自然計(jì)算在九大高新技術(shù)領(lǐng)域的應(yīng)用研究

張永韡，汪鐳，吳啟迪

0 引言

為應(yīng)對(duì)國(guó)際金融危機(jī)對(duì)我國(guó)實(shí)體經(jīng)濟(jì)的影響，根據(jù)國(guó)務(wù)院部署，由國(guó)家發(fā)展改革委與工業(yè)和信息化部會(huì)同國(guó)務(wù)院有關(guān)部門，開展了10個(gè)重點(diǎn)產(chǎn)業(yè)調(diào)整和振興規(guī)劃的編制工作。2009年1月至2月，中國(guó)十大產(chǎn)業(yè)振興規(guī)劃密集出臺(tái)，按照規(guī)劃出臺(tái)時(shí)間順序，分別為：汽車產(chǎn)業(yè)、鋼鐵產(chǎn)業(yè)、紡織工業(yè)、裝備制造業(yè)、船舶工業(yè)、電子信息產(chǎn)業(yè)、輕工業(yè)、石化產(chǎn)業(yè)、有色金屬產(chǎn)業(yè)和物流業(yè)。

2009年5月，為了深入貫徹中央經(jīng)濟(jì)工作會(huì)議和市委九屆七次全會(huì)精神，落實(shí)國(guó)家重點(diǎn)產(chǎn)業(yè)調(diào)整振興規(guī)劃和市委“推進(jìn)科技創(chuàng)新，增強(qiáng)發(fā)展能力”重大課題研究成果，積極應(yīng)對(duì)國(guó)際金融危機(jī)，增強(qiáng)上海產(chǎn)業(yè)綜合競(jìng)爭(zhēng)力，確保經(jīng)濟(jì)平穩(wěn)較快發(fā)展[1]，上海市人民政府印發(fā)《關(guān)于加快推進(jìn)上海高新技術(shù)產(chǎn)業(yè)化的實(shí)施意見》（以下簡(jiǎn)稱《意見》），其中涉及九大領(lǐng)域：新能源、民用航空制造業(yè)、先進(jìn)重大裝備、生物醫(yī)藥、電子信息制造業(yè)、新能源汽車、海洋工程裝備、新材料、軟件和信息服務(wù)業(yè)。同年，成立了上海市高新技術(shù)產(chǎn)業(yè)化促進(jìn)中心[2]，面向全社會(huì)推進(jìn)和服務(wù)高新技術(shù)產(chǎn)業(yè)化。

《意見》中的九大領(lǐng)域涉及生產(chǎn)生活的方方面面，而所需的支撐科學(xué)與技術(shù)廣泛而復(fù)雜，各個(gè)領(lǐng)域的專業(yè)知識(shí)差別很大。然而，有一門學(xué)科卻可以在這多個(gè)領(lǐng)域、多個(gè)學(xué)科中起到穿針引線的作用，那就是自然計(jì)算（Nature Inspired Computation）。

自然計(jì)算是指以自然界（包括生態(tài)系統(tǒng)、物理、化學(xué)、經(jīng)濟(jì)以及社會(huì)系統(tǒng)等），特別是生物體的功能、特點(diǎn)和作用機(jī)理為基礎(chǔ)，研究其中所蘊(yùn)含的豐富的信息處理機(jī)制，抽取出相應(yīng)的計(jì)算模型，設(shè)計(jì)出相應(yīng)的算法并應(yīng)用于各個(gè)領(lǐng)域[3]。由于自然計(jì)算內(nèi)涵的豐富性，以及涉及技術(shù)的多樣性（涵蓋多個(gè)學(xué)科及近百種算法與計(jì)算框架），在《意見》的框架中，本文將詳細(xì)探討自然計(jì)算技術(shù)在九大高新技術(shù)領(lǐng)域的應(yīng)用。

本文剩余部分結(jié)構(gòu)如下：第二部分介紹高新技術(shù)內(nèi)涵；第三部分介紹自然計(jì)算的知識(shí)網(wǎng)絡(luò)；第四部分詳述自然計(jì)算在高新技術(shù)領(lǐng)域的應(yīng)用成果；第五部分分析國(guó)內(nèi)外差距并提出改進(jìn)的建議，最后做出總結(jié)。

1 高新技術(shù)與自然計(jì)算的內(nèi)涵

1.1 高新技術(shù)的含義

高新技術(shù)就一般而言，實(shí)際上指的是當(dāng)代新興學(xué)科與高技術(shù)水平，特別是尖端技術(shù)和先導(dǎo)技術(shù)，它反映了科學(xué)向技術(shù)的迅速轉(zhuǎn)化以及科學(xué)與技術(shù)的高度融合，是生產(chǎn)力發(fā)揮巨大作用的重要因素。高新技術(shù)本身具有一些有別于一般科技的獨(dú)特內(nèi)容，高新技術(shù)的主要特征可概括為“六高”：高智力、高投入、高風(fēng)險(xiǎn)、高效益、高滲透、高競(jìng)爭(zhēng)。

一般認(rèn)為，高技術(shù)包括六大技術(shù)領(lǐng)域，12項(xiàng)標(biāo)志技術(shù)和9個(gè)高技術(shù)產(chǎn)業(yè)。它們之間的關(guān)系是：六大高技術(shù)領(lǐng)域是信息技術(shù)、生物技術(shù)、新材料技術(shù)、新能源技術(shù)、空間技術(shù)和海洋技術(shù)，它們將在21世紀(jì)獲得迅速發(fā)展，并通過(guò)廣泛的實(shí)用化和商品化，成為日益強(qiáng)大的高技術(shù)產(chǎn)業(yè)。以基因工程、蛋白質(zhì)工程為標(biāo)志的生物技術(shù)將成為21世紀(jì)技術(shù)的核心；以光電子技術(shù)、人工智能為標(biāo)志的信息技術(shù)，將成為21世紀(jì)技術(shù)的前導(dǎo)；以超導(dǎo)材料、人工定向設(shè)計(jì)的新材料為標(biāo)志的新材料技術(shù)將成為21世紀(jì)技術(shù)的支柱；以航天飛機(jī)、永久太空站為標(biāo)志的空間技術(shù)將成為21世紀(jì)技術(shù)的外向延伸；以深海采掘、海水利用為標(biāo)志的海洋技術(shù)將成為21世紀(jì)技術(shù)的內(nèi)向拓展[4]。

1.2 九大高新技術(shù)領(lǐng)域的簡(jiǎn)介

國(guó)際經(jīng)濟(jì)合作與發(fā)展組織（OECD）近年在進(jìn)行國(guó)際技術(shù)經(jīng)濟(jì)對(duì)比是，定義的高新技術(shù)領(lǐng)域?yàn)椋河?jì)算機(jī)及通信技術(shù)、光電技術(shù)、電子技術(shù)和微電子集成技術(shù)為內(nèi)容的信息技術(shù)；生命科學(xué)和生物技術(shù)；材料技術(shù)；航空航天技術(shù)；武器技術(shù)；核技術(shù)[5]?！兑庖姟分写罅ν七M(jìn)的九大領(lǐng)域中，新能源、先進(jìn)重大裝備、新能源汽車、海洋工程裝備為經(jīng)合組織沒(méi)有列入的新領(lǐng)域，同時(shí)，經(jīng)合組織定義的武器技術(shù)沒(méi)有出現(xiàn)在《意見》框架中。上述變化旨在體現(xiàn)上海市區(qū)域技術(shù)經(jīng)濟(jì)的特點(diǎn)與優(yōu)勢(shì)，并以下列需求為驅(qū)動(dòng)：1）增強(qiáng)先進(jìn)制造業(yè)發(fā)展后勁的需要；2）新一輪產(chǎn)業(yè)結(jié)構(gòu)調(diào)整的需要；3）建設(shè)現(xiàn)代化國(guó)際大都市的需要。九大高新技術(shù)領(lǐng)域簡(jiǎn)述如下。

1）新能源。新能源（new energy sources）是指?jìng)鹘y(tǒng)能源之外的各種能源形式。它的各種形式大都是直接或者間接地來(lái)自于太陽(yáng)或地球內(nèi)部深處所產(chǎn)生的熱能（潮汐能例外）。包括了太陽(yáng)能、風(fēng)能、生物質(zhì)能、地?zé)崮?、水能和海洋能以及由可再生能源衍生出?lái)的生物燃料和氫所產(chǎn)生的能量。

2）民用航空制造業(yè)。包括大型客機(jī)的總裝和研發(fā)、支線飛機(jī)批產(chǎn)、商用飛機(jī)發(fā)動(dòng)機(jī)研發(fā)和航電系統(tǒng)集成。

3）先進(jìn)重大裝備。重大技術(shù)裝備是指裝備制造業(yè)中技術(shù)難度大、成套性強(qiáng)，對(duì)國(guó)民經(jīng)濟(jì)具有重大意義、對(duì)國(guó)計(jì)民生具有重大影響，需要組織跨部門、跨行業(yè)、跨地區(qū)才能完成的重大成套技術(shù)裝備。主要包括核電、火電、特高壓輸變電、軌道交通裝備、自動(dòng)控制系統(tǒng)等。

4）生物醫(yī)藥。生物醫(yī)藥產(chǎn)業(yè)由生物技術(shù)產(chǎn)業(yè)與醫(yī)藥產(chǎn)業(yè)共同組成。a）生物技術(shù)產(chǎn)業(yè)：其主要內(nèi)容包括：基因工程、細(xì)胞工程、發(fā)酵工程、酶工程、生物芯片技術(shù)、基因測(cè)序技術(shù)、組織工程技術(shù)、生物信息技術(shù)等。b）醫(yī)藥產(chǎn)業(yè)：包括制藥產(chǎn)業(yè)與生物醫(yī)學(xué)工程產(chǎn)業(yè)。b-1）制藥產(chǎn)業(yè)：包括生物制藥，化學(xué)藥和中藥。b-2）生物醫(yī)學(xué)工程產(chǎn)業(yè)：包括生物醫(yī)學(xué)材料制品、（生物）人工器官、醫(yī)學(xué)影像和診斷設(shè)備、醫(yī)學(xué)電子儀器和監(jiān)護(hù)裝置、現(xiàn)代醫(yī)學(xué)治療設(shè)備、醫(yī)學(xué)信息技術(shù)、康復(fù)工程技術(shù)和裝置、組織工程等。

5）電子信息制造業(yè)。主要分為四大行業(yè)，1）通用電子儀器儀表制造業(yè)：包括工業(yè)自動(dòng)控制系統(tǒng)裝置、電工儀器儀表、實(shí)驗(yàn)分析儀器、供應(yīng)用儀表及其他通用儀器制造業(yè)；2）通信設(shè)備制造業(yè)：主要包括通信傳輸設(shè)備、通信交換設(shè)備、通信終端設(shè)備、移動(dòng)通信及終端設(shè)備制造；3）電子器件和元件制造業(yè)：主要包含電子真空器件、半導(dǎo)體分立器件、集成電路、光電子器件及其他電子器件、電子元件及組件制造；4）其他電子信息設(shè)備制造業(yè)：主要包括電線電纜、光纖、光纜制造。

6）新能源汽車。新能源汽車是指除汽油、柴油發(fā)動(dòng)機(jī)之外所有其它能源汽車。包括燃料電池汽車、混合動(dòng)力汽車、氫能源動(dòng)力汽車和太陽(yáng)能汽車等。

7）海洋工程裝備。海洋工程裝備是一種多功能新概念的海洋裝備，以海上作業(yè)為目的，包括海洋鉆井平臺(tái)、海上浮式生產(chǎn)儲(chǔ)油船舶FPSO、半潛式自動(dòng)升降平臺(tái)、海底鋪纜船舶等等[6]。

8）新材料。新材料是指那些新出現(xiàn)或已在發(fā)展中的、具有傳統(tǒng)材料所不具備的優(yōu)異性能和特殊功能的材料。目前，一般按應(yīng)用領(lǐng)域和當(dāng)今的研究熱點(diǎn)把新材料分為以下的主要領(lǐng)域：電子信息材料、新能源材料、納米材料、先進(jìn)復(fù)合材料、先進(jìn)陶瓷材料、生態(tài)環(huán)境材料、新型功能材料（含高溫超導(dǎo)材料、磁性材料、金剛石薄膜、功能高分子材料等）、生物醫(yī)用材料、高性能結(jié)構(gòu)材料、智能材料、新型建筑及化工新材料等。

9）軟件和信息服務(wù)業(yè)。軟件與信息服務(wù)業(yè)是現(xiàn)代服務(wù)業(yè)的重要內(nèi)容之一，主要包括通信傳輸服務(wù)業(yè)、軟件與系統(tǒng)集成服務(wù)業(yè)、信息技術(shù)服務(wù)業(yè)、互聯(lián)網(wǎng)及增值業(yè)務(wù)服務(wù)業(yè)四大類。

1.3 自然計(jì)算的簡(jiǎn)介

從學(xué)科發(fā)展的角度來(lái)看，自然計(jì)算的研究是各類自然科學(xué)（特別是生命科學(xué)）和計(jì)算機(jī)科學(xué)相交又而產(chǎn)生的研究領(lǐng)域，它的發(fā)展完全順應(yīng)于當(dāng)前多交叉學(xué)科不斷產(chǎn)生和發(fā)展的潮流。經(jīng)過(guò)幾十年的發(fā)展，自然計(jì)算的研究范疇已經(jīng)擴(kuò)大到數(shù)十個(gè)方面，并且不斷有新的算法和計(jì)算機(jī)制涌現(xiàn)。有關(guān)于自然計(jì)算研究主要集中在：進(jìn)化計(jì)算、人工神經(jīng)網(wǎng)絡(luò)、分子計(jì)算、蟻群系統(tǒng)、量子遺傳算法、人工免疫系統(tǒng)、人工內(nèi)分泌系統(tǒng)、復(fù)雜自適應(yīng)系統(tǒng)等等。自然計(jì)算的應(yīng)用領(lǐng)域包括復(fù)雜優(yōu)化問(wèn)題求解、智能控制、模式識(shí)別、網(wǎng)絡(luò)安全、硬件設(shè)計(jì)、社會(huì)經(jīng)濟(jì)、生態(tài)環(huán)境等方面[3]。

2 自然計(jì)算在國(guó)內(nèi)外高新技術(shù)領(lǐng)域的應(yīng)用

2.1 新能源

自然計(jì)算在新能源領(lǐng)域的應(yīng)用，主要集中在能源采集與轉(zhuǎn)化系統(tǒng)設(shè)計(jì)參數(shù)的最優(yōu)化方面。在我國(guó)，比較有代表性的應(yīng)用有：

林珊[7]使用模糊控制和功率比較法跟蹤太陽(yáng)能發(fā)電系統(tǒng)最大功率，結(jié)果表明，在晴天少云時(shí)，太陽(yáng)能發(fā)電系統(tǒng)可提供高達(dá)30%的電能，從而達(dá)到了該系統(tǒng)的節(jié)能目的，同時(shí)為家用太陽(yáng)發(fā)電系統(tǒng)運(yùn)行的可行性提供了實(shí)證。琚亞平等[8]建立了多運(yùn)行工況下升阻比最高的風(fēng)力機(jī)翼型優(yōu)化設(shè)計(jì)方法，運(yùn)用 Bezier函數(shù)建立了翼型的數(shù)字化參數(shù)表征方法，根據(jù)完全析因試驗(yàn)設(shè)計(jì)方法選取了翼型族的設(shè)計(jì)空間，利用計(jì)算流體力學(xué)方法獲得了每個(gè)翼型樣本的氣動(dòng)性能參數(shù)，采用人工神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合的方法求解了優(yōu)化命題。

在國(guó)外，典型應(yīng)用有：Androulakis, I P[9]提出了離散和連續(xù)系統(tǒng)的遺傳算法優(yōu)化結(jié)構(gòu)，將這種方法應(yīng)用到完整熱交換器網(wǎng)絡(luò)優(yōu)化上，并且擴(kuò)展了遺傳算法的概念，提出了擴(kuò)展遺傳搜索。Grady, S A等[10]在限制安裝的發(fā)電機(jī)組數(shù)量和每個(gè)風(fēng)電場(chǎng)占地面積的情況下，采用遺傳算法來(lái)獲取風(fēng)力渦輪機(jī)最大的產(chǎn)電能力優(yōu)化配置，并在單向均勻風(fēng)，可變方向均勻風(fēng)和非均勻的變向風(fēng)情況下進(jìn)行了數(shù)值分析。Selig, M S[11]結(jié)合具有逆設(shè)計(jì)方法的遺傳算法的優(yōu)勢(shì)，提出一種失速調(diào)節(jié)水平軸風(fēng)力渦輪機(jī)的優(yōu)化方法，用來(lái)確定最佳槳距，刀片弦和扭曲分布，以不斷提升渦輪機(jī)每年的產(chǎn)電能力。Dufo-López, Rodolfo等[12]針對(duì)混合動(dòng)力系統(tǒng)的設(shè)計(jì)中，涉及到的可再生能源供應(yīng)不確定，負(fù)載要求和一些部件的非線性特性造成的設(shè)計(jì)復(fù)雜性，使用遺傳算法解決最優(yōu)光伏混合能源系統(tǒng)設(shè)計(jì)問(wèn)題。Kalogirou, Soteris A[13]一個(gè)典型氣象年（TMY）中塞浦路斯的氣候條件數(shù)據(jù)，對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，學(xué)習(xí)集熱器面積和儲(chǔ)存罐大小的相關(guān)性；并使用遺傳算法來(lái)估計(jì)這兩個(gè)參數(shù)的最佳規(guī)模，優(yōu)化了太陽(yáng)能能源系統(tǒng)，以最大限度地發(fā)揮其經(jīng)濟(jì)效益。

2.2 民用航空制造業(yè)

自然計(jì)算在民用航空領(lǐng)域的應(yīng)用，主要集中在故障檢測(cè)、引擎設(shè)計(jì)與航跡規(guī)劃等方面，我國(guó)的典型應(yīng)用有：顧偉等[14]為提高飛機(jī)操縱面故障診斷的準(zhǔn)確性，提出了一種模糊差分進(jìn)化故障識(shí)別方法以進(jìn)行飛機(jī)操縱面故障診斷。尹偉等[15]參考現(xiàn)代飛行器故障檢測(cè)結(jié)構(gòu)，利用支持向量回歸建立了飛控系統(tǒng)傳感器的故障預(yù)測(cè)框架，提出采用差分進(jìn)化改進(jìn)原有的交叉驗(yàn)證方式，并且對(duì)核參數(shù)尋優(yōu)以減少模型誤差和提高SVR模型的泛化能力。最后結(jié)合飛行控制系統(tǒng)實(shí)時(shí)故障仿真證實(shí)了這種預(yù)測(cè)方法的可行性。劉小雄等[16]提出基于智能解析余度的容錯(cuò)飛行控制系統(tǒng)設(shè)計(jì)方案，使用徑向基神經(jīng)網(wǎng)絡(luò)的在線學(xué)習(xí)和全局逼近的性能，建立飛行控制系統(tǒng)傳感器之間的解析余度關(guān)系，利用不相同傳感器之間的解析關(guān)系進(jìn)行殘差分析從而進(jìn)行傳感器的故障隔離與信號(hào)重構(gòu)。有效地抑制了測(cè)量噪聲和模型不確定性。李長(zhǎng)征等[17]通過(guò)對(duì)平移和旋轉(zhuǎn)量進(jìn)行編碼，采用遺傳算法實(shí)現(xiàn)了航空發(fā)動(dòng)機(jī)的性能曲線逼近。徐正軍等[18]對(duì)航跡編碼方式進(jìn)行了改進(jìn)，采用數(shù)組混合編碼方式，并使用遺傳算法，在求解航跡規(guī)劃問(wèn)題上進(jìn)行了應(yīng)用仿真研究，仿真計(jì)算表明，能夠規(guī)劃出一條滿足要求的航跡，避免了分層規(guī)劃的復(fù)雜性。

國(guó)外的典型應(yīng)用有：CRESSLEY, W A[19]將遺傳算法應(yīng)用于飛行器概念設(shè)計(jì)。Kobayashi, Takahisa[20]提出了一種基于模型的飛行器引擎性能診斷方法，利用神經(jīng)網(wǎng)絡(luò)和遺傳算法進(jìn)行了研究。神經(jīng)網(wǎng)絡(luò)應(yīng)用于估計(jì)發(fā)動(dòng)機(jī)內(nèi)部的健康狀況，遺傳算法用于傳感器偏差檢測(cè)與估計(jì)。Alam, S等[21]針對(duì)自由飛行空域容量充分利用，同時(shí)保持飛機(jī)之間以及飛機(jī)和危險(xiǎn)天氣的安全分離問(wèn)題，探討了蟻群優(yōu)化算法產(chǎn)生最佳的自由飛行空域使用軌跡方法。Venter, G等[22]探討了粒子群算法在多學(xué)科綜合最優(yōu)化中的應(yīng)用，并使用運(yùn)輸機(jī)機(jī)翼最優(yōu)化設(shè)計(jì)問(wèn)題進(jìn)行驗(yàn)證。

2.3 先進(jìn)重大裝備

自然計(jì)算在先進(jìn)重大裝備領(lǐng)域的應(yīng)用，主要包括設(shè)備設(shè)計(jì)、設(shè)備調(diào)度以及區(qū)域調(diào)度優(yōu)化等方面，國(guó)內(nèi)典型的應(yīng)用包括：陳長(zhǎng)征等[23]介紹了用遺傳算法求解汽輪機(jī)故障診斷問(wèn)題，發(fā)展了故障診斷的概率因果模型，認(rèn)為這種方法是目前診斷汽輪機(jī)多故障比較成功的方法。郭惠昕[24]以起重機(jī)箱型主梁優(yōu)化設(shè)計(jì)數(shù)學(xué)模型，在給定箱形梁截面尺寸后，求箱型梁?jiǎn)挝婚L(zhǎng)度的重量。丁衛(wèi)東等[25]建立了基于遺傳算法的機(jī)械零部件可靠性優(yōu)化設(shè)計(jì)的數(shù)學(xué)模型。徐小力[26]利用遺傳算法的并行搜索能力，用網(wǎng)絡(luò)權(quán)值調(diào)整算法(BP) 對(duì)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)進(jìn)行動(dòng)態(tài)優(yōu)化，達(dá)到旋轉(zhuǎn)機(jī)械的趨勢(shì)預(yù)測(cè)目的，解決旋轉(zhuǎn)機(jī)械狀態(tài)預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)主要靠人工經(jīng)驗(yàn)和試驗(yàn)確定，網(wǎng)絡(luò)結(jié)構(gòu)對(duì)環(huán)境的適應(yīng)性較差，預(yù)測(cè)精度較低的問(wèn)題。張文[27]針對(duì)大規(guī)模電網(wǎng)全局無(wú)功電壓優(yōu)化控制的困難，提出了基于協(xié)同進(jìn)化框架的合作協(xié)同進(jìn)化粒子群優(yōu)化算法?；诜纸?協(xié)調(diào)的思想，依據(jù)電壓等級(jí)和地理分布進(jìn)行分布式優(yōu)化，將復(fù)雜的無(wú)功優(yōu)化問(wèn)題分解為一系列相互作用的子優(yōu)化問(wèn)題。郭衛(wèi)等[28]則針對(duì)傳統(tǒng)機(jī)械優(yōu)化設(shè)計(jì)的局限性、提出模糊化建模、模型轉(zhuǎn)化、遺傳算法優(yōu)化求解的新思路。Wen, F S等[29]介紹了用遺傳算法對(duì)電力系統(tǒng)的故障部位進(jìn)行判斷，即通過(guò)斷路器和繼電器運(yùn)行信息識(shí)別系統(tǒng)中的故障單元；指出遺傳算法在一次運(yùn)行中能發(fā)現(xiàn)多級(jí)優(yōu)化解，因此非常適合復(fù)雜故障診斷問(wèn)題。

在國(guó)外，早在90年代就有將遺傳算法應(yīng)用于火電機(jī)組調(diào)度的報(bào)告，Dasgupta, D等[30]使用遺傳算法解決火電機(jī)組調(diào)度問(wèn)題，通過(guò)規(guī)劃?rùn)C(jī)組起停動(dòng)作，在滿足負(fù)載和旋轉(zhuǎn)備用要求的情況下，使運(yùn)行成本降到最低。Yoshida, H等[31]提出了一種考慮電壓安全評(píng)估的粒子群優(yōu)化無(wú)功和電壓控制（VVC）的方法。該方法擴(kuò)展了原始的粒子群算法，使之處理混合整數(shù)非線性規(guī)劃，并確定一個(gè)在線VVC控制策略，以調(diào)節(jié)連續(xù)和離散控制變量，如發(fā)電機(jī)的自動(dòng)電壓調(diào)節(jié)器運(yùn)行值，有載分接開關(guān)變壓器的位置和無(wú)功補(bǔ)償裝置的數(shù)量等。Meneses， AAM 等[32]利用隨機(jī)密鑰粒子群算法（PSORK）求解核反應(yīng)裝置重載問(wèn)題（NRRP），并將所得結(jié)果與蟻群算法，遺傳算法的效果進(jìn)行了比較。

2.4 生物醫(yī)藥

自然計(jì)算在生物醫(yī)藥領(lǐng)域的應(yīng)用，主要包括藥動(dòng)力學(xué)預(yù)測(cè)，蛋白質(zhì)結(jié)構(gòu)分析，醫(yī)學(xué)圖像識(shí)別等領(lǐng)域。劉朝暉等[33]就人工神經(jīng)網(wǎng)絡(luò)藥代動(dòng)力學(xué)研究主要領(lǐng)域，如血藥濃度預(yù)測(cè)、藥物結(jié)構(gòu)和藥代動(dòng)力學(xué)定量關(guān)系、體內(nèi)體外相關(guān)關(guān)系研究，群體藥物動(dòng)力學(xué)數(shù)據(jù)分析、藥代動(dòng)力學(xué)- 藥效動(dòng)力學(xué)統(tǒng)一模型研究等方面的應(yīng)用作了簡(jiǎn)要綜述。李珊等[34]對(duì)國(guó)外將神經(jīng)網(wǎng)絡(luò)應(yīng)用于環(huán)孢素 A濃度預(yù)測(cè)的方法和基本情況進(jìn)行了綜述，說(shuō)明了將神經(jīng)網(wǎng)絡(luò)應(yīng)用于個(gè)體化給藥的的可行性，并指出了其應(yīng)用前景。

在國(guó)內(nèi)，典型的應(yīng)用有：王曉明[35]將遺傳算法與模擬退火算法相結(jié)合，提出了一種新的混合遺傳算法，采用HP格子模型，HP格子模型是一種粗?；哪Ｐ?，可以將蛋白質(zhì)中的氨基酸分別放到空間的格子中，那么這個(gè)蛋白質(zhì)的氨基酸鏈就由二維或三維的正方形格子空間中的自回避行走軌跡表示。采用混合遺傳算法對(duì)HP格子模型優(yōu)化，得到能量更小的蛋白質(zhì)二級(jí)結(jié)構(gòu)，有效說(shuō)明采用混合遺傳算法是一個(gè)求解蛋白質(zhì)二級(jí)結(jié)構(gòu)問(wèn)題的一個(gè)高效算法。周家莉[36]用遺傳算法(GA)優(yōu)化誤差反向傳播(BP)網(wǎng)絡(luò)，建立了有效的藥物活性識(shí)別模式。

在國(guó)外，典型應(yīng)用如下：Chun Y W. 和Sun C T.[37]利用具有穩(wěn)態(tài)策略的遺傳算法從PDB 中提取某種二級(jí)結(jié)構(gòu)的模式規(guī)則，在充分考慮兩端氨基酸對(duì)中間氨基酸結(jié)構(gòu)的影響因素，定義了新模式規(guī)則。Cootes, T等[38]使用遺傳算法從三維醫(yī)學(xué)圖像建立二維模型。Rasmussen，T K[39]等將粒子群算法應(yīng)用于多染色體序列比對(duì)，Eberhart[40]等使用粒子群算法監(jiān)督神經(jīng)網(wǎng)絡(luò)的演化，并使用此網(wǎng)絡(luò)區(qū)分腫瘤組織與正常組織，來(lái)分析人類的帕金森綜合癥等顫抖類疾病；最早使用遺傳算法在二級(jí)結(jié)構(gòu)預(yù)測(cè)方面取得成功的是 Unger和Moult[41]在1993年所作的工作。

2.5 電子信息制造業(yè)

自然計(jì)算在電子信息制造業(yè)的應(yīng)用分為3種尺度：元件級(jí)、電路級(jí)以及工廠級(jí)、元件級(jí)是使用各種算法計(jì)算最優(yōu)元器件外形、參數(shù)等，電路級(jí)是按照特定需求優(yōu)化電子電路的結(jié)構(gòu)、布局、加工序列等，工廠級(jí)則是最優(yōu)化設(shè)備調(diào)度序列，以降低成本。

目前，我國(guó)的典型應(yīng)用有：閻德勁等[42]基于遺傳算法，提出了一種電子元件熱布局優(yōu)化算法，采用熱疊加計(jì)算模型，完成電子元件熱布局優(yōu)化，使得各大功率電子元件分散開，并分布于板級(jí)電路組裝模塊四周，各小功率電子元件圍繞大功率電子元件分布于中心，并按一定規(guī)律排列。朱科等[43]利用 PID神經(jīng)網(wǎng)絡(luò)前饋校正法功能，設(shè)計(jì)了智能溫度儀表硬件電路來(lái)解決熱電偶溫度計(jì)算的精度問(wèn)題。蔡苗等[44]針對(duì)塑封 SOT（小外形晶體管）器件的使用失效案例，從芯片設(shè)計(jì)角度出發(fā)，提出一種優(yōu)化設(shè)計(jì)方法，該方法利用誤差反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)，結(jié)合主成分分析(PCA)、遺傳算法(GAs)及均勻設(shè)計(jì)的針對(duì)非線性系統(tǒng)的優(yōu)化設(shè)計(jì)，設(shè)計(jì)了該塑封SOT 器件的尺寸參數(shù)。林國(guó)華等[45]對(duì)反饋神經(jīng)網(wǎng)絡(luò)卷積碼解碼器(RNN)在以放大自發(fā)發(fā)射(ASE) 噪聲為主的光纖信道中的性能進(jìn)行了研究。

國(guó)外的主要應(yīng)用有：Uckun, S[46]將遺傳算法應(yīng)用于生產(chǎn)車間調(diào)度問(wèn)題，用遺傳算法對(duì)車間工序進(jìn)行優(yōu)化以使完成某項(xiàng)工作所用的時(shí)間最少，且機(jī)器利用率最好。Onwubolu, G C等[47]使用粒子群算法求解自動(dòng)電子電路器件管腳鉆孔最優(yōu)序列，以提高生產(chǎn)效率，降低生產(chǎn)成本。Thompson, A等[48]將進(jìn)化計(jì)算的原理引入電子電路設(shè)計(jì)中，并證明了進(jìn)化計(jì)算電路設(shè)計(jì)可以搜索傳統(tǒng)設(shè)計(jì)方法無(wú)法涉及的設(shè)計(jì)空間，存在比傳統(tǒng)設(shè)計(jì)方法性能更優(yōu)的可能。Marwah, M等[49]討論了使用人工神經(jīng)網(wǎng)絡(luò)對(duì)電子生產(chǎn)過(guò)程進(jìn)行建模的方法，詳細(xì)分析了網(wǎng)絡(luò)結(jié)構(gòu)與訓(xùn)練方法，并且開發(fā)了相應(yīng)的建模軟件。

2.6 新能源汽車

自然計(jì)算在新能源汽車領(lǐng)域的應(yīng)用，集中在能源系統(tǒng)建模與優(yōu)化設(shè)計(jì)，研究多以節(jié)省能源消耗為主。我國(guó)的應(yīng)用主要有：燃料電池車的整車控制策略包括能量分配策略、制動(dòng)回饋策略和換檔控制策略。這三者對(duì)整車燃料經(jīng)濟(jì)性的影響至關(guān)重要。然而，決定整車控制策略的參數(shù)較多，一般是靠經(jīng)驗(yàn)選擇，而且難以用常規(guī)的方法來(lái)優(yōu)化。浦金歡等[50]提出了一種基于浮點(diǎn)數(shù)編碼遺傳算法的混合動(dòng)力汽車控制策略參數(shù)優(yōu)化新方法。以一輛實(shí)際混合動(dòng)力汽車樣車的邏輯門限控制策略為例，分析并建立了控制策略參數(shù)優(yōu)化的有約束非線性規(guī)劃模型，其目標(biāo)函數(shù)包含最小化油耗和排放。齊占寧等[51]提出用遺傳算法對(duì)主要控制策略參數(shù)進(jìn)行優(yōu)化，取得了令人滿意的結(jié)果。石坤等[52]選五自由度汽車懸掛系統(tǒng)和通風(fēng)機(jī)用的 V帶傳動(dòng)的優(yōu)化問(wèn)題，以彈性系數(shù)和阻尼系數(shù)及電動(dòng)機(jī)和通風(fēng)機(jī)轉(zhuǎn)速作為設(shè)計(jì)參數(shù)，以此改進(jìn)的遺傳算法進(jìn)行全局尋優(yōu)。侯勇等[53]使用遺傳算法對(duì)汽車動(dòng)力總成懸置系統(tǒng)的能量解耦指標(biāo)進(jìn)行優(yōu)化。谷明起[54]在建立車輛動(dòng)力學(xué)模型的基礎(chǔ)上，將蟻群PI控制算法應(yīng)用于半主動(dòng)懸架車輛上，通過(guò)調(diào)節(jié)阻尼系數(shù)來(lái)控制車輛的橫擺。許翔等[55]選取車用散熱器的散熱量、體積和壓降作為優(yōu)化目標(biāo)，采用線性加權(quán)法建立了散熱器的多目標(biāo)優(yōu)化模型，并使用遺傳算法對(duì)散熱器芯體的外形尺寸和翅片參數(shù)進(jìn)行了優(yōu)化。

國(guó)外的典型應(yīng)用有：Alan, C S[56]提出了用GA 對(duì)汽車故障進(jìn)行識(shí)別、診斷和控制的方法，通過(guò)實(shí)驗(yàn)確定導(dǎo)致事故的最初故障。Moreno, J等[57]使用神經(jīng)網(wǎng)絡(luò)為混合電動(dòng)汽車（HEVs）開發(fā)和測(cè)試了一個(gè)非常有效的能源管理系統(tǒng)。該系統(tǒng)最大限度地減少車輛的能源需求，而且可以在不同的主要電源下工作，如燃料電池，微型燃?xì)廨啓C(jī)，鋅空氣電池或其他能源供應(yīng)，如再生制動(dòng)回收能源的能力差的動(dòng)力源，或缺乏快速加速電容量的動(dòng)力源。質(zhì)子交換膜是最有前途的燃料電池技術(shù)之一，Jeme?, S等[58]建立了質(zhì)子交換膜燃料電池（PEMFC）系統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型。使用SIMULINK實(shí)現(xiàn)，并集成到一個(gè)完整的汽車動(dòng)力總成。在此基礎(chǔ)上，可對(duì)驅(qū)動(dòng)燃料電池車的控制律進(jìn)行開發(fā)和仿真。

2.7 海洋工程裝備

自然計(jì)算在海洋工程裝備領(lǐng)域的應(yīng)用，包括各類設(shè)計(jì)（船體，引擎）最優(yōu)化、控制器參數(shù)優(yōu)化以及故障檢測(cè)等。

國(guó)內(nèi)的研究典型的有：劉傳云等[59]以對(duì)常規(guī)潛艇重要的航速、續(xù)航力及下潛深度作為多目標(biāo)函數(shù)，使用遺傳算法進(jìn)行優(yōu)化。張群站[60]使用改進(jìn)的蟻群算法針對(duì)集裝箱船在的結(jié)構(gòu)特點(diǎn)，以集裝箱船結(jié)構(gòu)重量最小為優(yōu)化目標(biāo)，確定影響重量的設(shè)計(jì)變量，將集裝箱船沿船長(zhǎng)方向分割成多個(gè)單元，從而求出應(yīng)力分布以進(jìn)行安全校核。覃峰等[61]將遺傳算法引入船舶推進(jìn)系統(tǒng)船、機(jī)、槳匹配優(yōu)化設(shè)計(jì)，建立了合適的優(yōu)化模型，構(gòu)造了合理的適應(yīng)函數(shù)。實(shí)船優(yōu)化表明，算法的收斂速度很快且計(jì)算精度較高。謝春玲等[62]介紹一種將概率因果模型和遺傳算法相結(jié)合的核動(dòng)力裝置二回路凝給水系統(tǒng)的故障診斷方法，該方法將概率因果模型的似然函數(shù)作為遺傳算法的適應(yīng)函數(shù)，從而將復(fù)雜系統(tǒng)的故障診斷轉(zhuǎn)化為最優(yōu)問(wèn)題。

國(guó)外典型應(yīng)用有：Lee, Tzung-Hang等[63]介紹了一種為深水鉆井船進(jìn)行動(dòng)態(tài)定位的模糊邏輯控制器。Serapi?o,Adriane等[64]使用粒子群和蟻群算法混合的策略進(jìn)行石油鉆井業(yè)務(wù)分類。McGookin, Euan W等[65]將遺傳算法置于各種條件下，對(duì)油輪的滑?？刂破魍暾到y(tǒng)參數(shù)進(jìn)行了優(yōu)化。Okada, T等[66]使用遺傳算法對(duì)船體關(guān)鍵設(shè)計(jì)變量的組合進(jìn)行有優(yōu)化，主要包括主船體尺寸，總體布置，鋼材的種類，以及框架和加強(qiáng)筋間距的構(gòu)件尺寸等。

2.8 新材料

自然計(jì)算在材料科學(xué)中的研究與應(yīng)用相當(dāng)廣泛，國(guó)際上已有很多關(guān)于此領(lǐng)域的綜述研究，不再贅述。Chakraborti,N[67]對(duì)遺傳算法在材料設(shè)計(jì)與處理領(lǐng)域的研究與應(yīng)用進(jìn)行了詳盡的總結(jié)，主要包括：原子材料、合金設(shè)計(jì)、聚合物加工、粉末壓實(shí)和燒結(jié)、有色金屬生產(chǎn)冶金、連鑄、軋制金屬、金屬切割、焊接等許多問(wèn)題。Weile, D S等[68]對(duì)遺傳算法在電磁材料領(lǐng)域的研究與應(yīng)用進(jìn)行了詳細(xì)的總結(jié)。Bhadeshia,H K D H[69]對(duì)神經(jīng)網(wǎng)絡(luò)在材料科學(xué)中的應(yīng)用也進(jìn)行了深度的評(píng)述。

國(guó)內(nèi)典型的應(yīng)用有：汪忠柱等[70]針對(duì)多層雷達(dá)吸波材料（RAM）需要滿足吸收頻帶寬和厚度薄的優(yōu)化目標(biāo)，用加速遺傳算法（AGA），建立了對(duì)電磁波的吸收達(dá)到特定的反射損耗值要求下多薄層吸波材料的優(yōu)化設(shè)計(jì)方法。根據(jù)材料參數(shù)數(shù)據(jù)庫(kù)，給出了在任意給定的頻率范圍內(nèi)以及任意入射角下如何，確定各層材料的種類和厚度的優(yōu)化方法。成功地給出了在0.8～2 GHz 頻段以及2～8 GHz 頻段5 層微波吸收涂層的優(yōu)化設(shè)計(jì)結(jié)果，并對(duì)優(yōu)化結(jié)果進(jìn)行了評(píng)價(jià)。宋迎東等[71]利用高精度通用單胞模型將復(fù)合材料的細(xì)觀拓?fù)浣Y(jié)構(gòu)與宏觀力學(xué)性能結(jié)合起來(lái)，采用遺傳算法對(duì)復(fù)合材料的細(xì)觀結(jié)構(gòu)進(jìn)行優(yōu)化，發(fā)展了基于遺傳算法的復(fù)合材料細(xì)觀結(jié)構(gòu)拓?fù)鋬?yōu)化設(shè)計(jì)方法。以材料的宏觀力學(xué)性能為優(yōu)化目標(biāo)，從隨機(jī)的初始細(xì)觀結(jié)構(gòu)出發(fā)，對(duì)復(fù)合材料纖維體積百分比進(jìn)行約束，經(jīng)過(guò)迭代獲得滿足設(shè)計(jì)要求的代表性體積單元。穆朋剛等[72]采用含有變異操作的蟻群算法對(duì)已知鋪層總數(shù)復(fù)合材料層合板的參數(shù)進(jìn)行優(yōu)化設(shè)計(jì)，最終確定各角度的鋪層數(shù)及鋪層順序。

2.9 軟件和信息服務(wù)業(yè)

在網(wǎng)絡(luò)入侵檢測(cè)方面，使用人工免疫算法幾乎成了一種共識(shí)。Aickelin, U等[73]則對(duì)免疫算法在入侵檢測(cè)中的應(yīng)用做了較為詳細(xì)的介紹。

在我國(guó)，典型的應(yīng)用包括：WANG, Jin-shui等[74]介紹了一種基于免疫系統(tǒng)和模糊邏輯的自適應(yīng)網(wǎng)格入侵檢測(cè)模型。通過(guò)改進(jìn)候選項(xiàng)目集的產(chǎn)生方式，該模型分別建立了自然行為模式與入侵行為模式的模糊規(guī)則集。比較這兩種規(guī)則集的不同，進(jìn)而檢測(cè)到網(wǎng)絡(luò)入侵。劉琴等[75]提出了一種基于智能體和“多維拍賣”機(jī)制的電子商務(wù)談判協(xié)商模型，并利用改進(jìn)的遺傳算法實(shí)現(xiàn)了交易方案的自動(dòng)生成。方法可以對(duì)offer不斷優(yōu)化，高效、快速地生成使參與自動(dòng)協(xié)商的Agent雙贏的交易方案。韓冰青等[76]使用粒子群算法求解軟件可靠性分配問(wèn)題。邵雄凱等[77]提出了基于遺傳算法的主題信息搜索策略，利用通用搜索引擎獲取網(wǎng)頁(yè) URL，再根據(jù)網(wǎng)頁(yè)間的鏈接關(guān)系得到初始種子集合，通過(guò)遺傳算子篩選搜索結(jié)果。

國(guó)外的應(yīng)用主要有：Handl, J等[78]通過(guò)改進(jìn)蟻群算法，并引入預(yù)處理機(jī)制，對(duì)網(wǎng)絡(luò)可視文獻(xiàn)進(jìn)行排序和聚類，算法的改進(jìn)提高了執(zhí)行的效率并降低了時(shí)間復(fù)雜性。Jennings, A等[79]針對(duì)目前網(wǎng)絡(luò)海量信息的現(xiàn)狀，提出了使用神經(jīng)網(wǎng)絡(luò)模型更好的獲取新聞服務(wù)的方法。該網(wǎng)絡(luò)可以通過(guò)用戶的興趣以及新聞提供者的評(píng)級(jí)自適應(yīng)的調(diào)整自身結(jié)構(gòu)。Canfora,Gerardo等[80]以總成本和響應(yīng)時(shí)間作為網(wǎng)絡(luò)服務(wù)的評(píng)價(jià)準(zhǔn)則，以此建立優(yōu)化問(wèn)題，并使用遺傳算法對(duì)此問(wèn)題進(jìn)行了求解。

2.10 小結(jié)

自然計(jì)算在以上九大領(lǐng)域中的應(yīng)用極其眾多，由于篇幅所限，即使一個(gè)具體領(lǐng)域中列舉一種應(yīng)用也是不可能完成的任務(wù)。為此，本文僅在主要應(yīng)用中選取若干加以介紹，以期使讀者形成較為全面的認(rèn)識(shí)，對(duì)自然計(jì)算的應(yīng)用有總體的了解。

3 國(guó)內(nèi)外差距與分析

通過(guò)文章第三部分的論述，不論國(guó)內(nèi)或是國(guó)際上，也不論醫(yī)藥還是航空領(lǐng)域，總能發(fā)現(xiàn)自然計(jì)算技術(shù)的身影。目前國(guó)際上對(duì)自然計(jì)算框架下的各類算法的應(yīng)用均有研究，且部分算法的應(yīng)用，如遺傳算法，模糊邏輯，神經(jīng)網(wǎng)絡(luò)等，已經(jīng)達(dá)到了成熟的階段，各類高層次的，復(fù)雜的應(yīng)用層出不窮；而較為新興的算法，如差分進(jìn)化，粒子群算法等，各類應(yīng)用的探索也較為全面的展開。

國(guó)內(nèi)在上述九大領(lǐng)域的研究均有成果，且很多研究領(lǐng)域成果相當(dāng)豐富，但是與應(yīng)用研究較為成熟國(guó)家相比，仍有許多不足。1）國(guó)內(nèi)的應(yīng)用研究很多僅僅停留在實(shí)驗(yàn)階段甚至理論階段，沒(méi)有經(jīng)過(guò)實(shí)物的驗(yàn)證，使結(jié)論缺乏可靠的根據(jù)，也同時(shí)阻礙了自然計(jì)算技術(shù)在實(shí)際應(yīng)用中的推廣。2）國(guó)內(nèi)的應(yīng)用研究由于缺乏相應(yīng)的設(shè)備與研究平臺(tái)作為依托，對(duì)某一具體領(lǐng)域的研究往往流于表面，沒(méi)有進(jìn)行深入的研究，很多有希望的方向也在幾篇報(bào)告發(fā)表后失去音訊。沒(méi)有對(duì)特定領(lǐng)域特定問(wèn)題深入的理解，也就不可能抓住其精髓使用合適的自然計(jì)算技術(shù)解決問(wèn)題，這正是國(guó)內(nèi)一些應(yīng)用研究的詬病。

自然計(jì)算應(yīng)用的研究，應(yīng)該立足于具體問(wèn)題，深入研究，并放眼于方法論研究，尋找具體問(wèn)題間共同的特點(diǎn)，以進(jìn)行算法的移植。注重發(fā)展理論的同時(shí)，也注重算法的實(shí)際應(yīng)用，以理論指導(dǎo)實(shí)踐，也以實(shí)際推動(dòng)理論。

4 總結(jié)與展望

自然計(jì)算，甚至在其名稱出現(xiàn)之前，就開始在生產(chǎn)生活的各個(gè)領(lǐng)域發(fā)揮其作用。直到今天，在經(jīng)歷了幾十年的發(fā)展后，自然計(jì)算已經(jīng)發(fā)展為橫跨各類自然科學(xué)（特別是生命科學(xué)）和計(jì)算機(jī)科學(xué)的一門綜合學(xué)科，其應(yīng)用滲透到了各個(gè)學(xué)科。不論是出現(xiàn)較早，研究較為透徹，應(yīng)用較為成熟的遺傳算法，神經(jīng)網(wǎng)絡(luò)等技術(shù)，還是正迎來(lái)第二個(gè)10年的，應(yīng)用正逐步展開的蟻群算法，粒子群算法和差分進(jìn)化算法，亦或是出現(xiàn)不久，正逐漸為人所接受，并探索其適領(lǐng)域的蜂群算法，蛙跳算法，都散發(fā)出無(wú)限的活力，幫助科學(xué)家和工程師們進(jìn)行更為高效，更為節(jié)約，更為簡(jiǎn)單的研究，設(shè)計(jì)與制造工作。

在應(yīng)用領(lǐng)域，尤其是高技術(shù)領(lǐng)域，總是伴隨著通常的數(shù)學(xué)方法不容易解決甚至無(wú)法解決的問(wèn)題；隨著科學(xué)的發(fā)展，高新技術(shù)領(lǐng)域使用的計(jì)算手段只會(huì)越來(lái)越智能和高效，而自然計(jì)算自身的特性使之成為完美的選擇?？梢灶A(yù)見，未來(lái)的高新技術(shù)領(lǐng)域中，自然計(jì)算技術(shù)的分工將出現(xiàn)顯著的分工與融合趨勢(shì)。其中，分工體現(xiàn)在特定問(wèn)題使用特定算法解決，融合體現(xiàn)在同一問(wèn)題使用新的，多種算法取長(zhǎng)補(bǔ)短的策略解決。未來(lái)的技術(shù)需要智能，而智能的技術(shù)離不開自然計(jì)算。

[1] 市政府印發(fā)《關(guān)于加快推進(jìn)上海高新技術(shù)產(chǎn)業(yè)化的實(shí)施意見》[EB/OL] . (2009-05-16)http://www.shanghai.gov.cn/shanghai/node2314/node2319/node12344/userobject26ai1 8563.html.

[2] 上海市高新技術(shù)產(chǎn)業(yè)化信息網(wǎng)[EB/OL] . (2010-06-11)http://www.shnhti.gov.cn/index.htm.

[3] 汪鐳,張永 ,郭為安,等.自然計(jì)算發(fā)展趨勢(shì)研究[J] .微型電腦應(yīng)用(//), 2010.

[4] 科技常識(shí):高新技術(shù)的含義、特征及標(biāo)志性技術(shù)[EB/OL] .(2008-07-31)http://edu.newdu.com/Official/Class943/Class956/200807/18090.html.

[5] 舒惠國(guó).高新技術(shù)解讀[G] .南昌:江西人民出版社, 2001.

[6] 張樹軍.海洋工程裝備—船舶工業(yè)未來(lái)發(fā)展之路[J] . 中國(guó)水運(yùn), 2009, (9): 8-9.

[7] 林珊.太陽(yáng)能發(fā)電系統(tǒng)研究[D] .廣東工業(yè)大學(xué)控制理論與控制工程, 1999.

[8] 琚亞平,張楚華.基于人工神經(jīng)網(wǎng)絡(luò)與遺傳算法的風(fēng)力機(jī)翼型優(yōu)化設(shè)計(jì)方法[J] .中國(guó)電機(jī)工程學(xué)報(bào), 2009, 29(20): 106-111.

[9] Androulakis I. P. A genetic algorithmic framework for process design and optimization[J] . Computers Chem. Eng,1991, 15 (4): 217-228.

[10] Grady S A,Hussainia M Y,Abdullah M M. Placement of wind turbines using genetic algorithms[J] . Renewable Energy, 2005, 30 (2): 29-270.

[11] Selig M S. Application of a Genetic Algorithm to Wind Turbine Design[J] .J.Energy Resour. Technol,1996,118 (1).

[12] Dufo-López Rodolfo, Bernal-Agustín José L. Design and control strategies of PV-Diesel systems using genetic algorithms[J] . Solar Energy, 2005, 79 (1): 33-46.

[13] Kalogirou Soteris A. Optimization of solar systems using artificial neural-networks and genetic algorithms[J] .Applied Energy, 2004, 77 (4): 385-405.

[14] 顧偉,李麗莉,黃志毅,等.飛機(jī)操縱面故障的模糊差分進(jìn)化識(shí)別方法[J] .計(jì)算機(jī)應(yīng)用研究, 2010, (5).

[15] 尹偉,章衛(wèi)國(guó),寧東方,等.基于差分進(jìn)化交叉驗(yàn)證SVM的飛控系統(tǒng)傳感器故障預(yù)測(cè)學(xué)習(xí)算法研究[J] . 傳感技術(shù)學(xué)報(bào), 2008, (11).

[16] 劉小雄,章衛(wèi)國(guó),李廣文.基于智能解析余度的容錯(cuò)飛控系統(tǒng)設(shè)計(jì)[J] .傳感技術(shù)學(xué)報(bào), 2007, (8).

[17] 李長(zhǎng)征,雷勇.基于遺傳算法的航空發(fā)動(dòng)機(jī)性能曲線逼近[J] .測(cè)控技術(shù), 2009, 28 (1): 92-94.

[18] 徐正軍,唐碩.基于改進(jìn)遺傳算法的飛行航跡規(guī)劃[J] .宇航學(xué)報(bào), 2008, 29 (5): 1540-1545.

[19] CRESSLEY W. A. Optimization for aerospace conceptual design through the use of genetic algorithms[C] :Proceedings of the First NASA/ DOD Workshop on Evolvable Hardware, CA ,USA, 1999. Pasadena: 200-207.

[20] Kobayashi Takahisa, Simon Donald L. A Hybrid Neural Network-Genetic Algorithm Technique for Aircraft Engine Performance Diagnostics,NASA/TM—2001-211088[R] .American Institute of Aeronautics and Astronautics, 2001.

[21] Alam S, Abbass H A, Barlow M, et al. Mapping Lessons From Ants to Free Flight: An Ant-Based Weather Avoidance Algorithm in Free Flight Airspace: Proceedings of SPIE (Complex Systems), number,TR-ALAR-200511016[R] . Northcott Drive, Australia: The Artificial Life and Adaptive Robotics Laboratory, 2005.

[22] Venter G, Sobieszczanski-Sobieski J. Multidisciplinary optimization of a transport aircraft wing using particle swarm optimization[J] . Structural and Multidisciplinary Optimization, 2004, 26 (1): 121-131.

[23] 陳長(zhǎng)征,劉強(qiáng).概率因果網(wǎng)絡(luò)在汽輪機(jī)故障診斷中的應(yīng)用[J] .中國(guó)電機(jī)工程學(xué)報(bào), 2001, 21 (2): 78-81.

[24] 郭惠昕,車曉毅,肖偉躍.混沌遺傳優(yōu)化算法及其在機(jī)械優(yōu)化設(shè)計(jì)中的應(yīng)用[J] . 機(jī)械設(shè)計(jì), 2003, 20 (10): 23-25.

[25] 丁衛(wèi)東,尉宇.基于遺傳算法的機(jī)械零部件可靠性優(yōu)化設(shè)計(jì)[J] . 機(jī)械設(shè)計(jì), 2003, 20 (3): 48-49, 60.

[26] 徐小力.旋轉(zhuǎn)機(jī)械的遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[J] .機(jī)械工程學(xué)報(bào), 2003, 39 (2): 140-144.

[27] 張文.基于粒子群體優(yōu)化算法的電力系統(tǒng)無(wú)功優(yōu)化研究[D] . 山東大學(xué)電力系統(tǒng)及其自動(dòng)化, 2006.

[28] 郭衛(wèi),趙栓峰,楊桂紅.基于遺傳算法的疊簧彈性聯(lián)軸器的模糊優(yōu)化設(shè)計(jì)[J] . 機(jī)械傳動(dòng), 2004, 28 (4): 13-16.

[29] Wen F S,Han Z X. Fault section estimation in power systems using a genetic algorithm[J] . Electric Power Research, 1995, (34): 165-172.

[30] Dasgupta D,McGregor D R. Thermal unit commitment using genetic algorithms[J] . Generation, Transmission and Distribution, IEE Proceedings-, 1994, 141 (5): 459-465.

[31] Yoshida H, Kawata K, Fukuyama Y, et al. A Particle Swarm Optimization for Reactive Power and Voltage Control Considering Voltage Security Assessment: Power Engineering Society Winter Meeting, 2001. IEEE,2001[C] . 492-498.

[32] Meneses AAM, Machado MD, Schirru R. Particle Swarm Optimization applied to the nuclear reload problem of a Pressurized Water Reactor[J] . Progress in Nuclear Energy,2009, 51 (2): 319-326.

[33] 劉朝暉,李明亞, 黃榕波. 藥代動(dòng)力學(xué)建模的人工神經(jīng)網(wǎng)絡(luò)新方法[J] .中國(guó)臨床藥理學(xué)雜志,2008,24(4):334-338.

[34] 李珊,陳遙,張炯.人工神經(jīng)網(wǎng)絡(luò)在環(huán)孢素血藥濃度預(yù)測(cè)中的研究[J] .科技信息, 2007, (29): 42-44.

[35] 王曉明.基于混合遺傳算法的蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)研究[J] .計(jì)算機(jī)應(yīng)用, 2007, 27 (12): 175-176.

[36] 周家莉.GA-BP神經(jīng)網(wǎng)絡(luò)在拮抗藥化合物活性模式識(shí)別中的應(yīng)用[J] .中國(guó)現(xiàn)代藥物應(yīng)用, 2008, 2 (11): 11-13.

[37] Chun Y W,Sun C T. Regularity of Secondary Protein Structures: A Genetic Algorithm approach[C] : Proceedings of the 5th World Congress on Intelligent Control and Automation, 2004.

[38] Cootes T, Hill A, Taylor C, et al. The Use of Active Shape Models for Locating Structures in Medical Images:Information Processing in Medical Imaging, 1993[C] .Springer, 33-47.

[39] Rasmussen T K,Krink T. Improved Hidden Markov Model training for multiple sequence alignment by a particle swarm optimization--evolutionary algorithm hybrid[J] .Biosystems, 2003, 72 (1-2): 5-17.

[40] Eberhart C，Hu R X. Human tremor analysis using particle swarm optimization[C] : Proceedings of the IEEE Conference on Evolutionary Computation, 1999.Piscataway , NJ : IEEE Service Center, : 1927-1930.

[41] Unger Ron, Moult John. Genetic Algorithms for Protein Folding Simulations[J] . J. Mol. Biol, 1993, (231): 75-81.

[42] 閻德勁,周德儉,黃春躍,等.基于遺傳算法的表面組裝電子元件熱布局優(yōu)化[J] . 電子機(jī)械工程, 2007, 23 (2):12-17.

[43] 朱科,劉紅麗,甄玉云.基于 PID 神經(jīng)網(wǎng)絡(luò)的智能溫度儀表研究[J] . 湖北工業(yè)大學(xué)學(xué)報(bào), 2008, 23 (3): 71-73.

[44] 蔡苗,楊道國(guó).基于BP 神經(jīng)網(wǎng)絡(luò)的模塑封電子器件優(yōu)化設(shè)計(jì)[J] . 電子元件與材料, 2009, 28 (8): 71-74.

[45] 林國(guó)華,殷奎喜.反饋神經(jīng)網(wǎng)絡(luò)卷積碼解碼器在光纖通信中的研究[J] . 現(xiàn)代電子技術(shù), 2007, (7): 97-99.

[46] Uckun S.Managing Genetic Search in Job Shop Scheduling[J] . IEEE Expert, 1993, (10): 15-24.

[47] Onwubolu G C,Clerc M. Optimal path for automated drilling operations by a new heuristic approach using particle swarm optimization[J] . International Journal of Production Research, 2004, 42 (3): 473-491.

[48] Thompson A,Layzell P,Zebulum R S. Explorations in design space: unconventional electronics design through artificial evolution[J] . Evolutionary Computation, IEEE Transactions on, 1999, 3 (3): 167-196.

[49] Marwah M,Li Y,Mahajan RL. Integrated Neural Network Modeling For Electronic Manufacturing[J] . Journal of Electronics Manufacturing, 1996, 6 (2): 79-91.

[50] 浦金歡,殷承良,張建武.遺傳算法在混合動(dòng)力汽車控制策略優(yōu)化中的應(yīng)用[J] . 中國(guó)機(jī)械工程, 2005, 16 (7):648-652.

[51] 齊占寧,陳全世,趙六奇.基于遺傳算法的燃料電池車控制策略優(yōu)化[J] . 公路交通科技, 2004, 21 (4): 93-96.

[52] 石坤,魏鋒濤,任雷雷. 基于改進(jìn)遺傳算法的帶傳動(dòng)優(yōu)化設(shè)計(jì)[J] . 機(jī)械, 2006, 33 (2): 18-20.

[53] 侯勇,趙濤.基于遺傳算法的汽車懸置系統(tǒng)優(yōu)化軟件開發(fā)[J] .北京工業(yè)職業(yè)技術(shù)學(xué)院學(xué)報(bào), 2009,8 (3): 32-35, 39.

[54] 谷明起.輕型車半主動(dòng)懸架蟻群PI姿態(tài)控制算法的研究[D] .吉林大學(xué), 2007.

[55] 許翔,畢小平.基于遺傳算法的車用散熱器優(yōu)化設(shè)計(jì)[J] .裝甲兵工程學(xué)院學(xué)報(bào), 2008, 22 (5): 28-31.

[56] Alan C S. Test And Evaluation by genetic Algorithms[J] .IEEE Expert, 1993, (10): 10-13.

[57] Moreno J,Ortuzar M E, Dixon J W. Energy-management system for a hybrid electric vehicle, using ultracapacitors and neural networks[J] . Industrial Electronics, IEEE Transactions on, 2006, 53 (2): 614-623.

[58] Jeme? S, Hissel D, Péra M C, et al. On-Board Fuel Cell Power Supply Modeling On the Basis of Neural Network Methodology[J] . Journal of Power Sources,2003,124 (2):479-486.

[59] 劉傳云,馬運(yùn)義,劉明靜,等.多種群變異遺傳算法在艦船概念方案設(shè)計(jì)中的應(yīng)用[J] .船海工程,2009, 38 (5): 13-15.[60] 張群站.基于蟻群算法的集裝箱船結(jié)構(gòu)優(yōu)化設(shè)計(jì)[D] .天津大學(xué)建工學(xué)院, 2007.

[61] 覃峰,詹志剛,楊波,等.基于遺傳算法的船舶推進(jìn)系統(tǒng)船、機(jī)、槳匹配優(yōu)化設(shè)計(jì)[J] . 武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版), 2003, 27 (1): 50-52.

[62] 謝春玲,戴景民,施小成.基于遺傳算法的船用核動(dòng)力裝置故障診斷[J] .中國(guó)造船, 2006, 48 (2): 111-115.

[63] Lee Tzung-Hang, Cao Yusong, Lin Yen-Mi. Dynamic positioning of drilling vessels with a fuzzy logic controller[J] . International Journal of Systems Science,2002, 33 (12): 979-993.

[64] Serapi?o Adriane, Mendes José.Classification of Petroleum Well Drilling Operations with a Hybrid Particle Swarm/Ant Colony Algorithm[J] . Next-Generation Applied Intelligence, 2009:301-310.

[65] Mcgookin E W, Murray-Smith D J, Li Y, et al. Ship Steering Control System Optimisation Using Genetic Algorithms[J] . Control Engineering Practice, 2000, 8 (4):429-443.

[66] Okada T,Neki I.Utilization of Genetic Algorithm for Optimizing the Design of Ship Hull Structures[J] . Naval architecture and ocean engineering, 1993, (31): 71-83.

[67] Chakraborti N. Genetic algorithms in materials design and processing[J] . International Materials Reviews, 2004, 49(3-4): 246-260.

[68] Weile D S,Michielssen E. Genetic algorithm optimization applied to electromagnetics: a review[J] . Antennas and Propagation, IEEE Transactions on, 1997, 45 (3): 343-353.

[69] Bhadeshia H K D H. Neural Networks in Materials Science[J] . ISIJ International,1999, 39 (10): 966-979.

[70] 汪忠柱,吳先良,威沙.基于加速遺傳算法的多層微波吸收材料的優(yōu)化設(shè)計(jì)[J] .磁性材料及器件, 2009, 40 (1):28-31, 34.

[71] 宋迎東,孫杰,孫志剛,等.基于遺傳算法的復(fù)合材料細(xì)觀結(jié)構(gòu)拓?fù)鋬?yōu)化設(shè)計(jì)[J] .固體力學(xué)學(xué)報(bào), 2009, 30 (4):416-423.

[72] 穆朋剛,趙美英,劉關(guān)心,等.蟻群算法在復(fù)合材料層合板優(yōu)化設(shè)計(jì)中的應(yīng)用[J] . 機(jī)械強(qiáng)度, 2009, 31 (3): 410-413.

[73] Aickelin U,Greensmith J,Twycross J. Immune system approaches to intrusion detection–a review[J] . Artificial Immune Systems, 2004,: 316-329.

[74] Wang J,Zhang D,Shi X,et al. Adaptive Web Intrusion Detection Based On Immune and Fuzzy Logic[J] . Mind and Computation, 2002, 3 (1): 21.

[75] 劉琴,黃摯雄,李志勇.遺傳算法在電子商務(wù)協(xié)商優(yōu)化問(wèn)題中的應(yīng)用[J] . 現(xiàn)代計(jì)算機(jī), 2006, (245): 39-42.

[76] 韓冰青,汪加才.基于粒子群優(yōu)化算法求解軟件可靠性分配問(wèn)題[J] .計(jì)算機(jī)應(yīng)用與軟件, 2005, 22 (7): 27-28, 58.

[77] 邵雄凱,梁云靜,劉建舟.基于遺傳算法的主題信息搜索研究[J] . 網(wǎng)絡(luò)安全技術(shù)與應(yīng)用, 2009, (11): 57-60.

[78] Handl J, Meyer B. Improved ant-based clustering and sorting in a document retrieval interface[M] //Parallel Problem Solving from Nature— PPSN VII. 2002:913-923.

[79] Jennings A,Higuchi H. A personal news service based on a user model neural network[R] . Iwaoka, Kobe, Japan:Kansai Advanced Research Centre, Communications Research Laboratory.

[80] Canfora Gerardo,Di Penta Massimiliano,Esposito Raffaele,et.al. An approach for QoS-aware service composition based on genetic algorithms[C] :Proceedings of the 2005 conference on Genetic and evolutionary computation,Washington DC, USA, 2005. ACM New York, NY, USA:1069-1075.