基于遗传算法和梯度下降法的聚类新算法

基于遗传算法的聚类算法是一种全局优化算法,但是其局部搜索能力较差,而梯度下降法却具有较强的局部搜索能力,本文在通过遗传算法搜索得到近似全局最优解的基础上,采用梯庹下降法进一步搜索全局最优解,得到两者相结合的新算法.     

遗传算法浅析

遗传算法是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法,它借鉴了达尔文的进化论和孟德尔的遗传学说。其本质是一种高效、并行、全局搜索的方法,它能在搜索过程中自动获得和积累有关搜索空间的知识,并自适应地控制搜索过程以求得最优的方案。遗传算法作为一种实用、高效、鲁棒性强的优化技术,有着广泛的应用前景。     

图书馆信息服务评估的研究

利用遗传算法的全局搜索能力和神经网络的局部搜索能力,对图书馆信息服务综合水平进行有效评估.     

基于新型蚁群算法的配电网络规划

在基本蚁群算法的基础上引入分段函数及柔性伸缩机制,对蚁群算法中转移概率的调节因子的取值以及信息素全局刷新方式加以改进,提高了蚁群算法搜索全局最优解的能力以及收敛到最优解的速度。将改进后的算法应用于配电网规划问题,通过具体的算例验证表明,在相同的情况下,新方法比基本蚁群算法在搜索全局最优解和收敛速度方面有所提高,说明了新方法的可行性与有效性。     

基于改进遗传算法的动态聚类方法及其应用

爬山法一般得不到全局最优分类，k-均值法等常规动态聚类方法对初始聚类中心的选择非常敏感且聚类结果依赖样本的输入次序，结合遗传算法的全局搜索能力和爬山算法的局部搜索能力改进常规动态聚类方法，可以有效地解决这些问题，通常可保证能在有限的迭代次数内搜索到全局最优解。     

大规模原子模拟软件包(LSASP)程序设计和进展

本文介绍了笔者课题组开发的针对复杂体系精确计算的软件包LSASP,包括核心算法,软件架构以及开发进展。与传统经验力场的程序不同,LSASP软件整合现有的通用电子结构计算软件,提供统一数据接口,以通用型全局势能面神经网络势函数作为主要势能面计算工具,涵盖全局结构搜索,自动反应路径取样,过渡态寻找,分子动力学,蒙特卡洛模拟等势能面采样功能的大尺度计算平台。LSASP软件的核心算法,随机势能面行走(SSW),具有自有知识产权,在势能面全局搜索,过渡态反应路径搜索,神经网络势函数模拟等方面具有国际竞争力。     

基于GPSO算法的区域防空雷达组网优化部署

综合吸取遗传算法全局搜索能力强和粒子群算法局部收敛速度快的优点,应用于雷达网部署变量的求解,仿真结果证明它能在更短时间周期内得到全局最优化的雷达布站方案.     

ASP数据库脚本程序边缘搜索最优路径提取

提出一种基于标准混合蛙跳算法的ASP数据库脚本程序边缘局部搜索最优路径提取算法,在进行ASP数据库信息交互中的脚本程序边缘局部搜索最优路径提取中,把路径搜索比喻为青蛙在觅食过程的位置更新,将搜索加速因子引入族群内部的搜索策略中,一定程度上提高了算法的全局搜索能力,利用局部最优个体、局部最差个体及全局最优个体的信息实现对脚本程序边缘局部最优路径搜索算法的改进。仿真结果表明,算法在时间成本及空间成本大幅降低,加速比提高。能摆脱局部最优解的能力强,收敛速度快,通过搜索最优路径的提取,信息交互中的信息配准提高。在ASP数据信息交互中实现可靠有效的数据通信。     

基于改进的PSO-BP神经网络的桂林市物流预测研究

由于BP神经网络有收敛速度慢,容易陷入局部最小的缺陷,因此文章提出了一种改进的粒子群算法来优化BP神经网络的权值与阈值。使得预测模型能够在搜索最优解的过程中能够平衡算法的局部搜索和全局搜索,提高搜索的精度。对初步确定的输入指标和输出指标采用线性回归的方法,来筛选与输出指标具有强相关性的输入指标。通过MATLAB软件进行预测,比较标准的PSO-BP与改进PSO-BP模型,预测结果较好,说明改进的PSO-BP模型是有效的。     

基于人工免疫-蚁群混合算法的WSN路径优化研究

人工免疫算法（AIA）是借鉴人体免疫机制提出的一种智能算法,它具有快速随机的全局搜索能力,但不能有效利用系统的正反馈信息,往往会做大量的冗余迭代,降低了求解效率;而蚁群算法具有分布式并行全局搜索能力,但由于初期信息素匮乏,求解速度低。基于这两种智能算法的优劣势,提出的AIAC算法充分利用了AIA的快速性和全局收敛性产生初始解,再利用蚁群算法提高求解效率,在Matlab上取得了较好的仿真效果。     

企业持续竞争优势的内在机理

从知识、能力和产品三者共同演化的角度来阐述企业持续竞争优势的形成和发展规律,着重分析知识演化和能力演化的关系以及能力演化和产品演化的关系,并认为通过学习促使共同演化体与环境匹配是实现企业持续竞争优势的关键。     

基于改进遗传算法的高光谱图像波段选择

在对地观测领域,高光谱图像得到了广泛应用,但存在数据量大、波段间相关性高等问题. 针对以上问题分析了已有的波段选择方法,提出了基于信息量及类间可分离性准则的遗传算法对高光谱图像进行波段选择:构造波段互相关系数矩阵进行子空间划分;利用联合熵作为组合信息量的标准,Bhattacharyya距离作为类间可分离性标准,构造遗传算法的适应度方程,改进了遗传算法中的选择算子. 最后用AVIRIS图像对提出的算法进行试验,并利用最大似然分类法对最优波段组合进行分类,总体分类精度达到94.24%,Kappa系数达到0.94.     

基于遗传算法的数字曲线多边形逼近的实现

平面曲线的多边形逼近是模式识别和计算机舰觉研究中的常用算法,为克服顶点的检测只依靠局部区域、缺乏全局信息的弱点。提出了一种利用遗传算法的最优多边形逼近算法。     

数字化下后发企业多维能力协同机制:华为启示

数字技术的迅速普及,给企业内外部环境带来巨大的变动性。现阶段,企业急需构建动态能力,以应对内外部环境的动态变化。作为技术、管理以及市场都落后的后发企业,如何通过技术、管理与市场能力的协同演化来构建动态能力,成为现阶段后发企业应对数字化挑战的关键。基于此,本研究采用案例研究法,以中国华为公司为研究对象,通过追踪华为公司追赶过程中的技术学习、管理学习以及市场扩张行动,探究其管理能力、技术能力、市场能力协同演化机制。研究发现,首先,“管理-技术-市场”能力协同演化推动后发企业形成应对环境震荡的动态能力,其中,管理能力为企业技术与市场能力积累提供管理基础,技术为市场能力的积累提供产品基础,市场能力对企业技术与管理能力具有资源反哺效应;其次,技术学习、管理学习、市场扩张是后发企业获取与改进技术、管理以及市场能力的重要渠道;最后,在不同追赶阶段,后发企业的能力积累依赖于差异化的技术学习、管理学习以及市场扩张战略。案例企业的追赶过程显示,案例企业通过技术学习、管理学习以及市场扩张的方式实现三维能力的协同演化以及可持续追赶,具体而言,其技术学习行动的阶段性演化特征为：产品仿制引发的技术学习,产品改进引发的技术学习,技术应用与推广引发的技术学习,全球创新网络引发的技术学习;其管理学习行动的阶段性演化特征为：产品质量改善导向的管理学习,组织（机构）建设导向的管理学习,流程改进导向的管理学习,流程融通导向的管理学习;其市场经验积累的阶段性演化特征为：来自于低端市场的经验积累-来自于中高端市场的经验积累-来自于国际中低端市场的经验积累-来自于国际高端市场的经验积累。对现阶段后发企业制定追赶战略而言,本研究主要管理启示为：首先,应对数字化下的环境动态性,后发企业应注重推进多维能力协同演化;其次,针对不同追赶阶段,后发企业应该根据其所处阶段特征制定相应的管理、技术、市场能力改善战略;最后,后发国家应该为国内企业提供有助于其多维能力协同演化的支持政策,推动后发企业实现管理能力、技术能力、市场能力的协同演化,进而全面推动后发企业实现可持续追赶。     

基于遗传算法的分层覆盖网络组播树构建

依据NICE网络协议组织网络节点,提出一种分层覆盖网络组播树模型,其基于K-Mediods和遗传算法对组播服务节点MSNs选择,构建覆盖网络分层组播树。根据覆盖网络中组播服务节点的特点,引入基因差异控制和变异精英控制策略。对遗传算法中的交叉和变异算子进行修正,限制适应度差的个体生成,在缩小搜索空间、加快收敛速度的同时,提高算法的全局寻优能力。理论分析和仿真结果也表明,该模型不仅有效克服了传统K-Mediods算法模型易陷入局部极小值的特点,而且明显避免了对初始中心选值敏感的问题。     

知识进化、惯例演化下的国际新创企业组织能力提升——以天士力国际营销控股有限公司为例

国际新创企业通过将知识进行整合并更新到知识存量中,形成一系列的组织流程和惯例,是企业快速成长和获取竞争优势的重要基础。以国际新创企业的组织能力提升为主线,从知识进化、惯例演化的视角,探讨知识进化、惯例演化下的国际新创企业组织能力提升的过程理论框架。研究发现:第一,国际新创企业的不同国际化发展阶段,个人知识、经营层面惯例和组织能力共同演化,组织能力随着知识的进化和惯例的演化不断的提升。第二,企业内部组织能力提升的路径可以分为3种:组织内部知识上行流动、组织内部惯例逐级演化和组织内部惯例互动演化,组织能力随着国际化阶段的变化也呈现提升的特征。第三,国际新创企业国际化的激进性特征,在其国际化的不同阶段,能力的提升力度是不一样的。     

遗传算法中初始种群与交叉、变异率对解的影响及其解决方案

本文的研究表明，在相同的遗传算子下，初始种群性状和数量以及交叉、变异率的确定对算法收敛速度和结果的影响不能忽略。初始种群或交叉、变异率选择不当，将增加迭代次数，甚至直接导致算法陷入局部最优解。为此，本文提出一种基于空间分割的遗传算法及初始种群产生和种群数量确定方法，并根据有关文献，提出一种自适应交叉、变异率方法。实际计算表明，该算法在很大程度上避免了算法收敛于局部最优点，取得较好的效果。     

基于求解TSP问题的ACA-GA-PSO算法

为了有效求解TSP问题,提出一种融合蚁群算法、遗传算法、粒子群优化算法思想的混合算法。该算法基于最大-最小蚁群系统框架,在选择下一个城市时采用局部搜索策略避免陷入局部最优,在每次循环结束时用演化交叉策略优化得到的全局最短路径,从而提高求解TSP问题的求解精度及收敛速度。TSPLIB中不同规模的TSP问题的仿真实验结果表明了该算法的有效性与可行性。     

专利技术种群增长的生态过程:协同与竞争——以光学光刻技术种群为例

借助组织生态学中的种群演化理论,辅以光学光刻专利技术的实证分析,阐释了专利技术种群的数量增长过程,运用密度依赖模型和传染病模型分析专利技术种群的数量增长规律;运用专利引证分析方法,讨论了单一专利技术种群内部进化和两个子种群间协同进化的动力、方向和机理;引入网络分析中结构洞的概念将研究扩展到多个专利技术种群之间的协同进化关系上.结论表明:采用种群演化模型可以有效地识别专利技术种群所处的合法化和竞争阶段;专利技术种群进化过程中的传染行为构成了专利技术种群内部和多个子种群之间协同进化的动力,技术选择的压力决定了专利技术种群进化的方向.     

QoS组播路由的多种群遗传算法

针对单种群遗传算法在求解QoS组播路由问题中存在的容易早熟、收敛性差等缺陷,提出了一种基于多种群遗传算法的QoS组播路由算法。该算法在初始化过程中采用多种初始化算法生成了不同种群,并设计了多种交叉、变异操作,保证了种群间进化过程的独立性和算法的多样性;增加了种群间协调机制,提高了算法的整体收敛性。仿真结果证明了多种群遗传算法的有效性和优越性。