摘要：如何将差分演化算法用于离散领域是该领域的一个重要问题.提出一种适应度平均选择的离散差分演化算法,提出的算法中每个个体有均等的机会被选择用于引导算法的进化,这种选择方式有助于克服贪婪选择操作导致的种群多样性下降过快而使算法易陷入局部最优的问题.最后在多维背包问题上的实验结果表明提出的算法具有良好性能.

摘要：如何将差分演化算法应用于离散领域是目前该领域的一个热点研究问题。用分布估计算法对搜索空间中优质解的分布进行建模,然后根据建立的模型抽样产生新解,利用分布估计这种全局信息学习的机制,提出具有学习机制的离散差分演化算法并用于求解多维背包问题。实验结果表明,提出的算法具有良好的性能。

摘要：差分演化(DE)是解决优化问题的非常有效的新兴智能算法,但它主要用于连续优化领域,至今尚不能象解决连续优化问题那样有效的处理组合优化问题。首先提出了离散DE用于组合优化问题,然后在离散DE中引入分布估计算法(EDA)来提高性能,把EDA抽样得到的全局统计信息和离散DE获得的局部演化信息相结合来产生新解,形成基于EDA的离散DE算法。为了保持种群多样性,在提出的算法中引入了位翻转变异操作。实验结果表明,EDA能大大提高离散DE的性能。

摘要：本文从信任角度研究了公司如何设计针对具有政治关系CEO的薪酬契约。具体来说,分析并验证了两个推论:第一,由于股东对CEO不完全信任,CEO现金薪酬对负股票回报的敏感性要大于对正股票回报的敏感性;第二,CEO的代表委员类政治关系会增进股东对CEO的信任,从而这类CEO薪酬-回报的非对称敏感程度较低。本文从薪酬契约角度发展了当前高管政治关系的研究,并且为薪酬契约设计研究提供了新的经验证据。