多空间协同进化的自然计算方法

在自然计算方法中,种群规模大,计算复杂度高;种群规模小,容易陷入局部最优.本文提出多空间协同进化(Multispace Coevolution,简称MSC)的自然计算方法,该方法适用于各种基于种群进化的优化算法,不依赖于算法进化的具体步骤,具有普适性.在传统的生物种群进化的基础上,将大种群分解为个数有限的小种群,部分小种群组成进化空间,另一部分构成指导空间,两个空间拥有不同的功能,指导空间通过特定的信息传递方式将经验概括信息传递到进化空间,从而使整个种群协同进化.将该策略分别应用到粒子群优化算法(PSO)和遗传算法(GA)中,并与标准粒子群算法、遗传算法以及目前主流的针对大规模问题进行优化的7个算法对比,在高维测试函数中,结果表明,寻优性能方面新的种群进化算法相比其他算法提高80%左右,具有普适性.     

用带蚁群搜索的多种群遗传算法求解作业车间调度问题

结合遗传算法和蚁群算法的优点，提出一种带蚁群搜索的多种群遗传算法．多个种群各自遗传进化，用蚁群搜索得到的解替代各种群中的较劣个体，增加种群的多样性，提高种群的质量；根据各种群最优个体设定初始信息素，大大缩短信息素的累积过程，加快蚁群搜索的速度．利用算法对典型作业车间调度问题进行求解,仿真计算结果表明,该算法是有效的.     

多约束QoS移动IP最优路由的求解

提出了一种改进的分布式遗传算法（EDGA）和链路编码方法用于解决多约束服务质量（QoS）移动IP最优路由选择问题。将分布式遗传算法和Cascade模型相结合，在迁移算子部分设计一个中心监控器，观察每个子种群的进化，并对迁移个体的选择以及相应子种群的大小做出调整，使进化能力好的子种群得到更大的空间来搜索最优值。实验结果表明，该EDGA算法在求解速度和质量上取得了较大的改善。     

基于寿命的变种群模糊遗传算法

针对简单遗传算法存在早收敛和在进化后期搜索效率较低的缺点，提出了一种种群数变化的模糊遗传算法．该算法对进化种群数进行宏观调控的同时，再用个体寿命限制个体的生存期，实现对种群数的微观调控．并采用模糊控制器控制交叉率，使其能够根据进化的实际情况自动调整．实验数据表明这种方法能够有效防止早收敛，大大改善遗传算法收敛性能．     

基于多种群的自适应免疫进化计算

将免疫思想同思维进化计算相结合，提出一种新的基于多种群的自适应免疫进化算法（IABM），算法定义了选择、记忆、克隆、超变异、抑制5种基本算子．试验结果表明该算法具有高效的收敛速度，并能收敛到全局最优点．与多种群遗传算法和思维进化计算相比，IABM收敛速度更快，收敛率更高．     

一种新的自适应免疫进化算法

根据生物免疫系统的免疫网络调节机理，提出了一种新的自适应免疫进化算法．该算法按照抗体激励水平进行选择操作；同时建立优秀抗体记忆库，并采用种群自适应调节策略，保持了进化抗体群的多样性．试验表明，该算法比标准遗传算法的收敛性能好，能有效避免遗传算法种群多样性保持能力不足和早收敛的缺点．     

具有非对称移民的动态分布式遗传算法

提出一个管理分布式种群的新方法：实时监控子种群的进化，动态调整子种群的规模，以使整个算法的效率和稳定性最大化。还对不同的控制策略进行了比较，对相关问题进行了详细的讨论。     

一种改进的蜜蜂进化型遗传算法

提出了一种改进的蜜蜂进化型遗传算法。在该算法中,通过分析随机种群规模对算法收敛性能的影响,可以发现在算法的搜索过程中,对随机种群规模的需求是随群体状态的演变而动态变化的。为实现对随机种群规模的优化,提出使用分阶段调整的策略对随机种群规模进行动态调控,由于随机种群规模的渐进式变化,不但保证了种群的多样性,同时提高了算法的收敛速度和精度。对典型高维函数的优化实验结果表明了算法的有效性和可行性。     

改进遗传算法在地层对比中的应用

针对简单遗传算法存在早收敛和在进化后期搜索效率较低的缺点,提出了一种变参数的遗传算法。该算法对种群的个体赋予寿命,并根据寿命对遗传算法的选择、交叉和变异算子以及种群规模自动调整,能够有效防止早收敛并改善遗传算法收敛性能。并用改进的遗传算法解决基于测井曲线的地层对比的问题,取得了较好效果,验证了算法可用性和高效性。     

一种基于自主计算的双种群遗传算法

针对多种群遗传算法在处理复杂多峰函数优化问题时效率低下、容易早熟收敛等缺点,提出一种基于自主计算的双种群遗传算法。双种群包括一个主种群和一个协助种群,协助种群通过系统的内、外监视器动态地向主种群传递优良个体和调整迁移间隔,以帮助主种群进化,并改进适应度函数防止迁移者过早死亡以保持种群多样性。实验结果证明,该算法优于标准遗传算法和双种群的多种群遗传算法。     

改进自适应多种群NSGA-Ⅲ算法的研究

针对第三代非支配排序遗传算法(non-dominated sorting genetic algorithm-Ⅲ,NSGA-Ⅲ)在处理高维多目标函数时存在收敛精度低和搜索性能差等问题,提出一种自适应多种群NSGA-Ⅲ算法。首先将传统算法的单一种群划分成四个亚种群,并为每个亚种群分配不同的交叉算子;其次提出外部最优解集(external optimal solution set,EXS)的概念,通过计算个体更新最优解集的参与量来自适应调节每个亚种群的大小;最后利用局部搜索策略提高EXS的局部搜索性能。采用四个不同的测试函数,与七种对比算法进行仿真验证,结果表明在处理高维多目标优化问题时,提出算法的性能指标整体优于其他对比算法,能够获得较好的算法收敛性和种群多样性。     

A self-organizing genetic algorithm for multimodal function optimization

A genetic algorithm (GA) has control parameters that must be determined before execution. We propose a self-organizing genetic algorithm (SOGA) as a multimodal function optimizer which sets GA parameters such as population size, crossover probability, and mutation probability adaptively during the execution of a genetic algorithm. In SOGA, GA parameters change according to the fitnesses of individuals. SOGA and other approaches for adapting operator probabilities in GAs are discussed. The validity of the proposed algorithm is verified in simulation examples, including system identification. This work was presented, in part, at the International Symposium on Artificial Life and Robotics, Oita, Japan, February 18–20, 1996     

Two coding based adaptive parallel co-genetic algorithm with double agents structure

This paper systematically proposed a multi-population agent co-genetic algorithm with double chain-like agent structure (MPATCGA) to solve the problem of the low optimization precision and long optimization time of simple genetic algorithm in terms of two coding strategy. This algorithm adopted multi-population parallel searching mode, close chain-like agent structure, cycle chain-like agent structure, dynamic neighborhood competition, and improved crossover strategy to realize parallel optimization, and has the characteristics of high optimization precision and short optimization time. Besides, the size of each sub-population is adaptive. The characteristic is very competitive when dealing with imbalanced workload. In order to verify the optimization precision of this algorithm with binary coding, some popular benchmark test functions were used for comparing this algorithm and a popular agent genetic algorithm (MAGA). The experimental results show that MPATCGA has higher optimization precision and shorter optimization time than MAGA. Besides, in order to show the optimization performance of MPATCGA with real coding, the authors used it for feature selection problems as optimization algorithm and compared it with some other well-known GAs. The experimental results show that MPATCGA has higher optimization precision (feature selection precision). In order to show the performance of the adaptability of size of sub-populations, MPATCGA with sub-populations with same size and MPATCGA with sub-populations with different size are compared. The experimental results show that when the workload on different sub-populations becomes not same, the adaptability will adaptively change the size of different sub-population to obtain precision as high as possible.     

基于自适应步长果蝇优化算法图像分割

为了解决大津法抗噪性能不佳和分割效率不足等问题,提出了一种自适应改进步长的果蝇优化算法,并对大津法图像分割阈值进行优化。根据浓度平均值变化率改变步长的果蝇优化算法,对传统的步长进行改进,前期升半柯西分布为指数变量,开始时均匀递增然后呈S状上升自适应增加步长。后期利用柯西分布容易产生远离原点的随机数作为指数的算子进行扰动,根据浓度平均值变化率自适应改变果蝇寻优步长,利于跳出局部最优解。实验证明,改进的算法在收敛速度和寻优精度上都取得了较好的结果,在对图像分割的应用中的效果也较优于其他算法。     

自适应最优保存的模拟退火遗传调度算法研究及其应用

该文对调度算法做了简单的介绍。在结合已有的模拟退火算法和遗传算法的基础上,改进了现有的遗传调度算法,自适应地保存最优个体,并对其进行模拟退火。与简单最优保存遗传调度算法进行了比较,结果表明新的算法比原有算法搜索能力更强,在跳出局部最优方面也有改进,有效地解决了原有遗传调度算法的早熟现象。     

自适应的非支配排序遗传算法

针对带精英策略的非支配排序遗传算法不能根据环境变化自适应地动态调整运行参数,难以实现对解空间的高效搜索,提出一种自适应的非支配排序遗传算法.所提出算法根据运行阶段、运行代数和当前临时种群非支配个体数动态调整进化个体的运行参数,通过提高进化算子的自适应能力使算法具有自适应性.经实验对比,所提出算法在收敛性、多样性两方面确有提升,可以有效提高原算法的搜索能力.     

Quantum Genetic Optimization

The complexity of the selection procedure of a genetic algorithm that requires reordering, if we restrict the class of the possible fitness functions to varying fitness functions, is , where is the size of the population. The quantum genetic optimization algorithm (QGOA) exploits the power of quantum computation in order to speed up genetic procedures. In QGOA, the classical fitness evaluation and selection procedures are replaced by a single quantum procedure. While the quantum and classical genetic algorithms use the same number of generations, the QGOA requires fewer operations to identify the high-fitness subpopulation at each generation. We show that the complexity of our QGOA is in terms of number of oracle calls in the selection procedure. Such theoretical results are confirmed by the simulations of the algorithm.     

改进非支配排序精英遗传算法的篦冷机参数优化

为优化篦冷机控制参数,提高换热效率,将传热和粘性耗散引起的修正熵产数分别作为目标函数,利用遗传算法对篦冷机参数进行多目标优化.为增加多目标遗传算法的种群多样性,提高算法的局部搜索能力,对传统的非支配排序精英遗传算法(NSGA-Ⅱ)进行部分功能改进.构建多种群、多交叉算子的操作模式,根据子种群对最优解集的贡献量自适应调节子种群规模,利用局部搜索算法提高算法的局部搜索能力.通过标准多目标优化问题验证所提出算法的有效性,并根据优化得到的篦冷机熵产数的最优解集,给出冷却风机功率最小的最优控制方案,通过与生产线的实际数据进行对比验证其优化效果.     

一种改进变步长LMS算法的性能研究

在对传统LMS算法、变步长LMS算法及其改进算法分析的基础上,提出了一种改进的变步长LMS算法。新算法通过建立步长因子与误差信号之间的非线性函数关系,使其初始阶段和时变阶段步长自适应增大和稳态阶段步长很小,理论分析及计算机的仿真结果表明,该算法可保证较快的收敛速度和较小的失调,能更好地解决收敛速度和稳态误差的内在矛盾,可更好地应用于自适应系统中。     

改进的自适应遗传算法及其性能研究

遗传算法的优良性能使其被广泛应用于现实许多工程领域中,但该算法由于随机搜索而带来的收敛速度慢、易产生局值、不稳定等问题,给其应用带来很大的困难.论文首先针对收敛速度慢,提出使用遗传迭代次数自适应控制选择算子,达到对收敛速度的自适应控制.其次,针对局值问题,提出一种新的改进自适应遗传策略,其交叉和变异算子能够根据前两代适应度变化进行自适应调整.最后,使用Matlab7.0对所选的函数进行优化仿真,通过比较仿真结果得出改进的自适应遗传算法在处理收敛速度和避免易产生局值方面具有较明显的优势.