摘要：建立低碳旅行商问题的数学模型LCTSP,并验证了模型的有效性。提出一种基于问题启发信息的离散粒子群算法。根据距离和载重信息设计一种新型离散个体生成算子,该算子对个体自身采用多元变异策略,保持个体的“惯性”,同时采用贪婪交叉策略实现个体与个体极值和全局极值之间的信息交互;基于优先卸货信息对个体极值进行局部搜索,调整种群跟踪对象,以快速跳出局部最优;度量种群同化程度,利用点插法和2-Opt算子对全局极值进行精细化搜索,增强挖掘能力,提高搜索精度,降低种群同化速度。将所提算法与6种代表性算法应用于一组不同规模的低碳旅行商问题中,结果表明,所提算法具有更高的求解精度。

摘要：多背包问题(MKP)是一个典型的NP-hard组合优化问题。启发信息的设计是众多启发搜索算法解决MKP的关键手段之一。提出了一种新的针对MKP的启发信息设计,利用了向量距离来度量背包容量和物体消耗之间的拟和程度。基于这种启发信息,通过蚁群优化算法ACS实现了对MKP标准测试库30个实例的计算,与ACS现有启发信息相比,该方法有16例找到最优解,并全面优于同类实现。同时与当前MKP最好解决方案GA比较了2例结果,该方法的平均性能都优于该解决方案。

摘要：本研究以火柴棒算式问题为实验材料,采用2(问题类型:问题A、问题B)×2(启发类型:有、无)×2(认知风格:场独立型、场依存型)×5(兴趣区:第一个加数、加号、第二个加数、等号和结果)实验设计,考察顿悟问题解决时个体的眼动差异。结果发现:相对于场依存型个体,场独立型个体能够更有效地利用启发信息来减小表征变换时的心理加工负荷,进而提高加工效率;启发信息促进问题解决者对问题的表征从数值表征转变到符号表征,从而成功地产生了顿悟。

摘要：为了提高蚁群算法的路径寻优效果和搜索效率,提出一种改进的蚁群算法,用于移动机器人在栅格环境下的路径规划.在标准蚁群算法中,蚂蚁的搜索方式一般是4方向4邻域或者8方向8邻域,在此基础上提出一种16方向24邻域的蚂蚁搜索方式,给出蚂蚁的移动规则;针对启发信息,结合向量夹角的思想设计2种启发信息的计算方法,通过实验分析两种计算方法的使用特点;在转移概率部分引入转移概率控制参数,通过调整转移概率控制参数可以调控算法的搜索范围.最后,在不同规模的栅格地图环境下,通过实验仿真验证所提算法的有效性.

摘要：为解决大规模服务选取问题,提出了一种混合蚁群优化(HACO)算法.该算法先采用动态skyline服务查询过程过滤抽象服务类相关的冗余候选服务,以大力缩减空间提高查找效率,然后利用聚类设计动态构造图来引导蚂蚁的搜索方向,从而确定局部服务选取的搜索区域;基于已经确定的局部服务选取的搜索区域,利用启发式策略选取具体的组合服务.采用标准的真实数据集和综合产生的数据集对所提的方法进行试验评估,以及和最近提出的相关组合服务算法进行对比.实验结果在解的质量和处理时间方面效果显著.

摘要：差别矩阵方法因其易懂,易设计被广大学者接受并使用.然而,对于大型的决策表而言,计算差别矩阵时不仅费时,而且会占用大量的存储空间,使得算法的效率不高.为了尽可能减少差别矩阵的存储空间,又能用到差别矩阵的思想,提出了区分对象对集的思想,研究发现,这样设计的方法也无法适用大型数据集.为此,在区分对象对集基础上,设计一个能计算区分对象对集的个数的函数,并用该函数设计了一个启发函数,同时给出该启发函数的快速算法,利用启发函数设计了一个高效的不完备决策系统属性约简算法,新算法时间复杂度及空间复杂度分别降为O(K C U)(其中K=max{TC(xi),xi∈U}和O(U).通过实例仿真说明该算法是一高效可行的属性约简算法.

摘要：知识粒度是属性约简的有效方法,但对于大型的决策表,计算知识粒度过于费时,算法效率不高。在引入粒度差别矩阵后,设计了一个计算粒度差别矩阵中条件属性出现频率的函数,有效地降低粒度差别矩阵的存储空间,根据此函数设计了一个高效属性约简算法。新算法使得时间复杂度与空间复杂度都降为O(K|C||U|)(其中K=max{|Tc(xi)|,xi∈U}和O(|U|)。最后通过实例仿真说明了此算法的高效性和可行性。

摘要：路网结构的复杂性和运输生产的动态性 ,决定了要获得较大规模的实际空车调配问题的最优解是不可能或非常困难的。为求解此类问题 ,提出了一种有效的遗传启发算法。针对该问题的特定领域知识 ,设计了适合空车调配问题的矩阵编码方法 ,基于该编码的初始化方法能保证初始种群的可行性。针对矩阵编码提出的特殊交叉算子和变异算子 ,能保证生成的新个体总是有效的。通过对收发平衡和收发不平衡的空车调配问题的数值计算和分析 。

摘要：属性约简是Rough集理论中的核心问题之一,找出所有的约简或最小约简是一个NP难题。本文证明了正区域和边界域的一些性质,指出在考虑工区域作为启发信息的同时,还应该考虑在不一致决策表中边界域对约简的影响,综合这两种信息,提出了不一致决策表约简的启发信息。并在此基础上,设计了不一致决策表的启发式约简算法。实验证明,在多数情况下,该算法能够得到决策表的最小或次优约简。

摘要：蚁群算法应用于路径规划时,算法前期信息素分布均匀,只依赖启发信息搜索最优路径,因此存在盲目搜索和收敛慢的问题;蚁群算法后期由于信息素的正反馈作用,使蚁群算法陷入局部最优时无法跳出。为了解决这些问题,提出了改进人工势场法引导蚁群算法的路径规划方法。介绍了栅格环境建模法;以人工势场法为基础,给出了路径中间点选择方法,取消了障碍物斥力而只保留目标点引力,在目标引力下实现路径规划;以改进人工势场法规划路径启发蚁群算法,减少前期路径规划盲目性,实现加快收敛的目的;改进信息素更新方法,使信息素遗留因子随路径优劣自适应变化。由仿真结果可以看出,相比于蚁群算法和文献[10]势场蚁群算法,这里算法规划路径最短、平均迭代次数最少、算法平均耗时最少。