蚁群算法发表论文
蔡自兴教授已在国内外发表论文和科技报告等860多篇。2010年：1.Cai Zixing. Research on navigation control and cooperation of mobile robots (Plenary Lecture 1). 2010 Chinese Control and Decision Conference, New Century Grand Hotel, Xuzhou, China, May 26- 28, 2010.2.Cai Zixing. Research on navigation control and cooperation of mobile robots (Plenary Lecture 1). 2010 Chinese Control and Decision Conference, New Century Grand Hotel, Xuzhou, China, May 26-28, 2010.3. Chen Baifan,Zi-Xing Cai, Zhi-Rong Zou. A Hybrid Data Association Approach for Mobile Robot SLAM. International Conference on Control, Automation and Systems, October 27-30, 2010, KINTEX, Gyeonggi-do, KOREA (Accepted).4. Guo Fan,Cai Zixing, Xie Bin, Tang Jin. Automatic Image Haze Removal Based on Luminance Component. The International conference on Signal and Image Processing (SIP 2010).May 2010 (Accepted).5. Linai. Kuang,Zixing. Cai.Immune System based Redeployment Scheme for Wireless Sensor Networks[C].In proceeding of 1st IET International Conference on Wireless Sensor Network. Beijing, China, November,2010.6. Lingli YU,Zixing CAI, A Study of Multi-Robot Stochastic Increment Exploration Mission Planning [J]. Frontiers of Electrical and Electronic Engineering in China, (Received).7. Liu Hui,Cai Zixing, and Wang Yong. Hybridizing particle swarm optimization with differential evolution for constrained numerical and engineering optimization. Applied Soft Computing, 2010,10(2): 629–640.8. LIU Xian-ru,CAI Zi-xing. Advanced obstacles detection and tracking by using fusing radar and image sensor data. International Conference on Control, Automation and Systems，2010/10/27,Korea.9. Liu Xianru,Cai zixing. Advanced obstacles detection and tracking by using fusing Radar and Image Sensor Data[C]. International Conference on Control, Automation and Systems. (October 27-30,2010, KINTEX, Gyeonggi-do, KOREA).10. Ren Xiaoping,Zixing Cai. Kinematics Model of Unmanned Driving Vehicle. Proceedings of the 8th World Congress on Intelligent Control and Automation, July 6-9 2010, Jinan, China, 2010: 5910-5914.11. Suqin Tang,Zixing Cai: Tourism Domain Ontology Construction from the Unstructured Text Documents. The 9th IEEE International Conference on Cognitive Informatics, Beijing, China.2010,pp297-301.12. Suqin Tang,Zixing Cai: Using the Format Concept Analysis to Construct the Tourism Information Ontology. The 2010 Seventh International Conference on Fuzzy Systems and Knowledge Discovery (FSKD'10)，Yantian, China.2010, pp2941-2944.13. Tan Ping,Zixing Cai. An Adaptive Particle Filter Based on Posterior Distribution. Proceedings of the 8th World Congress on Intelligent Control and Automation, July 6-9 2010, Jinan, China, 2010: 5886-5890.14. Wang Yong,Cai Zixing, Zhang Qingfu. Differential evolution with composite trial vector generation strategies and control parameters. IEEE Transactions on Evolutionary Computation, Accept, regular paper.15. Wang Yong,Cai Zixing. Constrained evolutionary optimization by means of (mu+lambda)-differential evolution and improved adaptive trade-off model. Evolutionary Computation, in press.16. Wang Yong, Combining multiobjective optimization with differential evolution to solve constrained optimization problems. IEEE Transactions on Evolutionary Computation, (regular paper, Accepted).17. Xianru Liu,Zixing Cai.Advanced Obstacles Detection and tracking by Fusing Millimeter Wave Radar and Image Sensor Data,International IEEE Intl Coference on Control,Automation and Systems , Korea, 2010, 22:1115-1121.18. Xie Bin, Fan Guo,Zixing Cai. Improved Single Image Dehazing Using Dark Channel Prior and Multi-Scale Retinex. 2010 International Conference on Intelligent System Design and Engineering Application, Changsha, China, 2010. (Accepted) .19. YU Ling-li,CAI Zi-xing, GAO Ping-an, LIU Xiao-ying. A spatial orthogonal allocation and heterogeneous cultural hybrid algorithm for multi-robot exploration mission planning. Journal of control theory and applications (Received) .20.蔡自兴，陈白帆，刘丽珏. 智能科学基础系列课程国家级教学团队的改革与建设. 计算机教育，2010，（127）：40-44 .21.蔡自兴，任孝平，李昭.一种基于GPS/INS组合导航系统的车辆状态估计方法. Proc.CCPR2010, 2010.22.蔡自兴。智能科学技术课程教学纵横谈. 计算机教育，2010，（127）：2-6.23.蔡自兴，蒋冬冬，谭平，安基程。H.264中快速运动估计算法的一种改进方案;计算机应用研究2010,27(4):1524-1525.24.蔡自兴; 任孝平; 邹磊; 匡林爱. 一种簇结构下的多移动机器人通信方法.小型微型计算机系统,2010,31(3):553-556.25. 陈爱斌，蔡自兴.一种基于目标和背景加权的目标跟踪方法,控制与决策，2010,25(8):1246-1250.26. 陈爱斌;蔡自兴; 文志强; 董德毅. 一种基于预测模型的均值偏移加速算法. 信息与控制 2010,39(2): 234-237.27. 陈爱斌; 董德毅;杨勇;蔡自兴. 基于目标中心定位和NMI特征的跟踪算法.计算机应用与软件,2010,27(4):276-279.28. 陈白帆，蔡自兴，刘丽珏. 人工智能课程的创新性教学探索——人工智能精品课程建设与改革. 计算机教育，2010，（127）：27-31.29. 官东，蔡自兴，孔志周. 一种基于推荐证据理论的网格信任模型.系统仿真学报，2010，22（8）：1895-1898.30.郭璠,蔡自兴,谢斌, 唐琎. 图像去雾技术研究综述与展望. 计算机应用, 2010, 30(9):2417-2421.31. 郭璠,蔡自兴, 谢斌, 唐琎. 一种基于亮度分量的自动图像去雾方法. 中国图象图形学报. 2010年3月(录用).32. 江中央,蔡自兴,王勇. 一种新的基于正交实验设计的约束优化进化算法. 计算机学报, 2010，33（5）：855-864.33. 江中央,蔡自兴,王勇.求解全局优化问题的混合自适应正交遗传算法.软件学报, 2010,21(6):1296-1307.34. 匡林爱,蔡自兴. 基于遗传算法的无线传感器网络重新部署方法. 控制与决策，2010,25(9):1329-1332.35. 匡林爱,蔡自兴.一种簇机构下的多移动机器人通讯方法.小型微型计算机系统.，2010，31（3）：553-556.36. 匡林爱,蔡自兴.一种带宽约束的无线传感器网络节点调度算法.高技术通讯，2010,20(3):309-313.37. 刘丽珏，蔡自兴，唐琎. 人工智能双语教学建设. 计算机教育，2010，（127）：74-77.38. 刘献如，蔡自兴. 基于SAD与UKF-Mean shift的主动目标跟踪. 模式识别与人工智能，2010,23(5)：646-652.39. 刘献如，蔡自兴. 结构化道路车道线的鲁棒检测与跟踪. 光电子.激光，2010，21(12):1834-1838.40. 刘献如,蔡自兴.UKF 与Mean shift 相结合的实时目标跟踪.中南大学学报，2009年录用.41. 刘晓莹;蔡自兴; 余伶俐; 高平安. 一种正交混沌蚁群算法在群机器人任务规划中的应用研究. 小型微型计算机系统, 2010,31(1):164-168.42. 蒙祖强，蔡自兴，黄柏雄. 课程交叉教学在应用型人才培养中的实践探索. 计算机教育，2010，（127）：55-57.43. 潘薇;蔡自兴; 陈白帆. 复杂环境下多机器人协作构建地图的方法;四川大学学报(工程科学版) 2010-01-20.44. 任孝平,蔡自兴,邹磊,匡林爱.“中南移动二号”多移动机器人通信系统.中南大学学报（自然科学版）,2010,41(4):1442-1448.45. 任孝平,蔡自兴.四种虚拟力模型在传感器网络覆盖中的性能分析.信息与控制,2010，39（4）：441-445.46. 任孝平;蔡自兴; 陈爱斌. 多移动机器人通信系统研究进展. 控制与决策 2010,(3): 327-332.47.唐素勤，蔡自兴，王驹，蒋运承: 基于gfp语义的描述逻辑系统FLE的有穷基,计算机研究与发展，2010,47(9):1514-1521.48. 唐素勤，蔡自兴，王驹，蒋运承: 描述逻辑非标准推理, 模式识别与人工智能，2010,23(4)：522-530.49. 肖赤心，蔡自兴，王勇. 字典序进化算法用于组合优化问题. 控制理论与应用，2010，27（4）：473-480.50. 谢斌，蔡自兴. 基于MATLAB Robotics Toolbox的机器人学仿真实验教学. 计算机教育，2010，（127）：140-143.51. 余伶俐,蔡自兴,谭平,段琢华.基于多模态Rao-Blackwellized进化粒子滤波器的移动机器人航迹推算系统的故障诊断. 控制与决策，2010，25（12）：1787-1792.52. 余伶俐,蔡自兴,谭平,进化粒子滤波器对比研究及其在移动机器人故障诊断的应用. 信息与控制，2010，39（5）：621-628.53. 余伶俐，蔡自兴，肖晓明. 智能控制精品课程建设与教学改革研究. 计算机教育，2010，（127）：35-39.54. 余伶俐,焦继乐,蔡自兴. 一种多机器人任务规划算法及其系统实现. 计算机科学，2010，37（6）：252-255.55.周涛;蔡自兴。 信息审计中短消息中心实验环境的仿真[J].科学技术与工程 2010,10(6): 1551-1554.56. 邹磊,蔡自兴,任孝平.一种基于虚拟力的自组织覆盖算法.计算机工程,2010,36(14):93-95 .2009年：57. Gao Ping-an,Cai Zi-xing. Evolutionary Computation Approach to Decentralized Multi-robot Task Allocation. Proc. of the 5th International Conference on Natural Computation, IEEE Computer Society, 2009,415-419.58. Wang Yong,Cai Zixing, Zhou Yuren. Accelerating adaptive trade-off model using shrinking space technique for constrained evolutionary optimization, International Journal for Numerical Methods in Engineering, 2009, 77(11):1501-1534.59. Wang Yong,Cai Zixing, Zhou Yuren, Fan Zhun. Constrained optimization based on hybrid evolutionary algorithm and adaptive constraint-handling technique, Structural and Multidisciplinary Optimization, 2009, 37(1): 395-413.60. Wang Yong,Cai Zixing. A hybrid multi-swarm particle swarm optimization to solve constrained optimization problems, Frontiers of Computer Science in China, 2009,3(1):38-52.61. Wang Yong,Cai Zixing. Constrained evolutionary optimization by applying (mu+lambda)-differential evolution and improved adaptive trade-off model. Evolutionary Computation, Accept.62. Liu Hui,Cai Zixing, and Wang Yong. Hybridizing particle swarm optimization with differential evolution for constrained numerical and engineering optimization.Applied Soft Computing, 2010,10(2):629–640.63. Liu Limei,Cai Zixing. An Improvement of Hough Transform for Building Feature map.64. Limei Liu, Zixing Cai,WeiPan.AMapBuilding Method Based on Uncertain Information of Sonar Sensor[C]. The 9th International Conference for Young Computer Scientists,2009,1738-1742.65. YU Ling-li,CAI Zi-xing. Robot Detection Mission Planning Based on Heterogeneous Interactive Cultural Hybrid Algorithm. Proc. of the 5th International Conference on Natural Computation.2009,583-587.66. Ren Xiaoping,Cai Zixing.A Distributed Actor Deployment Algorithm for Maximum Connected Coverage in WSAN. Proc. of the 2009 Fifth International Conference on Natural Computation, 2009,283-287.67. 王勇,蔡自兴,周育人,肖赤心.约束优化进化算法.软件学报, 2009,20(1): 11-29.68. 陈白帆,蔡自兴, 潘薇. 基于声纳和摄像头的动态环境地图创建方法.高技术通讯, 2009, 19(4): 410-414.69. 陈白帆,蔡自兴, 袁成. 基于粒子群优化的移动机器人SLAM方法研究.机器人, 2009, 31(6)：513-517.70. 高平安,蔡自兴. 多移动机器人任务负载均衡分组规划方法.高技术通讯,2009, 19(5):501-505.71. 高平安,蔡自兴. 一种基于多子群的动态优化算法.中南大学学报(自然科学版) 2009, 40(3): 731-736.72. 刘献如,;蔡自兴. 一种基于Integral Imaging和与模拟退火相结合的深度测量方法研究. 系统仿真学报. 2009，21(8)：2303~2306.73. 刘利枚，蔡自兴，潘薇.一种基于声纳信息的地图创建方法.计算机工程，2009，35（7）：166-185.74. 余伶俐，蔡自兴. 基于异质交互式文化混合算法的机器人探测任务规划.机器人.2009, 31(2):137-145.75. 余伶俐，蔡自兴，刘晓莹，高平安. 均分点蚁群算法在群集机器人任务规划中的应用研究[J].高技术通讯. 2009,19(10),1054-1060.76. 余伶俐，蔡自兴. 改进混合离散粒子群的多种优化策略算法.中南大学学报,2009, 40(4): 1047-1053.77. 余伶俐，蔡自兴，高平安，刘晓莹. 当代学习自适应混合离散粒子群算法研究. 小型微型计算机系统. 2009, 30(9):1800-1804.78. 余伶俐，蔡自兴. 基于当代学习离散粒子群的多机器人高效任务分配算法研究. 计算机应用研究. 2009, 26(5):1691-1694.79.蔡自兴; 谢斌; 魏世勇; 陈白帆. 《机器人学》教材建设的体会. 2009年全国人工智能大会(CAAI-13)，北京：北京邮电大学出版社，252-255，2009年9月.80.蔡自兴，郭璠. 密码学虚拟实验平台的设计与实现.中国人工智能进展（2009），中国人工智能大会(CAAI-13)论文集，北京：北京邮电大学出版社，432-438，2009年9月.81.蔡自兴,任孝平,邹磊.分布式多机器人通信仿真系统.智能系统学报,2009,4(4): 309-313.82. 任孝平,蔡自兴.基于阿克曼原理的车式移动机器人运动学建模.智能系统学报, 2009,4(6);534-537.83.蔡自兴; 任孝平; 邹磊. 分布式多机器人通信仿真系统.智能系统学报, 2009,4(4);309-313.84. 文志强;蔡自兴. 一种目标跟踪中的模糊核直方图. 高技术通讯, 2009,19(2):174-180.85.刘星宝;蔡自兴. 种子检测器刺激-应答变异算法研究. 高技术通讯, 2009,19(3):273-278.86. 刘星宝;蔡自兴. 负选择算法中的检测器快速生成策略. 小型微型计算机系统, 2009-07-15.87. 刘星宝;蔡自兴. 异常检测系统的漏洞分析.中南大学学报(自然科学版), 2009-08-26.88. 潘薇;蔡自兴; 陈白帆. 一种非结构环境下多机器人构建地图的方法. 高技术通讯, 2009-05-25.89. 孔志周;蔡自兴; 官东. 两种模糊密度确定方法的实验比较. 小型微型计算机系统, 2009-02-15.90. 江中央;蔡自兴; 王勇. 用于全局优化的混合正交遗传算法. 计算机工程, 2009-02-20.91. 肖赤心;蔡自兴; 王勇; 周经野. 一种基于佳点集原理的约束优化进化算法. 控制与决策, 2009-02-15 .92. 官东;蔡自兴; 孔志周. 一种基于网格技术的HLA分布仿真实现方法. 系统仿真学报, 2009,21(5):1363-1366.93.刘慧;蔡自兴; 王勇. 基于佳点集的约束优化进化算法. 系统仿真学报, 2009-03-20 .94. 潘薇;蔡自兴; 陈白帆. 基于遗传算法的多机器人协作建图方法. 计算机应用研究, 2009-04-15.95. 任孝平;蔡自兴; 卢薇薇. 一种基于扫描相关度的LSB算法. 计算机应用, 2009-05-01.96.胡强;蔡自兴. 一种基于改造时钟系统的Linux实时化方案. 计算机工程, 2009-06-05.97. 袁成;蔡自兴; 陈白帆. 粒子群优化的同时定位与建图方法. 计算机工程, 2009-06-05.98. 王勇;蔡自兴. “智能优化算法及其应用”课程教学的实践与探索. 计算机教育, 2009-06-10.99. 任孝平;蔡自兴; 卢薇薇. 网络可重构的多机器人仿真系统. 计算机应用研究, 2009-06-15.100. 袁湘鹏;蔡自兴; 刘利枚. 基于声纳的移动机器人环境建图的设计与实现. 计算机应用研究, 2009-07-15.101. 官东;蔡自兴; 孔志周.网格服务本体匹配算法研究. 小型微型计算机系统, 2009，30(8):1639-1643.102. 邹磊;蔡自兴; 任孝平. 基于簇的多移动机器人通信系统. 计算机应用研究, 2009-08-15.103.蔡自兴. 从严施教,精心育才,培养高素质人才. 计算机教育, 2009-09-10.104. 肖晓明; 旷东林;蔡自兴. 单亲遗传算法种群初始化方法分析. 电脑与信息技术, 2009-08-15.105. 刘丽珏; 陈白帆; 王勇; 余伶俐;蔡自兴. 精益求精建设人工智能精品课程. 计算机教育, 2009-09-10.106. 陈爱斌;蔡自兴; 安基程. 一种基于摄像机视角的立体视觉定位方法.中南大学学报(自然科学版), 2009-09-10.107. 唐素勤;蔡自兴; 江中央; 肖赤心. 用于求解约束优化问题的自适应佳点集进化算法. 小型微型计算机系统,2009,第9期，2009-11-15.108.胡扬;桂卫华;蔡自兴. 多元智能算法控制结构综述. 计算机科学, 2009-10-15.109.蔡自兴. 《混沌系统的模糊神经网络控制理论与方法》评介. 计算技术与自动化, 2009-12-15.110. 陈爱斌;蔡自兴; 安基程. 一种基于摄像机视角的立体视觉定位方法. 2009年中国智能自动化会议论文集（第六分册）[中南大学学报（增刊）], 2009-09-27.111. 于金霞;蔡自兴; 段琢华. 复杂地形下移动机器人运动学建模研究. 2009中国控制与决策会议论文集（1）, 2009-06-17.112. 刘献如，蔡自兴，杨欣荣. Integral Imaging与模拟退火相结合的深度测量方法研究. 系统仿真学报，2009,21（8）：2303－2307.
[1]许烁娜,曾碧卿,熊芳敏.面向大数据的在线特征提取研究.计算机科学,2014(9)[2]许烁娜,曾碧卿.基于Skyline查询的社会网络链接预测.计算机科学,2014(1)[3]XianGuangming;ZengBiqing;YunQiaoyun;Pang,Xiongwen.Non-specificpersoncontinuousspeechidentificationinsecondlanguageusingBPR.Telkomnika,2012,10(7):1604-1609.（EI已收录，收录号：20130115865854）[4]梁艳,曾碧卿.基于区域生长与Hough变换的虹膜定位方法.计算机工程与应用,2012(08)[5]孙健美,曾碧卿.云计算任务冗余调度优化模型.计算机系统应用,2012(07)[6]XianGuangming;QuJingping;ZengBiqing.ParameteroptimizationforvibrationflowfieldofpolystyrenemeltsviaRBFneuralnetworkscombinedwithSALS.2ndInternationalConferenceonMaterialsandProductsManufacturingTechnology(ICMPMT),2012,602-604:757-801.（EI已收录，收录号：20130215878734）[7]Guang-MingXian,Bi-QingZeng,Xiong-wenPang,Qiao-yunYun,Ying-wangXiao,Ai-YiHuang,Ying-YiMa,Xing-ChunWu..UsingcombinationofliftingwaveletandmulticlassSVMbasedonglobaloptimizationclassstrategyforfaultpatternidentification,.JournalofVibroengineerin,2012,14(4):1616-1622.(SCI已收录，IDS号：145JU)[8]XuShuona;ZengBiqing.Anovelchinesewordsegmentationmethodutilizingmorphologyinformation.AdvancesinIntelligentandSoftComputing,vol.2012,114:321-328.（EI已收录，收录号：20120514731119）[9]丁美荣,唐华,曾碧卿.计算机网络研究型实验教学评价体系的构建.计算机技术与发展,2011(01)[10]岑宇森,熊芳敏,曾碧卿.一种融合蚁群算法和主成份分析的数据挖掘方法.四川大学学报（自然科学版）,2011,48(1)[11]岑宇森,熊芳敏,曾碧卿.基于知识空间的分组式粒子群算法.计算机工程与设计,2010,31(7)[12]岑宇森,熊芳敏,曾碧卿.基于新型信息素更新策略的蚁群算法.计算机应用研究,2010(06):2080-2083[13]Guang-mingXian,Bi-qingZeng.AneffectiveandnovelfaultdiagnosistechniquebasedonEMDandSVM.NeuralNetworkWorld,2010,20(4):427-439.（SCI已收录，IDS号：648OD）[14]熊芳敏,岑宇森,曾碧卿.运用蚁群算法解决物流中心拣货路径问题.华南师范大学学报(自然科学版),2010(02):50-54[15]Guang-mingXian,Bi-qingZeng.Faultdiagnosisforsphericalrollerbearingusingdiscretewavelettransformandsupportvectormachine.ExpertSystemsWithApplications,2009.(SCI收录)[16]Guang-MingXian,Bi-QingZeng.Anintelligentfaultdiagnosismethodbasedonwaveletpacketanalysisandhybridsupportvectormachines..ExpertSystemsWithApplications,2009,36:12131-12136.（SCI已收录，IDS号：581OE）[17]XianGuang-Ming;QuJin-Ping;ZengBi-Qing.Computer-aidedexperimentofusingreal-timesmallanglelightscatteringimageprocessingtechniqueforvisualcharacterizationflowfieldofpolymermelts.Polymerbulletin.2009,62(3):345-354.(SCI已收录；EI已收录，收录号：20090911923020)[18]XianGM,QuJP,ZengBQ.AnEffectiveOn-linePolymerCharacterizationTechniquebyUsingSALSImageProcessingSoftwareandWaveletAnalysis.JournalofAutomatedMethods&ManagementInChem.2008.(SCI已收录)[19]曾碧卿，陈志刚，吴锐珍.P2P网络支持复杂多维数据搜索的范围查询算法.计算机工程，2007,33(22)：71-72，85[20]曾碧卿，吕西红，陈志刚.OHQFS：一种非结构化P2P网络中数据查询搜索新策略.小型微型计算机系统，2007，28(9)：1572-1578[21]曾碧卿，陈志刚，陈恒法.一种分布式并行I/O中新型动态数据调度算法.微电子学与计算机，2007,24(7)：119-121[22]曾碧卿，陈志刚，陈恒法，吴锐珍.EIR：具有超级结点的非结构化P2P中多维数据搜索框架研究.计算机科学，2007,34(5)：59-61，91[23]TangHua;ZengBi-Qing.Researchonmethodoftextclassificationruleextractionbasedongeneticalgorithmandentropy.ActaScientiarumNatraliumUniversitatisSunyatseni,2007,46(5):18-21,24.(EI已收录，收录号：20074810951539)[24]陈志刚，曾碧卿.HPPHM：多维数据并行I/O存储新策略及其性能研究.通信学报，2007,28(4)：57-64.（EI已收录，收录号:20072410652826，曾碧卿是该文通信作者)[25]唐华，曾碧卿.入侵检测系统优化配置研究.中山大学学报(自然科学版)，2007，46(3)：43-46.(EI已收录，收录号：20073010707110)[26]邓会敏，曾碧卿.一种动态并行I/O调度新策略的研究.微计算机信息，2007，23（3-3）：247-249[27]曾碧卿，邓会敏.培养计算机专业应用型人才的实践教学优化.计算机教育，2007年6月(下半月.学术版)，2007年6月第12期，总第48期：62-64[28]曾碧卿.深化计算机专业实践教学改革，提高培养应用型人才的质量.华南师范大学教学理念创新与实践文集(南海校区专集2),华南师范大学教学督导委员会编，2007年1月1日，广州：56-60[29]曾碧卿，陈志刚.非结构化P2P网络中一种新型的一跳查询与转发数据搜索新策略研究.第二届和谐人机环境联合学术会议(该联合学术会议由三个学术会议组成，分别是第15届中国多媒体学术会议(NCMT'06)、第2届人中国机交互学术会议(CHCI'06)、第2届中国普适计算学术会议)，2006年10月31-2006年11月2日，杭州：433-441.ISBN978-7-30-214832-6[30]曾碧卿，陈志刚.并行I/O中大型多维数据集合分配策略研究.计算机工程，2006，32(19)：38-39，42.(EI已收录，收录号:064810278801)[31]BiqingZeng,XihongLv,ZhigangChen.DNC-IO:ANewDataAssignmentandSchedulingAlgorithmofParallelI/O.JournalofCommunicationandComputer,ISSN1548-7709,USA,2006，3(9)：17-21[32]唐华，曾碧卿，沈岳.基于成本的入侵检测系统评估决策树分析方法研究.中山大学学报(自然科学版)，2006，45(SUPPL.2):122-125.(EI已收录，收录号：071610557082)[33]曾碧卿，陈志刚等.集群计算并行I/O中动态文件分配策略.计算机工程，2005，31(21)：53-54，71.(EI已收录，收录号:05499530374)[34]CHENZhi-gang,ZENGBi-qing,XiongCe,DENGXiaoheng,ZENGZhiwen,LIUAnfeng.HeuristicfilesortedassignmentalgorithmofparallelI/Oonclustercomputingsystem.JournalofCentralSouthUniversityofTechnology(EnglishEdition),2005,12(5)：572-577.(SCI已收录，IDS号：981DG，EI已收录，收录号:2005519604613).(ZENGBi-qing是该文通信作者)[35]曾碧卿，陈志刚等.分布式计算中可扩展的并行I/O数据分配策略研究.小型微型计算机系统，2005，26(10)：1799-1802[36]ZENGBi-qing,CHENZhi-gang,etl..ADataAssignmentAlgorithmBasedonNon-centralizingSchedulingofParallelI/O.Proceedingsofthe8thInternationalConferenceforYoungComputerScientists(ICYCS’05),September20-22,2005,Beijing：23-28.ISBN:7-5062-7736-0/TP.113.[37]曾碧卿，陈敏等.一种基于集群的新型并行文件系统研究.信息技术，2005.8：8-10，15[38]刘俊学,黄光荣,曾碧卿.产教结合实施“准就业”制.中国高等教育,2005(06):36-37[39]曾碧卿,邓会敏,吕西红,陈利平.高等专科学校分类分层教学的探讨.理工高教研究,2005(02)[40]曾碧卿，陈志刚，谭璐，邓晓衡.并行文件系统与并行I/O研究.微机发展，2004，14(12)：79-82[41]曾碧卿，陈志刚，吕西红，刘安丰.基于Linux的SMP机群环境中并行I/O模型研究.计算机工程与应用，2004，40(26)：79-81[42]曾碧卿，陈志刚.服务器集群系统研究.计算机应用研究，2004，21(3)：186-187，196[43]曾碧卿，陈志刚，邓会敏,刘伟.集群计算系统中并行I/O模拟器的研究与设计.计算技术与自动化，2004，23(3)：79-81，97[44]黄智伟,曾碧卿.电子商务专业课程设置中的一些问题研究.建材高教理论与实践,2001，20(1)：113-114[45]柳兆麒,曾碧卿,罗成建,邓会敏,黄春喜.“合格+特长”应用型人才培养模式的实践.建材高教理论与实践,2001,20(1)：120-121[46]张明旭,曾碧卿.热分析中图谱检索与图谱识别的软件实现方法.中国矿业大学学报,1999，28(04)：404-406(曾碧卿是该文通信作者)[47]陆向阳,曾碧卿,黄建宇,王金老.处理临涣选煤厂高浓度循环水的试验研究.选煤技术,1997,8(4)：24-25
粒子群算法发表论文
粒子群算法，也称粒子群优化算法(Particle Swarm Optimization)，缩写为 PSO， 是近年来发展起来的一种新的进化算法(Evolutionary Algorithm - EA)。PSO 算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的"交叉"(Crossover) 和"变异"(Mutation) 操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。粒子群算法是一种并行算法。
[1] 张兴华，永磁同步电机的模型参考自适应反步控制，控制与决策，2008，（3）：341-345（EI收录）[2] 张兴华，具有参数和负载不确定性的感应电机自适应反步控制，控制与决策，2006，（12）：1379-1382（EI收录）[3] 张兴华，基于递阶遗传算法的模糊控制器的规则生成和参数整定，信息与控制，2006，（3）：304-308[4] 张兴华，感应电机的无速度传感器逆解耦控制，电工技术学报，2005，（9）：55-60 （EI收录）[5] 张兴华，戴先中，感应电机神经网络逆控制的数字实现，仪器仪表学报，2006，（9）：1213-1217（EI收录）[6] 张兴华，戴先中，基于逆系统方法的感应电机调速控制系统，控制与决策，2000，（6）：708-711（EI收录）[7] 张兴华，戴先中，基于无源性的感应电机转矩与转速控制，电工技术学报，2001，（4）：34-38 （EI收录）[8] 张兴华，周刘喜，PID控制器的粒子群多目标优化设计，应用科学学报，2007，（4）：392-396[9] 戴先中，张兴华，刘国海等，感应电机的神经网络逆系统线性化解耦控制，中国电机工程学报，2004，（1）：112-117（EI收录）[10] 殷铭，张兴华，戴先中，基于模糊神经网络的发酵过程溶解氧预估控制，控制与决策，2000，（5）：523-526（EI收录）[11] Dai.X, He.D, Zhang.X, Zhang.T. MIMO system invertibility and decoupling control strategies based on ANN ɑ-order inversion, IEE Proceedings-Control Theory and Application, 2001, 148(2): 125-136 （SCI，EI收录）[12] 张兴华，戴先中等，感应电机的逆系统方法解耦控制，电气传动，2001，（2）：28-31[13] 张兴华，基于DSP和IPM的感应电机直接矢量控制系统，电力电子技术，2003，（5）：44-47[14] 张兴华，空间矢量脉宽调制恒压频比控制的数字实现，电气传动，2004，（2）：12-15[15] 张兴华，基于Simulink/PSB的异步电机变频调速控制系统的建模与仿真，系统仿真学报，2005，（9）：2099-2103（EI收录）[16] 张兴华，基于转子电阻自适应估计器的感应电机逆解耦控制，电气传动，2005，（11）：36-40[17] 张兴华，牛兴林，林锦国，基于EKF的感应电机无速度传感器逆解耦控制，系统仿真学报，2006，（4）：982-985（EI收录）[18] 张兴华，朱筱蓉，林锦国，基于自适应遗传算法的多目标PID优化设计，系统工程与电子技术，2006，（5）：744-746（EI收录）[19] 张兴华，空间矢量调制算法的DSP实现，微特电机，2004，（1）：37-39[20] 张兴华，矢量控制神经网络线性二次型调节器的设计，电气自动化，2004，（1）：19-21[21] 张兴华，一种神经网络辨识的混合学习算法，计算机工程与应用，2004，（28）：33-36[22] 张兴华，一类Takagi-Sugeno模糊控制器的自适应遗传优化设计，计算机工程与应用，2004，（34）：22-25[23] 张兴华，张冀，永磁同步电机的逆系统解耦控制，微电机，2007，(8): 9-12[24] 张兴华，朱筱蓉，林锦国，基于量子遗传算法的PID控制器参数自整定，计算机工程与应用，2007，(21): 218-220[25] 张兴华，李纬, 周刘喜，一种PID参数整定的粒子群优化算法，计算机工程与应用，2007，（33）：227-229[26] 叶成平，张兴华，基于DSP的异步电机的恒压频比控制，中小型电机，2004，（1）：28-32[27] 吕俊，张兴华等，基于自适应递阶遗传算法的神经网络优化策略，计算机工程与设计，2005，（2）：305-307[28] 夏俭军，张兴华，采用模糊控制的转差频率控制变频调速系统，中小型电机，2005，（6）：26-29[29] 戴先中，刘国海，张兴华，恒压频比变频调速系统的神经网络逆控制，中国电机工程学报，2005，（7）：109-114（EI收录）[30] 朱筱蓉，张兴华，基于小生境遗传算法的多峰函数全局优化研究，南京工业大学学报，2006，（3）：39-42[31] 张兴华，Simulink/PSB在《运动控制系统》实验教学中的应用，实验室研究与探索，2006，（9）：1077-1079[32] 张兴华，朱筱蓉，基于改进遗传算法的PID调节器多目标优化设计，计算机工程与应用，2006，（28）：208-210[33] 朱筱蓉，张兴华，一种带修复函数的QGA及其在背包问题中的应用，计算机应用，2007，（5）：1187-1190[34] 杨剑琳，张兴华，沈捷，Backstepping控制方法在PMSM速度跟踪控制中的应用，微电机，2007，（10）：52-54[35] 朱筱蓉，张兴华，基于改进量子遗传算法的连续函数优化研究，计算机工程与设计，2007，（21）：5195-5197[36] 张兴华，无刷直流电机的无速度传感器数字控制系统设计，电力自动化设备，2008，（7）：25-28 （EI收录）[37] 张兴华，沈捷，电流控制电压源逆变器驱动的感应电机逆解耦控制，电力自动化设备，2008，（8）：81-85 （EI收录）[38] 张兴华，感应电机的非线性输出反馈变频调速系统，电机与控制学报，2008，（4）：468-472 （EI收录）[39] 张兴华，丁守刚，非均匀气隙永磁同步电机的自适应混沌同步，控制理论与应用，2009，（6）（EI收录）
粒子群算法发表的论文
基于动态双种群粒子群算法的柔性工作车间调度摘 要: 针对标准粒子群优化算法存在易陷入局部最优点的缺点,提出了一种基于动态双种群的粒子群优化算法(DPSO) ·DPSO 算法将种群划分成两个种群规模随进化过程不断变化的子种群,两个子种群分别采用不同的学习策略进行进化,并在进化过程中相互交换信息·该算法提高了全局寻优能力,有效地避免了早熟收敛的发生·将以DPSO 算法为基础的排序算法和启发式分配算法(HA) 相结合形成了解决柔性工作车间调度问题的新方法(DPSO2HA) ·通过对算例的研究和与其他方法的比较表明,该方法是有效可行的·A Dynamic Double2Population Particle Swarm OptimizationAlgorithm for Flexible Job2Shop SchedulingL I Dan , GA O L i2qun , MA Jia , L I Yang( School of Information Science & Engineering , Northeastern University , Shenyang 110004 , China.Correspondent : L I Dan , E2mail : lidanneu @163. com)Abstract : A dynamic double2population particle swarm optimization ( DPSO) algorithm ispresented to solve the problem that the standard PSO algorithm is easy to fall into a locallyoptimized point , where the population is divided into two sub2populations varying with their ownevolutionary learning st rategies and the information exchange between them. The algorithm thusimproves it s solvability for global optimization to avoid effectively the precocious convergence.Then , an ordering algorithm based on DPSO is integrated with the heuristic assignation ( HA)algorithm to form a new algorithm DPSO2HA so as to solve the flexible job2shop schedulingproblem (FJ SP) . The new algorithm is applied to a set of benchmark problems as instances , andthe simulation result s show the effectiveness and feasibility of DPSO2HA algorithm for the flexiblejob2shop scheduling.Key words : double population ; PSO(particle swarm optimization) ; learning st rategy ; DPSO2HAalgorithm; flexible job2shop scheduling柔性工作车间调度问题( flexible job2shopscheduling problem , FJ SP) 是经典工作车间调度问题的一个延伸,它允许工件被给定的有处理能力的任何机器处理·柔性工作车间调度问题由于减少了机器约束,扩大了可行解的搜索范围,提高了问题的复杂性,所以与传统工作车间调度问题相比更加接近实际生产环境的模拟·相对于传统工作车间调度,关于柔性工作车间调度问题的文献还比较少·目前所采用的方法主要有分枝定界法[1 ] 、多项式算法、分等级法和传统进化算法( EA) [2 ]等,在近几年中,很多研究者使用禁忌搜索和遗传算法对FJ SP 进行求解[3 - 4 ]·本文提出一个新的求解柔性工作车间调度问题的方法———基于动态双种群粒子群优化的分阶段方法·本方法的主要思想是:将柔性工作车间调度问题分解成两个有时间顺序的子问题来考虑,首先考虑工序排序子问题,在获得可行的排序后再考虑机器分配子问题·本文首先利用动态双种群粒子群优化算法为工序进行排序,使其满足约束条件从而获得一个可行解,然后利用文中所提出的分配算法为每道工序分配合适的机器,形成可行的调度方案·本文所考虑的优化目标是最小化最大完工时间(makespan) ·1 柔性工作车间调度问题描述柔性工作车间调度问题可描述为将n 个加工顺序不同的工件在m 台机器上加工完成·每个工件使用同一台机器可以多于一次,每道工序的加工过程不允许中断·机器的集合用U 来表示,每个工件J 包含nj 道工序,各工序之间的顺序不允许改变·Oij表示工件J 的第i 道工序,它可以在有处理能力的任何一台机器上被加工·Ti , j , k表示工序Oij用机器Mk 来加工所需要的时间, 可用集合T ={ Ti , j , k| 1 ≤j ≤N ;1 ≤i ≤nj ;1 ≤k ≤M}表示, N 为工件的数量, M 为机器的数量·例如表1 即是一个实际的柔性工作车间调度加工时间表·表1 柔性工作车间调度加工时间表Table 1 Proce ssing schedule for FJ SP工件工序M1 M2 M3 M4J1O1 ,1 1 3 4 1O2 ,1 3 8 2 1O3 ,1 3 5 4 7J2O1 ,2 4 1 1 4O2 ,2 2 3 9 3O3 ,2 9 1 2 2J3O1 ,3 8 6 3 5O2 ,3 4 5 8 1在柔性工作车间调度问题中, 应满足以下假设:(1) 所有的机器在时间t = 0 时都是可以使用的,每个工件都可以在t = 0 时开始加工;(2) 在给定的时间内, 一台机器只能加工一道工序,直到加工完此工序后方可加工其他工序,这就是所谓的资源约束;(3) 对于每个工件的各道工序只能按照事先给定的顺序加工,这就是所谓的优先约束·对于每一道工序Oi , j , 本文用ri , j来表示其最早开始加工时间, 对不同的工序分别用下式进行计算:ri , j =0 , 1 ≤ j ≤ N ;ri - 1 , j +γi , j , 2 ≤ i ≤ nj ,1 ≤ j ≤ N ·式中,γi , j = mink ( Ti , j , k) ,1 ≤i ≤nj ;1 ≤j ≤N·对于FJ SP 来说一般存在两个难题:第一个是如何为每道工序选择合适的机器;第二个是如何计算每道工序的开始加工时间t i , j和结束加工时间tf i , j·本文所要研究的FJ SP 的优化目标是,在满足上述优先约束和资源约束的条件下寻找最优调度方案,使全部工件的最大完工时间(Makespan)最短·2 排序算法———动态双种群粒子群优化算法2. 1 标准粒子群优化算法粒子群优化(particle swarm optimization ,简称PSO) 算法是由Kennedy 和Eberhart 在1995年提出·在PSO 系统中,每个潜在解被称为一个粒子,多个粒子共存、合作寻优,每个粒子根据它自身的经验在目标搜索空间中向更好的位置飞行,搜索最优解·由文献[ 5 ]可知,每个粒子根据如下的公式来更新自己的速度和在解空间的位置·v ( t +1)id = w v ( t)id + c1 r1 p ( t)id - x ( t)id +c2 r2 p ( t)gd - x ( t)id , (1)x ( t +1)id = x ( t)id + v ( t +1)id · (2)其中, d = 1 ,2 , ⋯, n , i = 1 ,2 , ⋯, m , m 为种群规模; t 为当前进化代数; r1 和r2 为均匀分布于[0 ,1]的随机数; w 为惯性权重, 其值由下式来确定[6 ] :w = w max -w max - w minitermax×iter · (3)式中, w max , w min分别是w 的最大值和最小值;iter ,itermax分别是当前迭代次数和最大迭代次数·2. 2 粒子群优化算法的学习策略由标准粒子群优化算法可知,粒子通过跟踪自己迄今为止所找到的最优解和种群迄今为止所找到最优解这两个极值来更新自己的速度,从而更新自己的位置·这种行为也可以理解为,粒子在借鉴自身和整个群体所取得的成功经验,通过对以往的成功经验的学习获得有用的信息,指导自己下一步的行动策略·但人们也常说“失败乃成功之母”“, 吃一堑,长一智”,可见从一些失败的尝试中也可以获得有用的信息,基于这一点,提出了新的粒子群优化算法学习策略,这就是从以往的失败中获得有价值的信息,使粒子远离粒子本身和整个群体所找到的最差的位置,从而更新粒子的速度和位置·粒子在搜索过程中的失败可以表现为搜索到的具有较差适应值的位置,记第i 个粒子迄今为止搜索到的最差位置为si = ( si1 , si2 ,⋯, sin) ,整个粒子群迄今为止搜索到的最差位置为sg = ( sg1 , sg2 , ⋯, sg n) ,则第i 个粒子的速度和位置更新公式如下:v ( t +1)id = w v ( t)id + c1 r1 x ( t)id - s ( t)id +c2 r2 x ( t)id - s ( t)gd , (4)x ( t +1)id = x ( t)id + v ( t +1)id · (5)如果只是利用上述的位置和速度更新公式更新粒子,也就是说只是从失败中获取经验,这与实际经验不符·一般来说,还是更多地从成功的经历中获取信息,而从失败的经历中获得相对少的信息,基于这一点本文的算法同时从成功和失败的经历中获取信息来更新粒子·2. 3 动态双种群粒子群优化算法由上面的叙述可以知道粒子群中的粒子可以按照不同的学习策略进行学习,对速度和位置作出更新·所以本文将一个种群分成两个子种群,每个子种群选用不同的学习策略,即第一个子种群中的粒子选用从成功经历中获得学习信息的策略,更新自己;第二个子种群中的粒子选用从失败的经历中获得学习信息的策略进行进化·本文可以设置一个比例系数ρ来控制两个子种群中粒子的个数·ρ =m1m2, m1 + m2 = m · (6)式中, m 为粒子群中的粒子总数; m1 为第一个子种群中的粒子个数; m2 为第二个子种群中的粒子个数·为了使每个粒子都能从自身和群体的经历中获得充分的学习, 本文规定两个子种群中的粒子是不断变化的, 即每隔一定的代数后将整个种群按照比例系数ρ重新随机划分成两个子种群·从粒子群优化算法的进化过程中知道在优化的初期粒子的位置比较分散, 得到较优值和较差值的机会相差不多,所以此时采用上述两种不同学习策略的粒子的个数应大致相等·在优化搜索的后期粒子将聚集在最优值的附近,这时将很难出现比历史最差值更差的值了,第二个子种群将从失败经历中得不到太多的有价值的信息·此时第二个子种群中的粒子数应该远远小于第一个子种群中的粒子个数,直至完全采用跟踪最优值来更新粒子,即第二个子种群消亡·基于上述原因将ρ设为一个线性变化的量,其值由下式确定:ρ = ρmax -ρmax - ρmin018 ×itermax×iterc · (7)式中,ρmax和ρmin分别是ρ的最大值和最小值;iterc 和itermax分别是种群重新划分时的进化代数和最大进化代数·动态双种群粒子群优化算法的实现步骤如下:(1) 设PSO 种群规模为m , 加速常数为c1和c2 ,惯性权重的最大值和最小值为w max , w min ,比例系数ρ的最大值和最小值为ρmax ,ρmin ,种群重新划分代数iterc ,最大进化代数为Tmax·将当前进化代数置为t = 1 ;(2) 在解空间中初始化粒子的速度和位置;(3) 将种群按照比例系数ρ划分为两个子种群;(4) 按式(3) 更新惯性权重w , 按式(7) 更新比例系数ρ, 第一个子种群按式(1) 和(2) 更新粒子速度和位置,第二个子种群按式(4) 和(5) 更新子种群中的粒子,从而产生新种群Xt ;(5) 评价种群Xt·将第i 个粒子当前点适应值与该粒子迄今找到的最优位置pi (最差位置si) 的适应值进行比较, 若更优(差) , 则更新pi( si) ,否则保持pi ( si) 不变,再与种群迄今找到的最优位置pg (最差位置sg) 的适应值进行比较,若更优(差) ,则更新pg ( sg) ;否则保持pg ( sg) 不变;(6) 检查是否满足寻优结束条件, 若满足则结束寻优, 求出最优解; 否则, 置t = t + 1 , 转至(3) ;结束条件为寻优达到最大进化代数Tmax·2. 4 基于动态双种群粒子群优化算法的工序排序2. 4. 1 粒子的编码和解码根据第1 节对柔性工作车间调度问题的描述,本文定义所有工件的总工序数L = 6nj =1nj ,把一个粒子表示为一个L 维的向量·对所有工序进行连续编号,即为每道工序指定一个固定的编号·例如可以对表1 所给出的例子中的工序进行编号,如表2 所示,则粒子的位置向量x [ L ]就是由一组连续的自然数组成的L 维的向量,自然数的顺序决定了工序调度的顺序·xi = [1 ,7 ,2 ,4 ,8 ,3 ,5 ,6 ]就表示了一个满足优先约束的可行的工序排序·表2 工序编号Table 2 Serial numbers of operations工序O1 ,1 O2 ,1 O3 ,1 O1 ,2 O2 ,2 O3 ,2 O1 ,3 O2 ,3编号1 2 3 4 5 6 7 82. 4. 2 位置向量和速度向量的更新对每个粒子, 粒子的速度向量可以用v [ L ]表示·按照上面所述的更新公式对x [ L ] , v [ L ]进行更新·由于粒子群优化算法经常用在连续空间上,而柔性工作车间调度问题为整数规划问题而且有工序先后顺序约束,所以将粒子群算法用于柔性工作车间调度问题时,在速度和位置更新方式上要做如下的修改:令粒子i 的当前的位置为xi = [1 , 7 , 2 , 4 , 8 , 3 , 5 , 6 ] , 在经过一次迭代以后位置向量变为xi = [ 2. 5 , 6. 7 , 3. 6 , 5. 9 , 8. 5 ,112 ,4. 1 ,7. 6 ]·位置向量里存放的是工序的编号,很明显不能为小数, 本文对迭代后的位置向量进行如下的处理:将更新后的位置向量中各分量的值按照由小到大的顺序进行排列, 并为其进行重新编号:1. 2 (1) < 2. 5 (2) < 3. 6 (3) < 4. 1 (4) < 5. 9(5) < 6. 7 (6) < 7. 6 (7) < 8. 5 (8) ,式中括号内的数字为该分量的编号, 然后位置向量中各分量用其获得的相应的编号代替·例如,第一个分量2. 5 用编号2 代替,第二个分量6. 7 用编号6 代替等等,此时位置向量变为xi = [2 , 6 , 3 , 5 , 8 , 1 , 4 , 7 ]·但是这个工序排序不满足优先约束,还要对其进行调整,使其满足约束条件·例如第一个分量2 代表的是工序O21 ,第6 个分量1 代表的是工序O11 ,工序O21应在工序O11之后进行加工, 所以要对其进行调整·调整的方法为:对属于同一个工件的工序调换其相应先后位置使其满足约束, 对每个工件都做相似的处理, 则可以得到满足优先级约束的位置向量: xi = [1 ,4 ,2 ,5 ,7 ,3 ,6 ,8 ]·3 启发式分配算法通过上一节介绍的排序算法本文可以获得一个满足工序优先约束的可行的工序序列·这一节通过一个启发式算法为这一工序序列中的每一工序分配一台合适的机器对其进行加工·本文所采用的分配算法的主要思想是:选择一台能使本道工序获得最小完工时间的机器分配给待加工的工序·可以用如下公式表示选择机器Mk 分配给待加工的工序以使本道工序的完工时间最短:tf i , j = min k ( ri , j + Ti , j , k) ,ri , j = max ( rpfk , ropf) ·式中, tf i , j 为工序Oi , j 的完工时间; ri , j 为工序的开始加工时间; Ti , j , k为工序用机器k 加工消耗的时间; rpfk为机器Mk 当前状态下所加工的最后一个工件的完工时间; ropf为待加工工序紧前工序的完工时间·利用排序算法和分配算法就可以获得一个满足优先约束和资源约束的可行的调度方案, 并且利用分配算法还可以得到目标函数———全部工件的最大完工时间的值·将前面介绍的排序算法和分配算法综合起来便形成本文所采用的处理柔性工作车间调度优化问题的方法,记为DPSO2HA·该方法将柔性工作车间调度问题分解为两个子问题———排序问题和分配问题,在每一次迭代中首先通过动态双种群粒子群算法获得一个可行的工序序列, 然后利用分配算法给该序列分配合适的机器并计算目标函数值,直至达到最大进化代数·4 算例仿真4. 1 仿真研究1本文选用文献[ 7 ]中的一个10 ×10 (10 个工件,10 台机器) ,30 道工序的柔性工作车间调度问题来计算最大完工时间·实验参数如下:粒子群的种群规模为m = 30 , c1 = c2 = 2 ,ρmax = 015 ,ρmin =0 ,每隔5 代重新划分种群,最大迭代次数Tmax =150·实验中采用本文所提出的算法运行10 次,和传统的GA 方法、文献[8 ]中采用的MSA 算法相比较,比较结果如表3 所示·表3 实验结果比较Table 3 Comparison of te sting re sults方 法最优值平均值标准偏差GA 8 11. 5 2. 67MSA 7 7. 9 0. 97DPSO2HA 7 7. 1 0. 32从表3 中可以看出DPSO2HA 求得的平均值和标准偏差都明显优于GA 和VEGA , 这说明DPSO2HA 的精度与稳定性明显优于GA 和VEGA 算法·实验中所获得的一个较优的调度方案的甘特图如图1 所示·图中方框内的数字“i . j”表示第j 个工件的第i 道工序·,（不好意思，图粘贴不下来，要不你告我邮箱）图1 柔性工作车间调度优化结果Fig. 1 Optimization solution to the problem10 ×10 with 30 operations4. 2 仿真研究2为了进一步对本文提出的算法的性能加以验证,选用文献[ 9 ]中所给出的实验数据,利用本文提出的算法进行求解,并将调度结果与文献[ 9 ]及文献[ 10 ]中所提算法的调度结果加以比较·比较结果如表4 所示·表4 不同方法的调度结果比较Table 4 Comparison of different scheduling re sults算例描述Brandimarte GENACE DPSO2HAMK1 10 ×6 42 41 40MK2 10 ×6 32 29 28MK4 15 ×8 81 67 61MK5 15 ×4 186 176 173MK6 10 ×15 86 68 62MK7 20 ×5 157 148 141MK8 20 ×10 523 523 523MK9 20 ×10 369 328 307MK10 20 ×15 296 231 207由上述的比较结果可以看出,本文所提出的DPSO2HA 方法对上述算例的求解结果较另外两种方法有了较大的提高·5 结 论本文提出了一种动态双种群粒子群优化算法(DPSO) ·DPSO 将种群划分成两个种群规模随进化过程不断变化的子种群,两个子种群分别采用不同的学习策略进行进化,并在进化过程中相互交换信息·该算法在保持PSO 算法高效简单的基础上提高了全局寻优能力·将以DPSO 算法为基础的排序算法和启发式分配算法相结合形成了解决柔性工作车间调度问题的新方法·通过对算例的研究和与其他方法的比较表明,该方法是有效可行的·参考文献:[ 1 ] Carlier J , Pinson E. An algorithm for solving the job2shopproblem[J ] . Management Science , 1989 ,35 (2) :164 - 176.[ 2 ] Reynolds R G. An introduction to cultural algorithms[ C] ‖Proceedings of the Third Annual Conference on EvolutionaryProgramming. River Edge : World Scientific , 1994 : 131 -139.[ 3 ] Mastrolilli M , Gambardella L M. Effective neighborhoodfunctions for the flexible job shop problem[ J ] . Journal ofScheduling , 2002 ,3 (1) :3 - 20.[ 4 ] Kacem I , Hammadi S , Borne P. Pareto2optimality approachfor flexible job2shop scheduling problems : hybridization ofevolutionary algorithms and fuzzy logic[J ] . Mathematics andComputers in Simulation , 2002 ,60 (3) :245 - 276.[ 5 ] Kennedy J , Eberhart R. Particle swarm optimization [ C] ‖Proceedings of IEEE International Conference on NeuralNetworks. Perth : IEEE Press , 1995 :1942 - 1948.[ 6 ] Shi Y, Eberhart R C. Empirical study of particle swarmoptimization [ C ] ‖Proceedings of the 1999 Congress onEvolutionary Computation. Washington , 1999 : 1945 -1950.[ 7 ] Xia WJ , Wu Z M. An effective hybrid optimization approachfor multi2objective flexible job2shop scheduling problems[J ] .Computers & Indust rial Engineering , 2005 ,48 (2) :409 -425.[ 8 ] Najid N M , Stephane D P , Zaidat A. A modified simulatedannealing method for flexible job shop scheduling problem[C]‖Proceedings of the IEEE International Conference onSystems , Man and Cybernetics. Hammamet : IEEE Press ,2002 :89 - 94.[ 9 ] Brandimarte P. Routing and scheduling in a flexible job shopby tabu search[J ] . A nnals of Operations Research , 1993 ,41(3) :158 - 183.[ 10 ] Ho N B , Tay J C. GENACE: an efficient cultural algorithmfor solving the flexible job2shop problem[C] ‖Proceedings ofthe IEEE Congress on Evolutionary Computation. Portland :IEEE Press , 2004 :1759 - 1766.（do you know）
王亮, 孙凯, 张宏伟等. 平板膜MBR中自生二次膜的研究. 中国给水排水, 2009, 25(21): 59-64;翟春健, 张宏伟, 王亮. 工业生产函数法用于城市工业用水量预测的研究. 天津工业大学学报, 2009, 28(5): 79-81;张海丰, 孙宝盛, 王亮等. 贫营养条件下膜生物反应器污泥混合液可滤性分析. 中国环境科学, 2009, 29(4): 113-117;张秀涛, 孙凯, 王亮. 纳滤膜污染机理与控制手段研究. 城市发展研究, 2009增刊: 478-480;杨林, 王亮, 张宏伟等. 混凝—微滤膜工艺处理滦河水试验研究. 中国环境科学学会学术年会论文集, 2009, 1: 557-562;王亮, 张宏伟, 岳琳, 刘星. PSO-BP模型在城市用水量短期预测中的应用. 系统工程理论与实践, 2007, 27(9): 165-170 (EI: 074310889240);岳琳, 张宏伟, 王亮. 粒子群优化算法在城市需水量预测中的应用. 天津大学学报, 2007, 40(6): 742-746 (EI: 073210754713);王亮, 冯涛, 陈姗姗, 姚水良. 高压脉冲放电等离子体处理有机废水试验研究. 云南大学学报（自然科学版）, 2007, 29(S1): 226-228;王亮, 汪震, 岳琳. 基于粒子群优化算法的城市日用水量预测模型. 中国给水排水, 2007, 23(7): 89-93;王亮, 冯涛, 姚水良. 等离子体协同金属氧化物催化氧化苯的研究. 安全与环境工程, 2007, 14(1): 28-32;张宏伟, 岳琳, 王亮. 基于径向基函数的城市日用水量预测方法. 天津大学学报, 2006, 39(4): 486-489 (EI: 06269966594);张宏伟, 王亮, 连鹏. 城市供水管网漏损时间预测模型研究. 中国给水排水, 2006, 22(5): 52-55;王亮, 张宏伟, 岳琳. 基于水污染物容量总量控制的行业总量优化分配模型研究. 天津大学学报（社会科学版）, 2006, 8(1): 1-5;王亮, 张宏伟, 牛志广. 支持向量机在城市用水量短期预测中的应用. 天津大学学报, 2005, 38(11): 1021-1025 (EI: 06099732855);王亮, 张宏伟, 李霞. 改性硅藻土-生物滤池处理中小城镇污水. 中国给水排水, 2005, 21(11): 89-90;王亮, 张宏伟. GIS在水污染物容量总量控制中的应用. 华北五省市区环境科学学会第十四届学术年会, 2005: 262-265;王亮, 乔寿锁. 射流曝气技术及装置在污水处理领域的发展现状. 中国环保产业, 2005, (2): 28-29;张宏伟, 岳琳, 王亮. 城市污水排放量预测的研究. 中国给水排水, 2005, 21(9): 40-42;张宏伟, 王亮. 污水资源化问题分析与对策. 城市环境与城市生态, 2003, 16(4): 74-75;张宏伟, 王亮. 改善生态环境规划的战略环境评价. 城市环境与城市生态, 2003, 16: 60-62;
蚂蚁科研论文发表
题目： 蚂蚁为什么不会迷路？因为蚂蚁它依靠一种气味，这种气味使它们不迷路只需恪守“60度法则”，蚂蚁就绝对不会错过回家的路。最近，英国科学家研究发现，蚂蚁能够将“几何信息学”有效地“应用”在认路上。这项研究成果发表在最新一期的《自然》杂志上。群体生活的蚂蚁经常独自外出寻找食物，有时走很远的路。从很远的地方回到蚁穴，不是一件简单的事情。但小小的蚂蚁却有一套杰出的认路本领，即使浓云密布，或者地面上被破坏，它们仍旧会找到蚁巢，只不过要多走些弯路而已。为什么蚂蚁能够准确寻找归途，这个问题像谜团一样，长久吸引着动物学家的兴趣。在探索过程中，研究者找到了蚂蚁用来辨别方向的、行之有效的方法。比方说，发挥超常的记忆力，利用气味信息等。不过，最新的研究发现令人意想不到———蚂蚁能够将“几何信息学”有效地“应用”在认路上。蚂蚁的这个特点是由英国科学家发现的，而相关研究成果发表在最新一期的《自然》杂志上。研究结果显示，当蚂蚁外出觅食或在回家的途中，一般情况下它们都会释放特殊的信息素气味来标示行进的轨迹———当行进路线出现一定角度的转弯，它们便会释放这种微量的特殊气味作为路口路标，同时标示出来的路口角度还会暗示是否有食物源存在，或仅仅就是一条普通的岔路口。研究人员在文章中介绍称，在对野外蚂蚁活动的研究过程中研究者发现，当专职负责侦察任务的侦察蚂蚁从蚁穴出发后，它们会运用一种有特殊气味的信息激素全面标示出其行进的轨迹，而后续出洞的工蚁们将依照这些信息素的指示向有食物的目的地不断进发。法老蚁最初生长在南非，如今已成为常见的家庭害虫。一般情况下法老蚁会通过释放称为信息素的特殊化学物质来标示各自行进的轨迹。从理论上讲，迷路的法老蚁可以通过信息素轨迹，根据信息素气味寻找食物或者回家的路。但据拉特尼克斯教授和其他两位研究人员、谢菲尔德大学计算机学系教授邓肯杰克逊和迈克·霍尔克姆表示，这种方法相对而言比较浪费时间。英国谢菲尔德大学的科学家在观察一种名为法老蚁的小型蚂蚁搬运草料时发现，蚂蚁辨别方向时更好的办法是利用反向轨迹。反向轨迹是指满载而归的蚂蚁在返回蚁巢时，只要按照与出来时相反的角度便能循路而归。谢菲尔德大学的研究小组称，过去一直研究蚂蚁信息素轨迹的研究人员并未发现这种方向标志或者反向性。正如他们所预想的那样，蚂蚁不仅仅通过轨迹路线上信息素浓度的不同寻找食物或者巢穴，而且还通过几何学。英国谢菲尔德大学植物动物学教授弗朗西斯·拉特尼克斯表示，通过几何学（想像一个大写的Y），迷路的蚂蚁能够重新找到回家的方向。在轨迹的交叉点，从洞中出来的蚂蚁会发现两条大约呈30度角（相对于目前前进轨迹）的轨迹（想像一只蚂蚁从巢穴———Y的下部———向外爬行）。这就意味着当蚂蚁们从蚁穴出发时，只要沿着这些事先标好角度的特殊路径行进，就一定能够找到食物资源，而当满载而归的劳动者要返回蚁巢时，只要根据这一蚂蚁家族自创的“60度法则”，按照相反的角度循路而归。由此一来，只要严格遵循这些路标的指示，外出的蚂蚁就绝对不会错过回家的路。美国堪萨斯大学生态学和进化生物学系的教授鲁道夫·杰德尔表示，蚂蚁利用轨迹几何学方法定向的发现让他们大感吃惊。杰德尔教授表示，轨迹几何学只有在蚂蚁迷了路、缺少可选择的方向线索以及没有其它蚂蚁跟随的自然情况下才会对它们有帮助。他说：“目前研究人员还不了解轨迹几何学使用的频率……蚂蚁为了增加觅食的效率，便需要使用这种被科学家新发现的技能。”“罗马人说，条条大道通罗马。而对蚂蚁来说，则是条条道路通往蚁巢。”弗朗西斯·拉特尼克斯教授说。画下记号 参照物可以作为一点依据那万一记号被破坏了怎么办 主要还是分泌信息素法布尔好像做过试验 就是把蚂蚁画下的记号抹去 但蚂蚁还是会找到有的蚂蚁貌似好会依照日照来判别这几种可能都有科学性，你看看吧
蚂蚁科研的期刊是真的。蚂蚁科研是指利用科研手段和装备，为认识客观事物的内在本质和运动规律而进行的调查研究、实验、试制等一系列的活动蚂蚁科研的期刊，为创造发明新产品和新技术提供理论依据。
蚂蚁金服发表的论文
粉黛乱子草 粉黛乱子草（学名：Muhlenbergia capillaris (Lam.) Trin.）：多年生暖季型草本，株高可达30-90厘米，宽可达60-90厘米。顶端呈拱形，绿色叶片纤细。顶生云雾状粉色花絮，花期 9-11 月，成片种植可呈现出粉色云雾海洋的壮观景色，景观可由9月份一直持续至11月中旬，观赏效果极佳。 景观用途：适合大片种植，景色非常壮观，观赏性极佳。亦可孤植、盆栽或作为背景、镶边材料。原产于北美大草原，中国上海、杭州等地均有种植。 中文学名 粉黛乱子草 拉丁学名Muhlenbergia capillaris (Lam.) Trin. 别 称 毛芒乱子草
当然会。
余额宝本质上属于一种基金，既然是基金，就存在亏损的风险，本金也是无法保证的。
但是余额宝与其他高风险高收益低安全性的基金不同，它的收益虽然也是略高于银行存款，但是风险却比同类基金小得多，这主要得益于它背靠着支付宝这棵大树，它进行的投资相对来讲是安全系数比较高的。
另外一点就是余额宝后面还有国有资产的支持，它所属于的天弘基金就是国有的，这样来看余额宝的安全等级就更高了。
所以说它的亏损只存在于理论上
2016年3月，蚂蚁金服总裁井贤栋在全球普惠金融合作伙伴组织——GPFI（全球普惠金融合作伙伴组织）2016峰会上，发表了名为“用技术推进普惠金融”的主题演讲，分享了蚂蚁金服眼中的普惠金融观，以及蚂蚁金服在这一领域所作出的探索和成果，而GPFI是G20框架下专门研究和推进普惠金融发展的国际组织。井贤栋指出，蚂蚁金服之所以命名为“蚂蚁”，其寓意正契合普惠金融的本义，就是服务小微企业和普通人——
从支付宝起家，蚂蚁金服旗下至今已有支付宝、余额宝、招财宝、蚂蚁聚宝、网商银行、蚂蚁花呗、芝麻信用、蚂蚁金融云、蚂蚁达客等子业务板块。目前，支付宝的年活跃用户4.5亿，每笔支付交易的成本低至0.02元；余额宝服务2.5亿用户，为用户带来了500多亿人民币的收益；基于数据的征信放贷系统，服务了260万小微企业，累计发放了6000多亿人民币的贷款。
以余额宝为例，根据蚂蚁金服最新公布的数据显示：春节红包活动期间，余额宝转入用户与去年同期相比增长了44%，转入金额同比去年增长60%。从地域上看，今年春节期间余额宝城市用户数同比增长了43%，而农村地区比城市高出11个百分点为54%。三线、四线、五线城市的该数据分别达到45%、59%、61%。河南省、贵州省、甘肃省、山西省、四川省、江西省6个省份同比增长均超过60%，共有15个省份同比增长超过50%。这大大打破了互联网金融的“尝鲜者”主要集中在一二线城市的旧印象，而与城市相比，农村地区同比增幅更高，践行普惠金融这一目标得到进一步纵深发展。打破城乡鸿沟，越来越多人通过余额宝可以追求到“稳稳的幸福”。
百度百科-余额宝
亏本在理论上是有可能的，但在实际操作过程中这种可能性非常小。余额宝是支付宝推出的余额增值服务，把钱转入余额宝实际上是购买了一款由天弘基金提供的名为【余额宝】的货币基金，可获得一定的收益。
货币基金是干嘛的：
1、正是基于货币基金的起源，货币基金一般都是面向社会闲散资金进行公开募资的基金。
2、用于投资国债、央行票据、商业票据、银行定期存单、政府短期债券、企业债券、同业存款等短期有价证券。
3、这些产品都是相对比较保险的产品，所以货币基金也被认为是“准存款”类产品，给大众的印象也是安全、不会亏钱。
货币基金的起源：20世纪70年代初，正赶上美国经济处在低迷期，美联储当时的存款利率非常低，弄的大家都不愿意把钱存到银行，于是银行就推出一些收益更高的理财产品，但这种理财产品要求一次性投入的资金比较大，对于大多数人而言，他们没有那么多钱用于购买这些高收益的理财产品。当时，曾是世界上最大养老基金“教师年金保险公司”现金管理部的主管兼信用分析师鲁斯·班特抓住机会，在1970年成立了第一支货币基金公司，班特做的就是以每份1000美元的价格向大众募集资金，然后再去购买几十万一份的银行理财产品。