。最后,利用函数优化和汽车造型设计进行了实验,运行结果表明算法具有较高优化性能。

摘要：针对交互式遗传算法因种群规模小、进化代数少和用户评价负担重而性能偏低的问题,将蚁群优化引入遗传操作过程,从而提出一种使用精英保留策略的交互式蚁群遗传算法.从人机交互和降低用户评价负担的角度设计了算法结构,即以ACO信息素矩阵作为构造解的依据,替代遗传算法中的选择算子,然后将蚂蚁构造的解进行交叉和变异操作之后交给用户评价,而用户只需确定当前代哪个解是迄今历史最优解即可,而不用评价每个个体的具体适应值,并以迄今历史最优解更新信息素.利用函数优化和汽车造型设计进行实验,结果表明该算法具有较高优化性能,并能有效降低用户疲劳.