改进的进化计算及其应用

改进的进化计算及其应用＠蔚承建＠何振亚￥东南大学无线电系ＤＳＰ研究室进化计算，进化模拟退火，Ｃａｕｃｈｙ分布改进的进化计算及其应用蔚承建姚何振亚（东南大学无线电系ＤＳＰ研究室南京２１００１８）关键词进化计算，进化模拟退火，Ｃａｕｃｈｙ分布１引言进化计算是一...     

一种新的计算方法:粒度进化计算

从分析进化计算的起源入手,总结了进化计算产生的根源,然后探讨了人类进化——文化进化的基本特征,模仿进化计算的来源机制,提出了粒度进化计算。如果说进化计算是模拟达尔文生物进化机制而发展起来的一种计算方法,那么粒度进化计算则是在模仿文化进化机制的基础上,综合了Agent技术以及粒度计算、进化计算的理论和方法而提出的一种计算方法。文中,从群进化和超群进化两方面来介绍粒度进化计算的基本原理和方法,并给出了基于粒度Agent系统的粒度进化递归模型。     

进化计算研究现状（上）

综述了与进化计算有关的概念和算法，并将进化计算粗略分为五个子类：进化算法、群智能、自组织网络、人工免疫系统等。然后对每个子类分别介绍其发展、概念、流程、应用等。讨论证实了进化计算的有效性、前瞻性和广阔的发展前景，对进一步的研究工作也进行了展望。     

分层交互式进化计算及其应用

针对目前交互式进化计算存在的局部搜索能力不强、效宰低下等问题，将分层的思想引入交互式进化计算，提出了分层交互式进化计算．给出了算法实施的关键问题，分析了算法的效宰．将其应用于服装设计，通过算例验证了算法的有效性．     

人类进化特征及模型研究

分析和研究了人类进化的基本特征,提出了进化计算模拟的是生物进化机制,粒度进化计算模拟的是文化进化机制的思想.在人类进化的整个过程中,生物进化和文化进化是相互影响的,其中文化进化占支配地位.提出了以 Agent 为技术支撑的粒度进化计算方法,从群进化和超群进化两个方面阐述了粒度进化计算的基本原理和方法,其中群进化是生物进化和文化进化共同作用的结果,并由此提出了基于Agent的人类进化递归模型.     

一种进化计算的抽象机器模型

本文提出了一种新的用于进化计算应用算法设计的抽象机器模型和通用性策略。这种设计方法充分反映了人工生命元进化创发性的自适应机理，有助于非线性信号自适应处理的进化计算系统的设计和开发。     

思维进化计算综述

近年来,进化计算的研究引起了人们很大的关注,它运用模拟生物进化过程的思想,生成计算机程序来解决问题。介绍了一种进化计算的新分支——思维进化计算,并对其理论、框架、算子、主要特点进行了概述,同时介绍了思维进化计算的主要应用领域,最后探讨了思维进化计算的研究方向。     

进化计算的二进制与浮点数自适应混合编码方法

提出了一种新的基于二进制码串和浮点数码串的混合编码方法，将遗传个体的每一变量编码为二进制和浮点数的混合码串，使得进化计算能结合二进制编码方法全局探索能力强的特点和浮点数编码方法局部寻优能力强的特点，在这种混合编码方法中，根据进化过程中遗传群体平均适应度的变化，自适应地改变二进制码串和浮点数码串所占比例，使得进化计算的全局探索能力和局部寻优能力得到了较好的平衡，提高了进化计算的收敛速度和全局优化收敛率，文章对一系列典型函数的优化计算实验验证了基于二进制码串和浮点数码串的混合编码的特点。     

一个适应性的人工免疫系统的软件构架

适应性是人工免疫系统（AIS，Artificia lImmune System）的重要特性之一。在AIS软件开发应用中，数据源的进化和学习算法的进化是两个有复杂关联的适应性问题。为此我们扩展并改进了已有的AIS构架，提出一个新的适应性软件构架。该构架以基因计算为中心，扩展了元基因来适应数据源的进化，并设计了可接入学习算法构件和算法验证机制来解决算法进化的适应性问题。在该构架支持下，数据源的进化独立于学习算法的设计，同时使学习算法能适用于多种数据源且能独立进化。该构架可简化AIS软件的复杂性，可提高AIS开发应用的效率，也有助于实现将来的自适应的免疫计算。     

基于进化计算的DHMM训练方法

隐马尔柯夫模型（HMM)的传统训练方法－Beum-Welch算法只能得到 一个局部最优模型，从而影响最终的识别率。对于CHMM，分段K平均方法来取得一个初始值可以解决这一问题，但对DHMM却改进不大。而基于全局搜索的进化计算的一个重要特点便是可以得到次优解乃至全局最优解。本文把进化计算引入到DHMM的训练中去，提出了一种改进的进化训练贪污，实验结果表明，这种训练方法初具了全局搜索和快速收敛的特点， 得到的模型优于传统方法和直接用进化计算所得的模型，提高了系统的识别率。     

基于融合进化计算的网格任务调度算法

在网格计算中，任务调度是一个重要的组成部分。针对网格环境异构、分布等特点，该文结合遗传算法与蚂蚁算法的优点，在双层进化结构基础上，提出了一种基于融合进化计算的网格任务调度算法。模拟实验结果表明：在网格环境下，调度算法具有明显的优势。     

一种新型的基于遗传算法的进化模糊推理系统

介绍了遗传算法和进化模糊推理系统的融合方式及结构，应用一种新型的基于遗传算法的进化模糊推理系统动态自适应的在线学习和离线学习。使用进化聚类方法，模糊规则在系统执行过程中进行创建和更新，并且采用遗传算法优化进化聚类的结果，修改成员的隶属度函数，通过模糊推理系统计算系统的输出。     

基于可进化硬件的容错技术及其原理

可进化硬件客错技术是一种模仿生物进化过程的容错方法。随着进化算法的发展和可编程器件的应用，现已成为世界各国容错计算技术领域新的研究方向。可进化硬件容错技术不是采用传统的静态冗余技术实现容错，而是利用可进化硬件本身固有的特性实现客错。本文重点论述了可进化硬件技术的两个基本要素，即进化算法和可编程器件；并分析了可进化硬件的容错原理和实现方法。     

一种新的进化计算算法模型--种群竞争消亡算法

为克服进化计算自身的早熟收敛缺陷,受自然界和人类社会进化现象的启发,文中研究得到了一种新的进化计算算法模型——种群竞争消亡算法。本文将该模型应用于温室作物生长模型的参数优化,并将试验结果与基本进化计算相比较,结果说明种群竞争消亡算法在稳定性和收敛性上确实比基本进化计算优越。     

进化计算简要综述

介绍进化计算的起源与发展历史、进化计算的特点与分类、进化计算有关研究与应用现状、进化计算有关软件与国际信息交流等方面的基本情况。     

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．     

基于遗传算法与思维进化计算的一种广义进化模型

本文在遗传算法(Genetic Algorithm，简记GA)与思维进化计算(Mind Evolutionary Computation，简记MEC)的基础上，提出了一种广义进化模型(Generalized Evolutionary Model，简记GEM)、该模型用微演化与宏演化两个过程，分别模拟人类的思维学习方式与自然进化，并通过概率趋同、信息迁移、自适应变异算子将两个过程有机的结合起来，从完全意义上模仿了人类的进化．该模型既能有效的克服遗传算法的本质缺陷，又能拓展思维进化计算的理论基础及应用范围．数值优化的仿真结果证明了该模型的有效性。     

遗传算法及其进化硬件设计研究

遗传算法(Genetic Algorithms，GAs)是进化计算中的重要领域．也是人工智能迅速发展的重要领域，它是一类模拟自然进化过程和达尔文“适者生存”的算法。这一算法企图通过使用诸如交叉、变异等算子从先前的候选解中生成最佳解。进化硬件(Evolvable Hardware，EHW)则是受自然进化得到灵感、设计硬件系统的新型设计方法，它是进化计算技术和电子硬件结合的产物。本文给出GAs在计算机模型中的基本概念．讨论进化再配置硬件的设计，最后给出几个进化实验的例子。     

基于模糊进化规划和分层方法的神经网络设计方法

本文提出一种模糊进化规划，用于前向神经网络的设计．该方法通过对神经元的部分解群体的进化，缩短了个体的编码长度，显著地减轻了计算量，同时这种方法不但能够在很大程度上简化适应值的计算，更重要的是能够降低适应值空间的复杂性，从而能够加速进化算法收敛到全局最优点．仿真结果显示，本文提出的算法能够有效抑制进化规划算法初期收敛的发生，有效地提高多层前向神经网络收敛精度，并可获得更为简洁的网络结构．     

基于思维进化算法的神经网络权值与结构优化

人工神经网络应用的关键在于权值和结构的优化。思维进化计算(MEC)是模拟人类思维进化过程的一种新的进化算法，具有极强的全局寻优能力，在数值优化和非数值优化方面均显示出明显的优越性。本文在思维进化计算框架的基础上，提出了一种用于人工神经网络权值与结构优化的思维进化算法，设计了有效的结构优化‘趋同’与‘异化’算
子；在局部范围内寻求局部最优解，然后使用异化算子跳出局部范围的约束，在整个解空间寻求全局最优解。仿真结果说明了方法的正确性与有效性。