一种模块化进化神经网络方法

提出一种新的模块化进化神经网络方法,用于大规模或复杂问题的神经网络设计。该方法强调对已获得解网络的继续承和利用,网络的进化是由基本网络模块的进化学习和基于模块网络的集成两部分构成。实验结果表明,本方法使大规模网的进化学习难度大大降低,进化学习速度明显提高,是一种实用有效的方法。     

基于遗传算法的最小生成树算法

以图论和遗传算法为基础 ,提出了一种求最小生成树的改进遗传算法 .该算法采用二进制编码表示最小树问题 ,用深度优先搜索算法进行图的连通性判断 ,并设计出相应的适应度函数、单亲换位算子和单亲逆转算子以及四种控制性进化策略 ,以提高算法执行速度和进化效率 .与Kruskal算法相比 ,该算法能在一次遗传进化过程中获得一批最小生成树 ,适合于解决不同类型的最小树问题     

一种求解作业车间调度问题的协同进化算法

提出一种用协同进化遗传算法求解作业车间调度问题的新方法.车间调度问题用传统的启发式算法很难求得最优解.协同进化遗传算法模拟生物界物种之间的竞争、捕食、共生及其相互作用下,各物种协同进化,使整个生态系统由低级向高级进化的过程.协同进化算法与传统的遗传算法相比,不仅加快了算法的收敛速度,且可提高算法的搜索能力,避免算法陷入局部最优.特殊的交叉操作更使所求得的解都为合法解.实例证明协同进化遗传算法是行之有效的算法.     

引入模拟退火机制的新型遗传算法

提出了一种将遗传算法与模拟退火算法相结合的新搜索算法。该算法以遗传算法运算流程作为主体流程,并把模拟退火机制融入其中,用以调整优化群体。在进化过程中使用了保留策略,以保存适应度较好的个体。在模拟退火算法的跳变操作过程中使用类似遗传算法变异来实现,先作置反操作,再作前后等长交换操作,以防止陷入局部最优。实验表明,该算法与传统遗传算法相比,提高了进化速度和全局寻优能力。     

一种改进的遗传算法进化有限状态机

提出了一种改进的遗传算法,针对有限状态机中输出矢量与状态转移相关的特性,将配置有限状态机的染色体分解为状态转移基因和输出矢量基因进行分阶段的进化实验。实验结果表明同传统的进化算法相比,这种分阶段进化的遗传算法降低了有限状态机进化过程中的复杂度,有效地提高了进化性能。     

函数优化问题的动态并行量子遗传算法

针对传统量子遗传算法在解复杂连续函数优化中存在的早熟收敛、收敛速度慢、计算时间长的问题,提出一种解复杂连续函数优化问题的动态并行量子遗传算法(DPQGA)。采用多种群协同进化,每个子种群按照各自的进化目标在不同的搜索区域进化,形成并行搜索方式,加快算法收敛速度,避免早熟收敛;同时设计了一种新的动态量子旋转角的更新策略及量子门调整策略,减少算法的迭代次数;在最优解连续数代无变化时引入灾变算子,使种群保持良好的多样性。通过对5个测试函数的仿真,结果表明,该算法搜索到的最优解较QGA算法更优。与已有算法相比,该算法在收敛速度、迭代次数、全局寻优能力上都有了较大的改进和提高。     

基于种群成熟度的修正遗传算法

提出了一种基于种群成熟度的修正型遗传算法.在该算法中,提出一种新的对个体选择进行交叉的方法.同时分析了遗传算法出现早熟情况的机理.为了避免遗传算法的过早收敛问题,在遗传算法的进化过程中计算和判断种群的成熟度,为种群提供了双进化模式.实验结果表明,新算法不仅提高了算法的精度,而且能克服GA算法中出现的"早熟"现象,是一种提高遗传算法性能的有效改进算法.     

基于竞争协同进化的改进遗传算法

针对标准遗传算法中的早熟收敛现象,提出一种基于竞争协同进化的改进遗传算法.该算法根据个体与对手竞争的表现来衡量个体的生存能力,生存能力由个体所击败对手的数量和优秀程度决定,个体在击败更多更优对手的努力中逐步进化.函数优化实验结果表明,该算法收敛速度快,且能有效保留种群多样性,与标准遗传算法及其他多种群遗传算法相比,能有效减轻早熟收敛现象.     

改进的DNA遗传算法在指派问题中的应用

提出了一种基于优秀基因片段思想的DNA遗传算法,将这段基因片段提取出来并将它遗传到后代中,可以加快收敛速度.给出了DNA遗传算法的结构,讨论了选择、交叉和变异算子的具体操作,并将其运用到指派问题最优解的求解中,给出了具体的实现方法.仿真实验验证了算法的有效性和实用性.     

一种改进的进化规划算法在原料库存优化中的应用

库存控制是现代企业,特别是连续生产企业物流管理的一项重要内容.针对某有色冶金企业原料库存的实际情况,建立一个以资金损耗最小为直接性能指标的原料库存优化模型,并利用一种进化规划的算法对该模型进行优化.仿真及实际运行结果表明:进化规划算法有效地克服了传统遗传算法容易早熟收敛的缺点,具有全局收敛性,同时还能加快遗传进化的速度,得到令人满意的全局最优解.     

基于改进的思维进化算法的宽带阻抗变换器设计

针对传统阻抗变换器设计中可能出现的理论设计与实际实现的矛盾,给出了宽带阻抗变换器参数优化设计的数学模型,提出了一种改进的思维进化算法,设计了改进的自适应趋同算子,讨论了符合微带线电路优化的适应度函数,给出了基于思维进化算法的宽带阻抗变换器的优化步骤,并利用Matlab仿真平台对不均匀宽带阻抗变换器进行了优化设计,得到了满意的设计参数.改进的思维进化算法的优化结果同基本遗传算法和传统的Chebyshev计算结果相比较,电压驻波比在通频带内保持较低值,尺寸相对较小,取得了较好的优化效果.同时也验证了本文方法在多变量类型优化问题的可行性和优越性.     

改进思维进化算法在过热汽温系统中的应用

应用改进的思维进化算法优化PID参数。思维进化算法的子群体间彼此独立操作,因此会有重复操作,重叠的区域,因而造成资源浪费。将小生境技术引入到思维进化算法。它对群体进行划分,减少重复搜索,保持群体的多样性,提高搜索效率。通过对具有严重参数不确定性、多扰动以及大迟延的电厂主汽温被控对象的仿真研究,结果表明:改进的思维进化算法寻优速度快,计算量小,对PID参数优化是非常有效的,使得主汽温控制系统取得了较好的控制品质,系统的鲁棒性比较强。     

连续蚁群优化算法的研究

针对蚁群优化（ACO）只适用于离散问题的局限性，提出了连续蚁群优化算法（CACO）,保留
了连续问题可行解的原有形式，并融入演化算法（EA）的种群与操作功能。CACO将蚁群分工为全局和局部
蚂蚁，分别引领个体执行全局探索式搜优与局部挖掘式搜优，并释放信息素，由个体承载，实现信息共享
，形成相互激励的正反馈机制，加速搜优进程。实例测试表明，CACO适用于连续问题，全局寻优性能良好
，尤其对复杂的高维问题，更能反映其相对优势。最后讨论了局部寻优方法、全局蚂蚁配比、挥发因子和
种群规模等因素对CACO寻优性能的影响。     

复参扰演化系统的分形变形方法研究

为了生成更多具有新型结构特征的分形图，提出了复参扰演化系统的分形变形算法. 该算法通过建立含6个扰动控制参数的复参扰演化系统的基本数学模型，采用周期检测法计算复参扰演化系统在给定复平面区域内各离散点的周期值，并根据周期值定义各点的颜色.利用由6个变形控制参数构成的二维变形收缩因子对各离散点进行位置变换，并保持其颜色属性不变，生成最终的分形图.实验结果表明，该算法通过扰动控制和变形控制共12个参数的引入，实现了对复动力系统分形集整体结构和局部细节的有效控制，且算法具有简单、快速和可控强的优点.     

基于多目标遗传算法的模拟电路进化设计方法

提出一种面向电路进化设计的多目标自适应遗传算法,利用均匀设计技术合成多个适应度函数以提高搜索方向的空间均匀性,利用基于元件标称值的网表形式高效编码方案来支持电路结构自动生成和提高设计结果的实用性,利用基于均匀设计的多个体交叉算子来提高交叉操作的效率和采样均匀性,利用跟随遗传进程并区别不同基因位的遗传概率调整策略来提高进化效率和全局收敛率．实验结果表明,该方法可用较小的运算量获得符合设计目标的多种设计结果．     

利用自适应遗传算法实现模拟电路自动设计

简述模拟电路进化设计的研究现状,提出一种新的自适应遗传算法．利用基于典型电路结构和元件取值标准化的高效编解码方案,以及权值动态调整的多目标适应度评估方法,考虑基因位影响力并跟踪进化进程的遗传参数调整策略等,可根据设计目标自动优化元件的类型和取值．这种新方法能显著减小运算量,提高设计结果的实用性．     

一种求解约束优化问题的进化规划型文化算法

为了求解复杂约束优化问题,提出了一种新的进化算法——进化规划型文化算法。求解过程中,在基于自适应的文化算法中引入进化规划,有效利用进化过程中相关知识引导种群进化。针对约束优化问题,对这一算法的信念空间进行了设计,并利用基准函数和丁烯烷化生产调度问题进行了仿真,仿真结果表明该算法具有较好的全局搜索能力,而且大大减少了计算量。     

多目标遗传局部搜索算法的研究进展

在分析了由演化算法局部搜索能力差造成的多目标演化算法在收敛速度和求解精度上尚不能令人满意的局限性的基础上，详细地论述了融入局部优化方法的多目标混合演化算法能够有效地平衡算法的全局搜索与局部搜索能力、均衡搜索效率与效果，而且已成为求解多目标优化问题的一个非常重要而有前途的研究方向。其次，综述了多目标遗传局部搜索算法的研究进展与分类。最后，简单介绍了一些具有代表性的多目标遗传局部搜索算法，并提出了其有待进一步研究的若干方向和内容。     

渐进演化类拓扑优化算法的优化准则对比研究

渐进演化类拓扑优化算法的优化准则是影响结构优化结果的关键因素之一。以不同荷载和边界条件下的深梁模型为数值算例，比较了基于不同优化准则的3种算法在优化解和优化效率上的差别。结果表明：对于荷载和边界等条件较简单的构件，采用单向和确定性优化准则的渐进演化类拓扑优化算法能高效地得到最优拓扑，采用概率性优化准则和采用双向优化准则的渐进演化类拓扑优化算法有着更广的适用范围，在荷载和边界等条件较复杂的构件上，同样表现出较强的避免优化畸变的能力和全局寻优能力。对结合概率性优化准则和双向优化准则的遗传双向渐进演化结构优化算法建立了流程图，并进行初步讨论，以期进一步提高渐进演化类拓扑优化算法的实用性和寻优能力。