李娜[1]2004年在《量子遗传算法及其在控制系统满意优化设计中的应用》文中指出本文研究的主要内容是改进量子遗传算法用于控制系统的满意优化设计。在实际优化问题中，由于存在着大量复杂因素，难以建立精确的数学模型获得最优解，或获得最优解的代价得不偿失，甚至不存在传统意义下的最优解。于是，采用满意优化方法求问题的“满意解”成为解决这类问题普遍采取的优化策略。满意优化方法中采用遗传算法进行问题的寻优计算，因此，遗传算法性能的好坏直接影响到优化效果。本文在分析了量子遗传算法的基础上，提出了一种改进量子遗传算法，并应用于控制系统的满意优化设计中。 全文共分五章。第一章为绪论，简单介绍了传统优化方法与满意优化方法以及传统遗传算法与量子遗传算法。第二章讨论了满意优化问题的描述以及基本运行框架，并给出了满意度函数的几种表示形式和多目标满意优化模型。第叁章分析了量子遗传算法中基本概念以及该算法的具体实现过程，提出了改进量子遗传算法。第四章详细讨论了改进量子遗传算法在PID参数满意优化设计中的应用，取得了令人满意的优化仿真结果，并证明了该算法的优越性能。第五章在分析了线性二次型问题，给出了多变量系统LQR的满意优化模型，结合改进量子遗传算法，给出了加权矩阵Q和R的优化方法。结果表明该方法在实际应用中的有效性和广泛性。
罗红明[2]2007年在《量子遗传算法及其在地球物理反演中的应用研究》文中认为地球是人类赖以生存和发展的空间。人类有史以来就一直执着地对地球进行着探索，希望揭开地球内部的奥秘，渴望认识地球的起源及其演化。地球科学的基本任务是认识地球，同时为人类生存和生活服务，包括石油矿产资源勘查、基础工程建设、环境保护和灾害防治等。在资源矛盾日益突现的今天，节约能源和加强勘探是实现经济持续稳定增长、社会安定团结、人民生活不断改善的有效手段。作为勘探资料最终解释重要参考的地球物理反演结果，是指导勘探开发的重要手段。然而，常规的反演方法越来越难满足现在地下情况更复杂、处理标准更高的要求。所以，引入新的更优的反演思想和方法是改善这种状况的重要途径之一。上世纪90年代迅速发展起来的以量子计算机为基础的量子计算方法以其在理论上证实具有超强的计算速度、指数级的存储容量、更好的稳定性和有效性被誉为未来计算科学发展的方向之一。以量子理论为基础的量子遗传算法，可以在一定程度上提高计算效率和克服陷入局部极值。从理论上看，量子遗传反演方法不但具有量子计算得的一些特征，而且具有非线性优化算法的许多优点：不受初始模型选取的限制；可以方便的与其它优化算法进行综合(联合或混合)反演；还可以实现并行计算，使其计算量大大减少等。论文在充分分析了当前地球物理反演的要求和现有方法的种种不足的前提下，兼顾算法全局搜索和迅速收敛两个核心要求，首次引入了已经在其它优化领域成功应用的量子遗传算法。该方法由于采用了量子位编码，量子旋转门定向更新的策略，使得算法具有一定的并行运算能力和量子的隧道效应，计算精度和收敛速度得到大大提高。本论文围绕量子遗传算法在地球物理反演中的应用研究这一前沿课题，分五个部分来论述：第一部分首先简要阐述本文反演研究问题的提出，课题研究的意义，研究的思路和主要内容，主要创新和贡献等几个方面内容。第二部分主要简要回顾了非线性反演方法的提出；非线性反演方法的发展和分类；介绍了模拟退火、遗传算法、人工神经网络以及中国地质大学(武汉)新提出和实践的多尺度反演法、同伦反演方法、粒子群反演算法、模拟原子跃迁反演方法等主要非线性反演方法。并对非线性反演方法优势和局限性进行了评述，就反演问题的非线性与多极值、反演解存在性、非唯一性和稳定性、计算量问题等进行了讨论，指出了地球物理非线性反演的理论和方法的研究仍将是今后反演发展的主要方向，并可望在不久以后取得重大进展。第叁部分介绍了量子力学中的量子态、量子门等几个基本概念，并简要介绍了量子退火算法、量子遗传算法、量子神经网络算法等几种基于量子理论的优化算法。第四部分和第五部分是本文的主要内容。第四部分结合量子遗传算法优化原理和算法实现过程中的一些关键技术，如量子门的定向更新，自适应步长搜索策略等，针对地球物理反演问题的非线性、多极值等特点提出一套可行的实现方案，并设计了量子遗传算法地球物理反演的详细实现流程。第五部分是理论与实际资料试验，先从理论模型开始，研究量子遗传方法在大地电磁反演以及地震波阻抗反演中的可靠性，并对其抗噪能力和计算效率进行了大量计算试验，并对反演结果进行了分析，得到令人满意的结果。然后，论文分别将量子遗传方法用于实际的鄱阳地区大地电磁数据和大庆地区地震数据进行反演，研究了该方法对实际资料的反演效果和计算效率，均取得了很好的效果。本文的创新在于首次在国内将量子遗传算法成功地引入地球物理资料反演，并获得了成功。目前的理论分析和本文的结果已经表明，量子遗传算法是一种非常有效的全局非线性反演方法，用于地球物理反演的可行的。该方法不依赖于初始模型的选取，搜索全局性好，由于引入量子编码概念，算法具有量子隧道效应和量子计算的并行性，使得其种群规模小，寻优能力强，收敛速度快，且其计算量相对于传统非线性随机搜索方法已大大减少等优点。它已成功应用于多个领域。该算法在理论上非常适合于非线性、多极值的地球物理反演问题，必将能在地球物理反演领域广泛应用。总之，地球物理学承担了未来地球科学理论的进展和社会发展先导学科的重任，需要引进其它学科先进的思想和方法，才能有效解决当前资源勘查和国民经济建设中更复杂的实际问题。在地球物理方法解决实际问题过程中，都必须在地质理论或地质规律性认识的指导下，求取合理的解释结果。只有地质和地球物理紧密地结合起来，才能有效地解决实际问题。目前，量子遗传算法的研究还处于探索阶段，其理论还有待完善。量子遗传算法来解决地球物理反演问题，还需要针对实际问题进行更多探索。
刘朝华[3]2012年在《混合免疫智能优化算法研究及其在复杂系统中的应用》文中研究指明人工免疫系统模拟生物免疫系统进化行为的智能特征,具有自组织、自学习能力,具有解决复杂优化问题的优点。现代工业系统变得越来越复杂,而复杂系统的建模、优化与控制需要高性能的算法来辅助,依靠单一模式的优化方法难以满足系统性能要求。混合免疫智能处理技术为这类问题提供了有效的途径,同时也是人工免疫系统研究的发展方向。基于免疫系统的机理,深入挖掘生物免疫系统中蕴含的智能学习机制并结合其它智能处理方法的优点,本文研究了几类混合免疫智能优化算法及其相关应用,从算法理论、算法设计、性能测试、比较分析到实际应用展开一系列工作。在理论上研究了四类混合免疫智能优化方法,并通过实验仿真验证了算法的有效性；在应用上研究了混沌系统自抗扰优化控制与永磁同步电机系统多参数辨识这两类典型的复杂系统,并获得了良好的控制效果和辨识结果。概括如下：1.引入生态学中的协同进化Lotka-Volterra思想到人工免疫算法中,考虑了群体间的竞争合作关系,构造了一种竞争合作型协同进化免疫克隆选择模型。各子种群内部通过局部最优免疫优势、克隆扩增和动态高频变异等相关算子操作。运用信息熵理论改善种群多样性,所有子种群共享经过免疫杂交提升操作的高层记忆库,通过迁移操作实现整个种群信息共享与协同进化。2.为了扩大解的搜索空间,将粒子群体分为捕食与探索两种模态,建立一种免疫双态粒子群优化方法。对处于捕食状态的精英粒子采用精英学习策略；对处于探索状态的微粒采用探索策略；对微粒个体极值进行免疫克隆优化；对不活跃个体进行免疫受体编辑。算法兼顾了抑制早熟停滞现象和避免冗余迭代。3.融合免疫系统优化原理、协同进化思想及粒子群的邻域信息,构建免疫协同粒子群进化模型。算法采用并行计算框架,整个群体由记忆种群与若干个普通种群构成。普通微粒种群内部通过精英粒子保留、免疫网络及柯西变异等混合策略共同演化新个体；微粒个体极值采用自适应小波学习以加快收敛速度；免疫克隆选择算法对记忆库进行精细搜索；信息交互机制促进信息共享有效降低了算法的冗余迭代。扩大了算法解空间搜索范围,提高了对复杂问题的优化能力。4.利用克隆选择算法与蚁群算法各自的优势,构造了一种免疫克隆选择与蚁群自适应融合优化模型。引入混沌扰动增加抗体种群的多样性,通过克隆扩增、免疫基因等相关算子的操作增强了克隆选择算法搜索的效率；自适应控制参数实现了克隆选择与蚁群优化的有机结合及局部最优搜索策略的应用,克服了抗体种群“早熟”问题,提高了求解精度。5.应用免疫双态粒子群算法对自抗扰控制器进行优化设计。其一,将免疫双态粒子群算法应用于混沌系统自抗扰优化控制中,对自抗扰控制器参数进行优化,应用于混沌系统控制,构建一种基于免疫双态粒子群算法的混沌系统自抗扰优化控制器；其二,利用自抗扰控制器(ADRC)与小脑神经网络(CMAC)各自的优势并构造ADRC-CMAC并行控制器,利用免疫双态粒子群算法对ADRC-CMAC控制器参数进行自学习寻优,构造出一种自抗扰神经网络并行优化控制方法。针对离散混沌系统研究结果表明,以上两种控制方法具有更好的控制性能和较强的鲁棒性。6.构造了一种基于免疫协同粒子群进化算法的永磁同步电机多参数辨识模型方法。永磁同步电机参数辨识结果表明该方法不需要知道电机设计参数先验知识,能够有效地辨识电机电阻,d-q轴电感与转子磁链。同时,当电机参数发生变化时,该方法依然能够有效地追踪该参数变化值。
谭建豪[4]2009年在《自然计算理论及其在系统辨识中的应用研究》文中研究表明自然界经过亿万年物竞天择、优胜劣汰的演化,形成了复杂多样的生命现象,其间蕴含着丰富的信息处理机制。自然计算的宗旨就是研究自然现象尤其是生命体的功能、特点和作用机理,建立相应的计算模型,服务于人类社会。在系统辨识问题中,面对的是大量原始数据,需要从这些原始数据中提炼出相应的数学模型,在此基础上找出其中隐藏的规律。这些问题很难用传统的确定型模型来描述和基于精确的数学方法来求解。而描述成模糊优化问题往往更为合适。模糊优化方法本质上是多目标优化问题,而遗传算法是解决多目标问题的一种有效方法。模糊优化特别是基于动态模型的模糊优化中的遗传算法有其特殊的本质,有必要加以深入研究。本文在阐述自然计算理论与方法的基础上,研究了自然计算中两类典型的智能算法—模糊优化和遗传算法。针对系统辨识问题,采用模糊优化模型作为其目标函数,利用遗传算法实现该模糊优化问题的求解,并且对该算法的有效性、稳定性、快速性和高精度进行了理论论证和实例验证。本文的主要研究内容如下。(1)论述自然计算基本概念、基本特征及主要研究领域,研究由自然启发获得自然计算模型的映射方法并构造自然计算系统的计算算法。对协同进化计算进行自然计算理念求证。(2)论述系统辨识基本概念,分析经典系统辨识方法和现代系统辨识方法。研究自然计算系统整体框架和自然计算系统中的辨识机制,构造辨识系统的两种典型框架：RFG框架和NFG框架。对这两种框架在来源、适用范围、结构辨识、参数辨识、意义等方面的特点进行分析。(3)讨论模糊优化基本性质和传统模糊优化问题。研究回归方程和神经网络的结构辨识和参数辨识问题,构造回归方程和神经网络参数辨识的效用函数(目标函数)及用最大效用法进行参数辨识的模糊优化模型。(4)对模糊优化问题的遗传算法求解进行深入探讨。构造遗传算法中基于正交设计的初始种群的产生办法、遗传参数适应性调整办法、沿加权梯度方向变异及其权值的自适应调整办法,提出遗传算法的改进策略。从理论上论证基于遗传算法的模糊优化求解的有效性。(5)设计在线性能评估准则和离线性能评估准则,确定系统辨识的性能评估办法。对基于RFG框架的系统辨识问题进行描述,说明回归模型辨识算法的基本策略,构造该算法的主要步骤和方法,并用其求解飞边尺寸设计准则辨识问题；对基于NFG框架的系统辨识问题进行描述,说明神经网络模型辨识算法的基本策略,构造该算法的主要步骤和方法,并用其求解飞边金属消耗设计准则辨识问题。对这两种辨识算法分别进行分析比较。实验验证它们的有效性。本文首次提出了基于RFG框架和NFG框架的系统辨识方法,理论论证和实验验证了它们的自组织能力、数据并行性、泛化能力、全局最优性和自适应能力,是对系统辨识新方法有益的探索,具有广阔的应用前景。
费腾[5]2016年在《改进人工鱼群算法及其在物流选址优化中的应用研究》文中提出人工鱼群算法是一种基于动物行为的新型全局寻优群智能优化算法,其基本思想是对鱼群觅食、追尾和聚群行为的模拟,通过人工鱼之间的协作与竞争来实现全局寻优。具有简单易行、并行能力强、对初始值要求不高等特点,已成功应用于信号处理、神经网络优化、图像处理、经济系统优化、生物信息处理等众多领域。但在算法后期,存在多样性差、易陷入局部最优、收敛速度变慢、搜索效率降低等不足。因此,本文在总结人工鱼群算法及其应用现状的基础上,提出了新的改进算法,并将改进算法应用于物流选址优化问题中。本文所做的主要工作如下:(1)提出一种基于DNA计算的改进人工鱼群算法。将DNA计算中的交叉与变异操作应用于基本人工鱼群算法,以增加算法后期的鱼群多样性,从而使得人工鱼能够跳出局部极值点,向全局极值点逼近。理论上分析了改进算法的收敛性及时空复杂度,测试函数仿真验证了算法的优越性。并将新的改进算法应用于优化配送中心选址问题,计算机仿真表明,基于DNA计算的改进人工鱼群算法在解决配送中心选址问题上更为有效,能够找到费用更低的中心站址。(2)提出一种基于细菌觅食的改进人工鱼群算法。将人工鱼群算法与细菌觅食算法相融合,利用细菌觅食算法中趋化操作具有局部拓展寻优能力的优势,将趋化算子嵌入到人工鱼群算法中,提高了算法后期局部搜索能力。分析了改进算法的收敛性及时空复杂度,测试函数验证了算法有效性。同时应用于配送中心选址问题的优化求解,仿真验证了改进算法的优化性能优于基本人工鱼群算法和遗传算法。(3)提出一种自适应Levy分布混合变异人工鱼群算法。根据变异能够增加生物多样性的基本思想,将Levy变异和混沌变异引入人工鱼群算法,Levy变异能够引导人工鱼群算法跳出局部最优,保持了鱼群的多样性;混沌变异增强了算法局部搜索能力,保证了算法后期的收敛速度。理论分析和测试函数验证了改进算法的有效性。并采用改进算法优化求解配送中心选址问题,仿真结果表明,改进算法具有良好的优化性能。
殷巧玉[6]2011年在《量子智能优化算法及其在电机优化应用中的研究》文中认为量子计算是结合了信息科学和量子力学的新兴交叉科学，而以量子算法为代表的量子计算理论，由于其高度的并行性、指数级存储容量和对经典启发式算法的指数级加速作用，因而具有极大的优越性并且蕴涵着强大的生命力，现在已经成为世界各国相关学者研究的前沿热点领域。而将量子计算理论引入传统智能优化算法，改变了传统智能优化算法的迭代寻优方式，提高了传统智能优化算法的迭代收敛速度和全局寻优能力等性能。因此，研究量子智能优化算法及其在电机优化中的应用有着重要的理论和现实意义。本论文主要研究连续量子蚁群优化、连续量子粒子群优化、连续量子免疫克隆优化，以及量子智能优化算法在电机优化应用中的研究。具体可归纳如下。1．将量子计算原理和蚁群优化相融合，提出连续量子蚁群优化算法，数值仿真结果表明连续量子蚁群优化算法的迭代收敛速度和全局寻优能力明显优于蚁群优化算法。以一台117kW高速永磁发电机为例，通过温度场计算分析和量子智能优化算法对其冷却结构进行了优化设计研究。使电机内温度分布趋于均匀，并研究了流道高度和通道截面变化位置对电机内温度分布的综合作用影响。建立了双目标函数双维度变量的流道优化设计的连续量子蚁群优化数学模型，通过优化算法得到了定子绕组最高温度和轴向温差均为最小的流道结构方案。得出的规律性结论可为高速永磁发电机冷却系统的改进设计与研究提供参考。2．将量子计算原理和粒子群优化相融合，提出连续量子粒子群优化算法，仿真结果表明引入量子计算的相关理论，可明显提高算法的优化效率。建立了多优化目标的流道优化设计连续量子粒子群优化数学模型，以降低电机定子绕组最高温度和定子铁心轴向最高温度，减小定子绕组轴向温差和定子铁心轴向温差为目标。根据连续量子粒子群优化确定的流道优化最优方案，电机不同位置轴向最高温度和温差均显着减小，为高速永磁发电机内冷却结构的优化设计提供一种新的优化方法。3．将量子计算理论和免疫克隆算法相融合，提出连续量子免疫克隆优化，仿真结果表明连续量子免疫克隆优化的优化性能明显优于免疫克隆算法。深入研究了高速永磁发电机冷却结构双维度多目标优化。以降低电机定子绕组最高温度、转子最高温度和定子铁心轴向最高温度，减小定子绕组轴向温差、转子轴向温差和定子铁心轴向温差为目标，对流道dh和dl参数优化进行了研究。根据连续量子免疫克隆优化确定的流道优化最优方案，使得电机内轴向温度分布更趋均匀。
傅家旗[7]2008年在《混合量子算法及其在生产调度中的应用》文中进行了进一步梳理量子理论是现代物理学的两大基石之一，量子技术的发展将对人类有重大的意义。其一，运用量子技术能实现并行计算，大大提高运算速度。其二，量子技术运用在计算机硬件上能够使计算机的尺寸跨越原子的障碍。其叁，在经典计算机上实现量子算法可以有效地运用于求解组合优化问题。目前，根据量子特性构造的优化算法已经在连续优化领域得到了良好的应用，而在组合优化领域的应用仍处于起步阶段。量子算法并不是完美的算法，同时，其他优化算法的独特之处可为其所用。因而继承量子计算中的并行搜索能力，并根据问题特性构造各种优化算子，使之辅助量子优化作用，构造混合量子算法是一种改善策略，将能有效提高算法的优化效果。另一方面，随着市场环境和需求模式的转变，时间和品种成为追逐的对象。在这种竞争环境下，能够承接不同品种，生产工艺各异的产品的代工厂必须尽早挣脱以往生产模式和管理模式的束缚，走新型工业化道路。其有效途径之一就是运用信息技术，计算机技术，自动化技术，人工智能技术，数控技术和系统制造技术来提高制造能力，管理能力和调控能力。对于代工厂来说，整个先进生产制造系统实现的核心是生产调度问题。有效的调度方法和优化技术的研究与应用，是实现先进制造和提高生产效益的基础和关键。虽然计算机技术的迅猛发展为设计功能足够强大的智能调度系统提供了重要的技术支持，但现有的智能算法如遗传算法、蚁群算法还无法有效解决大规模的生产调度问题，而且对生产调度领域的研究至今仍未形成一套系统的理论和方法。因此，新型智能算法的构建无论是理论上还是实践指导上都具有重要意义。本文首先简单介绍了遗传量子算法，遗传算法，微粒群算法等优化算法，并分析了每种算法的特点。将研究对象定位为排序优化，分析了遗传量子算法在优化序列过程中及算法本身的不足，并针对这些不足一一提出了合理有效的改进方法以及构造混合量子算法的构想。其次，在遗传量子算法的基础上，结合进化计算和微粒群算法等设计了混合量子算法。设计了可用于构造序列的解码方式，结合微粒群算法的更新方法，通过跟踪个体极值点和总体极值点对量子比特进行智能调整，借鉴遗传算法的交叉和变异算子，使更新对个体的破坏程度更大，有效地提高了算法的搜索能力。将混合量子算法应用于排序难题之一TSP，以为抛砖引玉之用。再次，本文将混合量子算法用在生产调度问题中，主要是Flow Shop和Job Shop两大典型问题。根据问题规模和问题特性，设计了便于求解的编码，解码，进化和优化方法，并用C-Free3.0和Visual C++6.0开发了相关程序。通过与相关文献的结果比较，验证了混合量子算法在生产调度上的可行性，有效性和优越性。最后，对混合量子算法的研究和应用做了展望。
邹东海[8]2013年在《混合量子进化算法及其在变电站规划中的应用》文中研究指明量子进化算法(Quantum-inspired Evolutionary Algorithm, QIEA)是一种以量子计算和进化算法结合的概率搜索方法,是进化算法家族中的后起之秀。与传统进化算法相比,量子进化算法在“勘探”和“开采”之间更容易取得平衡,具有全局搜索能力强、收敛速度快和种群规模小等优点,但QIEA在解决一些复杂优化问题时容易过快收敛,从而出现早熟现象得不到最优解,仍需要进一步提高搜索能力。目前国内外对量子进化算法的研究有许多改进策略,其中一个重要研究方向正是通过与其他优化算法相结合,形成新的进化搜索算法,这是基于各种优化算法都有各自的优缺点,不同优化算法的合理结合能很大程度上增强优势,弥补劣势的研究理念。本文将量子进化算法与擅长局部搜索的贪婪随机自适应搜索算法相结合,提出一种新的混合量子进化算法并将其应用到城市配电网规划优化中。变电站规划是城市配电网规划工作中的重要部分,变电站规划结果直接影响到电力网络投资,供电可靠性和运行经济性。本文将HQIEA应用到某地区110kV变电站规划工作中,实验结果表明该方法很好的完成了对该地区变电站选址定容的规划优化,符合该地区电力需求和未来电网建设趋势,对该地区电网规划建设有重要参考意义。论文主要工作及研究成果如下：1、对量子进化算法的基本理论进行概述,指出要解决的问题并给出量子进化算法的算法流程图和实现过程。以0/1背包问题为测试函数,将传统进化算法——遗传算法作为对比算法,在实验中对这两种算法进行测试。实验结果表明,量子进化算法有着更好的“勘探”能力,相比遗传算法在求解组合优化问题方面有着更优越性能,有着重要的研究价值,为后面内容打下基础。2、为提高量子进化算法的搜索性能,加强其“开采”能力,探讨了五种当前文献中有代表性的局部搜索方法。对这几种局部搜索方法进行了性能比较,概述了它们的优缺点,并用0/1背包问题对它们进行测试。将搜索性能最好的贪婪随机自适应搜索与量子进化算法结合,提出一种新混合量子进化算法。通过0/1背包问题测试验证该算法性能,实验中与当前文献中的几种方法进行了比较,得出该混合量子进化算法具有比较满意的全局搜索能力和局部搜索能力,在求解组合优化问题上有着优越的性能。3、将混合量子进化算法应用到变电站规划优化中,以某地区110kV变电站优化为实际案例进行试验,并以现有文献中的方法作对比分析,实验结果表明混合量子进化算法能很好的求解变电站规划优化问题,得到的优化方案合理可行,且能达到投资最省,运行经济及供电可靠的规划优化目标。从而拓展了量子进化算法及其改进算法的应用范围。本文工作得到教育部新世纪优秀人才支持计划项目(NCET-11-0715),中央高校基本科研业务费专项资金(SWJTY11ZT07)和国家自然科学基金(61170016)的共同资助。
参考文献：
[1]. 量子遗传算法及其在控制系统满意优化设计中的应用[D]. 李娜. 西南交通大学. 2004
[2]. 量子遗传算法及其在地球物理反演中的应用研究[D]. 罗红明. 中国地质大学. 2007
[3]. 混合免疫智能优化算法研究及其在复杂系统中的应用[D]. 刘朝华. 湖南大学. 2012
[4]. 自然计算理论及其在系统辨识中的应用研究[D]. 谭建豪. 湖南大学. 2009
[5]. 改进人工鱼群算法及其在物流选址优化中的应用研究[D]. 费腾. 天津大学. 2016
[6]. 量子智能优化算法及其在电机优化应用中的研究[D]. 殷巧玉. 哈尔滨理工大学. 2011
[7]. 混合量子算法及其在生产调度中的应用[D]. 傅家旗. 上海理工大学. 2008
[8]. 混合量子进化算法及其在变电站规划中的应用[D]. 邹东海. 西南交通大学. 2013
标签：自动化技术论文; 遗传算法论文; 进化算法论文; 量子论文; 人工鱼群算法论文; 智能算法论文; 免疫算法论文; 量子效应论文; 系统辨识论文; 能力模型论文; 算法论文;