基于退火惩罚混合遗传算法求解生产批量计划问题

针对以获得最低生产成本为目的的批量生产计划问题，提出了该问题的混合整数规划模型，首先，根据单级多资源批量计划问题的特点提出了问题的数学描述，；然后根据该数学问题的复合性，利用遗传算法的随机搜索和进行化过程寻找问题的全局最优解，为了防止适应度函数的过早收敛，引入退火惩罚因子对适应度函数进行处理，使得获得全局优解的可能性加大，实验结果表明，该方法能获得比传统遗传算法更为理想的近似最优解。     

确定性的遗传算法

针对遗传算法效率普遍较低的缺陷，采用了确定性交叉和确定性变异的策略，同时提出了一种新的遗传算子－Hamming-decreasor算子，以加快速传算法中码值相关相差较小而Hamming距离很大的二进制码串之间的转换，在此基础上，构建了一个新的遗传算法－确定性的遗传算法，初步的数值试验表明，新算法是有效的和鲁棒的。     

利用Gaussian型RBF网络进行函数逼近的构造性估计

前馈人工神经网络有着极其广泛的应用，如何估计隐层神经元数及相应的逼近误差，一直是确定前馈网络结构的难点和关键。RBF网络是一种最重要的前馈网络，本文给出了利用Gaussian型RBF网络逼近连续函数或Lebesgue-可积函数时的构造性隐层单元数显式估算式及相应的显式逼近误差估算式。文中的结论也易于推广到离散样本的情形。这些结论对于提高Guassian型RBF在实际应用时的计算精度和减少计算量具有一定的指导意义。