一种双种群进化规划算法

在分析了导致进化规划算法早熟原因的基础上,提出了一种新的双群进化规划算法.在该算法中,进化在两个不同的子群间并行进行,通过使用不同的变异策略,实现种群在解空间具有尽可能分散的探索能力的同时在局部具有尽可能细致的搜索能力.通过子群重组实现子群间的信息交换.对该算法性能进行的理论分析以及基于典型算例的数字仿真均证明该算法具有更好的性能.     

基于差异信息融合算法的网络资源信息优化搜索途径探究

由于不同属性的网络资源信息无法融合,造成用户无法访问其它属性的网络资源信息搜索。为了避免造成网络资源信息搜索孤立点的现象,本文建立统一的网络基础结构,设置网络资源信息搜索三层结构,基于差异信息融合算法的网络资源信息搜索优化方式,将用户申请进行有效处理,根据用户申请,从海量信息中搜索用户需要的信息,并将其传递到客户端。实验证明,该算法有效提高了差异化网络资源平台的信息搜索效率。     

基于小波精英解学习和多角度搜索的新型阴阳平衡优化算法

针对基本阴阳平衡优化算法计算精度低和优化速度慢等问题,提出一种新型阴阳平衡优化算法.首先,设计小波精英解学习策略,充分利用精英解的进化信息产生高质量的解,用于算法的全局勘探和局部开发;然后,将搜索角度引入解更新方程中,以实现对算法搜索空间的全方位搜索,并对所提出算法的收敛性进行理论分析;最后,采用连续优化测试函数和瓶颈旅行商问题进行数值实验,并将所提出算法与多种智能优化方法进行比较.实验结果表明,所提出算法具有更好的优化性能.     

基于D-S的粒子群算法

粒子群优化(Particle Swarm Optimization,PSO)算法是一类性能优越的寻优算法.但由于早熟问题,影响了算法性能的发挥.针对这一问题,通过获取粒子群的状态信息,来控制PSO进化过程,是一种有效的PSO改进方法.但现有的方法是从单一的角度来描述粒子群进化状态,使用时还具有一定的局限性.为了更进一步发挥PSO算法的优越性能,充分考虑了粒子群进化状态中的不同信息,根据证据融合理论,提出一种PSO算法(称为DS_PSO).首先根据全局和局部搜索的要求,把算法分为不同的搜索模式;然后,在进化过程中,对描述粒子群的不同参数进行D-S融合.根据融合结果,确定粒子群状态,选择合适的搜索模式.对测试函数的仿真实验表明,与对比方法相比较,DS_PSO算法具有更好的收敛精度和更快的进化速度.     

一种混沌差分进化和粒子群优化混合算法*

为了改善差分进化粒子群算法的局部搜索能力和收敛速度,提出了一种混沌差分进化的粒子群优化算法。该算法利用信息交换机制将两组种群分别用差分进化算法和粒子群算法进行协同进化,并且将混沌变异操作引入其中,加强算法的局部搜索能力。通过对三个标准函数进行测试,仿真结果表明该算法与DEPSO算法相比,全局搜索能力、抗早熟收敛性能及收敛速度大大提高。     

基于遗忘策略的双群进化规划算法

在分析导致进化规划算法早熟原因的基础上,提出了一种基于遗忘策略的双群进化规划算法.在该算法中,进化在两个不同的子群间并行进行,其中一个子群使用遗忘策略不断淘汰和更新个体以实现在变量空间中足够分散的探索,另一个子群使用指数递减的高斯变异算子以实现在子群所在的局部尽可能细致搜索.通过种群重组实现子群间的个体与信息交流.基于典型算例的数字仿真证明该算法具有更好的全局收敛性,更快的收敛速度和更强的鲁棒性.     

混合模式搜索的分布式memetic差分进化算法

针对差分进化（DE）算法存在的早熟收敛与搜索停滞的问题,提出memetic分布式差分进化（DDE）算法。将memetic算法的思想融入到差分进化算法中,采用分布式的种群结构以及memetic算法中的混合策略,前者将初始种群分为多个子种群,子种群间根据冯·诺依曼拓扑结构周期性地实现信息交流,后者将差分进化算法作为进化的主要框架,模式搜索作为辅助手段,从而平衡算法的探索与开发能力。所提算法充分利用了模式搜索和差分进化算法的优势,建立了有效的搜索机制,增强了算法摆脱局部最优的能力,能够满足搜索过程对种群多样性及收敛速度的需求。将所提算法与几种先进的差分进化算法相比较,对标准测试函数进行优化的实验结果显示：所提算法在解的质量和收敛性能方面,均优于其他几种相比较的先进的差分进化算法。     

针对动态目标的多无人机协同组合差分进化搜索方法

针对多无人机动态目标协同搜索问题,提出一种组合差分进化无人机协同搜索航迹规划方法.建立动态目标协同搜索环境信息图模型及无人机运动模型.基于改进差分蝙蝠算法和自适应差分进化算法,设计基于种群数量自适应分配的组合框架,将差分进化算法中的变异、交叉和选择机制引入蝙蝠算法,构建组合差分进化算法的协同搜索算法,并对无人机动态目标协同搜索的航迹进行优化.针对待搜索目标轨迹随机多变且具有规避侦察特性的现实场景,建立可回访数字信息图和自适应目标搜索增益函数,从而提高无人机对动态目标的捕获能力.最后,通过仿真结果验证所提出的无人机动态目标协同搜索算法的有效性.     

一种面向大规模P2P系统的快速搜索算法

提出一种面向大规模P2P系统的概率搜索小组(probabilistic search team,简称PST)算法.各节点首先发布本节点的资源共享信息,并基于分布式丢弃Bloom Filter技术(distributed discarding bloom filter,简称DDBF)对从其他节点收到的信息进行保存和转发PST算法把RW算法中漫步者的概念扩充为搜索小组通过聚合各小组在搜索过程中获得的资源信息,PST算法实现了多个小组之间相互协同的并行搜索.分析模拟结果表明,PST算法在保持低定位开销的同时取得了较好的定位性能.     

一类新型差分进化算法范式

提出了一类新差分进化算法范式,其核心内容是提出了一种基于动态邻居搜索的进化模式,平衡局部和全局搜索之间的矛盾,同时探讨了种群拓扑结构对其通讯和信息继承和扩散的影响,用基于该范式的一种具体算法对8经典测试函数进行了实验。仿真结果表明,与传统的差分进化算法相比较,该算法的求解质量、稳定性及其速度等方面均具有明显的优势。     

基于状态空间模型进化算法的全局收敛性分析

基于状态空间模型进化算法(SEA)是一种新颖的实数编码进化算法,在工程优化问题中具有广阔的应用前景。为了完善SEA的理论体系,促进SEA在工程优化问题中的应用研究,利用齐次有限Markov链对SEA的全局收敛性进行分析, 证明了SEA不是全局收敛的。通过限定SEA状态进化矩阵内元素的取值范围,同时引入弹力搜索得到改进型弹力状态空间模型进化算法（MESEA）。分析结果表明,弹力搜索能提高SEA的搜索效率。最后得到了MESEA全局收敛的结论,为算法在工程优化问题中的应用提供了理论依据。     

Solution of multiobjective optimization problems: coevolutionary algorithm based on evolutionary game theory

When attempting to solve multiobjective optimization problems (MOPs) using evolutionary algorithms, the Pareto genetic algorithm (GA) has now become a standard of sorts. After its introduction, this approach was further developed and led to many applications. All of these approaches are based on Pareto ranking and use the fitness sharing function to keep diversity. On the other hand, the scheme for solving MOPs presented by Nash introduced the notion of Nash equilibrium and aimed at solving MOPs that originated from evolutionary game theory and economics. Since the concept of Nash Equilibrium was introduced, game theorists have attempted to formalize aspects of the evolutionary equilibrium. Nash genetic algorithm (Nash GA) is the idea to bring together genetic algorithms and Nash strategy. The aim of this algorithm is to find the Nash equilibrium through the genetic process. Another central achievement of evolutionary game theory is the introduction of a method by which agents can play optimal strategies in the absence of rationality. Through the process of Darwinian selection, a population of agents can evolve to an evolutionary stable strategy (ESS). In this article, we find the ESS as a solution of MOPs using a coevolutionary algorithm based on evolutionary game theory. By applying newly designed coevolutionary algorithms to several MOPs, we can confirm that evolutionary game theory can be embodied by the coevolutionary algorithm and this coevolutionary algorithm can find optimal equilibrium points as solutions for an MOP. We also show the optimization performance of the co-evolutionary algorithm based on evolutionary game theory by applying this model to several MOPs and comparing the solutions with those of previous evolutionary optimization models. This work was presented, in part, at the 8th International Symposium on Artificial Life and Robotics, Oita, Japan, January 24#x2013;26, 2003.     

一种基于偏好的多目标调和遗传算法

最近涌现了各种进化方法来解决多目标优化问题,多数方法使用Pareto优胜关系作为选择策略而没有采用偏好信息.这些算法不能有效处理目标数目许多时的优化问题.通过在不同准则之间引入偏好来解决该问题,提出一种多目标调和遗传算法MOCGA(multi-objective concordance genetic algorithm).当同时待优化的目标数目增加时,根据决策者提供的信息使用弱优胜关系进行个体优劣的比较.这种算法被证明为能收敛至全局最优.对于目标数目为很多的优化问题,测试实验结果表明了这种新算法的有效性.     

约束进化算法及其应用研究综述

约束优化问题广泛存在于科学研究和工程实践中,其对应的约束优化进化算法也成为了进化领域的重要研究方向。约束优化进化算法的本质问题是如何有效地利用不可行解和可行解的信息,平衡目标函数和约束条件,使得算法更加高效。首先对约束优化问题进行定义;然后详细分析了目前主流的约束进化算法,同时,基于不同的约束处理机制,将这些机制分为约束和目标分离法、惩罚函数法、多目标优化法、混合法和其他算法,并对这些方法进行了详细的分析和总结;接着指出约束进化算法亟待解决的问题,并明确指出未来需要进一步研究的方向;最后对约束进化算法在工程优化、电子和通信工程、机械设计、环境资源配置、科研领域和管理分配等方面的应用进行了介绍。     

融合Powell搜索法的粒子群优化算法

为了进一步提高多模态函数寻优的效率,提出一种融合Powell搜索法的粒子群优化算法.将PSO算法的全局搜索能力与Powell法的强局部寻优能力有机地结合起来,在保证求解速度,尽可能找到全部极值点的同时提高了解的精确性.由于该算法只利用了函数值信息而不需要计算导数,是求解可微和不可微多模态函数优化问题的通用方法.仿真实验表明了新混合算法的有效性.     

基于曲率信息的人工蜂群点云配准算法

针对仅使用群智能优化算法及点云空间信息进行点云配准时,优化过程寻找两片点云对应点耗时较长,收敛速度较慢的缺点,提出一种基于曲率信息的人工蜂群点云配准算法。算法根据曲率信息提取特征点,通过改进人工蜂群算法优化目标函数得到可以使两片点云重合的最佳变换矩阵。在种群优化过程中根据曲率信息约束对应点寻找范围,缩小参与计算点云的规模。对比实验表明,与仅采用随机选点方法和使用点云空间坐标信息的配准算法等相比,所提出算法可以在不降低配准精度的同时,有效加快配准收敛速度,显著缩短点云配准所用时间。     

基于参考点选择策略的改进型NSGA-III算法

针对多目标进化算法忽视种群在决策空间的分布信息,未考虑待优化问题Pareto前沿形状的问题,文中提出基于参考点选择策略的改进型NSGA-III算法.首先,根据种群在决策空间的分布特征,借助信息论中的熵思想,计算相邻两代种群的熵差,判定种群的进化阶段.然后,根据种群在目标空间的分布特征,借助参考点关联个体数目的统计信息,评估参考点的重要性.最后,在种群进化的中后期,依据参考点的重要性特征剔除冗余的无效参考点,使保留的参考点适应种群规模与Pareto前沿面,利用筛选后的参考点引导种群进化方向,加快算法收敛及优化效率.在测试函数集上的对比实验表明,文中算法在收敛性和分布性上均较优.     

采用捕鱼策略的优化方法

引入一种采用渔夫捕鱼策略的新的优化方法。该优化方法主要采用移动搜索、收缩搜索和加速搜索三种搜索技术。设初始时在搜索域中随机分布有若干个点,每个点看作一个“渔夫”,每个“渔夫”通过移动、收缩和加速三种搜索方式在搜索空间中独立开展寻优活动,以搜寻全局的最优解或最优点。测试结果表明,该算法具有较好的全局搜索能力,因而该优化方法是有效的和可行的。     

使用进化神经网络进行文本自动分类

人工神经网络是一种有效的文本分类技术,但网络本身的不确定性使得很难找到合适的网络。本文提出粒子群优化算法优化神经网络,使得该网络在进化过程中自适应地调节其连接权重和网络结构。首先把文本集合表示为向量空间;然后使用信息增益算法选择特征项,使用特征项频率-倒排文档频率计算特征项权值;最后使用进化神经网络对中文文本进行自动分类。实验结果表明,与原BP神经网络相比,进化BP神经网络的分类效果更好。     

用于求解约束优化问题的自适应佳点集进化算法

提出一种用于求解约束优化问题的自适应佳点集进化算法.新算法利用佳点集原理设计多点交叉算子,该交叉算子能够根据父代个体的相似度自适应调整交叉点的位置和子代个体的数目,产生具有代表性的子代个体.在约束处理技术上,改进了Deb的三条比较准则,提出一种新的适应度函数用于比较个体优、劣的比较准则.通过对13个标准测试函数的试验比较验证了新算法的有效性和稳健性.