基于自适应变异规则的一种有效的进化规划

为改善普通进化规划的算法性能，通过学习进化过程中获得的种群整体进化信息，提出进化规划的一种新的自适应变异规则，基于该规则的进化规划不仅能加快算法的收敛速度，而且能有效地保证种群的多样性，用该方法可求解具有多个极值点的函数优化问题，计算机仿真实验结果表明该方法的方法是很有效的。     

基于自适应维度选择的记忆进化算法

提出一种基于自适应选择维度的记忆进化算法。该算法设置一个三维数组保存有用的进化信息,用于引导后续的进化过程,增强局部搜索能力,在变异过程中结合记忆信息自适应地选择维度进行变异,加强变异的有效性,当代种群中的最优个体通过自学习提高算法求解精度。标准函数仿真结果表明,该算法适合求解高维优化问题,局部收敛速度快,全局收敛能力强,算法稳定性高。     

基于自适应神经模糊推理系统的噪声消除方法

针对信号处理领域噪声消除的实际问题,提出了一种基于模糊推理的自适应神经网络控制方法.通过自适应神经模糊推理系统(ANFIS)对非线性系统的结构和参数进行辨识与自学习,采用混合学习算法,对前向参数和结论参数分别辨识,在提高精度的同时可加快训练收敛的速度,使控制系统具有良好动静态性和鲁棒性,实现了消除通信系统中噪声的目标,最后对基于ANFIS的噪声消除系统进行了建模和仿真,并与自适应神经网络滤波方法的结果对比,其结果证明了该方法的有效性.     

不确定混沌系统的差分进化小波神经网络控制

提出一种基于小生境自适应差分进化小波神经网络（NADE-WNN）的方法对不确定混沌系统进行控制。该方法利用小波神经网络学习未知模型混沌系统的动态特性并实施控制,为提高神经网络的学习精度和收敛速度,采用小生境自适应差分进化算法同时优化小波神经网络的结构和参数,简化网络结构,提高网络的学习精度和全局收敛性。仿真实验结果表明,在有外部干扰和参数摄动的情况下,NADE-WNN仍能对不确定混沌系统进行有效控制,且网络结构、控制精度和收敛速度都优于传统神经网络。     

基于自适应噪声的最大熵进化强化学习方法

近年来,进化策略由于其无梯度优化和高并行化效率等优点,在深度强化学习领域得到了广泛的应用.然而,传统基于进化策略的深度强化学习方法存在着学习速度慢、容易收敛到局部最优和鲁棒性较弱等问题.为此,提出了一种基于自适应噪声的最大熵进化强化学习方法.首先,引入了一种进化策略的改进办法,在“优胜”的基础上加强了“劣汰”,从而提高进化强化学习的收敛速度;其次,在目标函数中引入了策略最大熵正则项,来保证策略的随机性进而鼓励智能体对新策略的探索;最后,提出了自适应噪声控制的方式,根据当前进化情形智能化调整进化策略的搜索范围,进而减少对先验知识的依赖并提升算法的鲁棒性.实验结果表明,该方法较之传统方法在学习速度、最优性收敛和鲁棒性上有比较明显的提升.     

混沌时间序列的自适应变异差分进化ANFIS预测

提出了一种基于自适应变异差分进化(AMDE)算法的ANFIS模型对混沌时间序列进行预测的方法,该方法采用自适应变异差分进化算法和最小二乘法相结合的混合学习算法对ANFIS网络结构参数进行优化设计,利用差分进化算法的全局寻优能力对ANFIS网络前件参数进行优化,而网络的结论参数采用最小二乘法优化,混合学习算法提高了网络参数辨识的收敛速度和系统的全局收敛性,仿真实验结果表明了该方法的有效性。     

基于改进进化策略的CSCL任务分配自适应决策方法

本文针对在伸缩性很大的多用户多任务（MU-MT）网络协同学习环境中,如何获得稳定的总体效益最优化的任务分配问题,提出了一种基于改进进化策略的自适应决策方法。该方法在传统进化策略基础上,通过进化方向控制和自适应选择算子设计等改进,优化了收敛速度,并防止抖动和早熟。本算法的优点主要在于：运算规模能依据CSCL环境的变化自动调整,具有很强的环境自适应性,因而是在未知网络环境中提供稳健协同性能的有效解决方案。     

基于变学习率CMAC网络的自适应逆控制研究

提出一种改进学习算法的CAMC网络结构，并应用于非线性系统控制。该算法可保证网络的学习率随着系统工作点的变化而自适应变化，加快了网络的收敛速度，提高了系统的自适应能力。文中分析了CAMC网络用于自适应逆控制过程中，网络学习率对网络收敛特性的影响，论证了自适应学习率在网络学习中的作用，并给出了学习率自适应学习的具体训练方法。最终将该方法应用于三阶机械手模型的逆运动控制，给出了基于普通CMAC的逆运动控制的控制曲线和基于改进学习算法后的CMAC的逆运动控制的控制曲线，并给出了分析和对比，论证了改进的学习算法的优越性。     

一种基于免疫调节和共生进化的神经网络优化设计方法

利用共生进化原理设计人工神经网络,创造性地融入了免疫调节原理中的浓度抑制调节机制以保持个体的多样性,提出了基于免疫调节的共生进化网络设计方法,通过对神经元群体而不是神经网络群体进行进化设计,显著地减轻了计算量,同时利用生物免疫原理中的浓度机制和个体多样性保持策略进行免疫调节,有效地克服了未成熟收敛现象,提高了群体的多样性,从而加快优化设计速度,实验表明表明该方法可高效、准确地设计鲁棒性很强的神经     

具有行为强化学习能力的人工生命进化模型设计

人工生命进化模型设计的关键问题是学习与进化之间的关系,在自主体生存期内的学习过程可以通过不同的遗传方式指导个体行为的进化。该文利用进化算法和人工神经网络的研究方法,设计了两种不同的人工生命自主体的进化模型,模型解决了先天的遗传进化和后天的个体神经系统强化学习的有机结合问题,并且得出结论认为,强化学习有助于自主体适应复杂的外部环境,同时学习也可以直接或间接地使该适应性成为自主体遗传基因上的固定成分。     

自律个体的一种遗传强化模型研究

自律个体的遗传强化模型是模拟实际生物进化机制的计算模型。本文利用进化算法和人工神经网络的研究方法,设计一种自律个体的遗传强化模型。该模型强调多层次学习,实现了先天的遗传学习进化和后天的个体神经系统学习进化的有机结合。本文同时将该模型应用于模拟机器人的生存控制,观察它在环境中的行为表现及经能力,取得了满意的实验结果。     

基于阶段衍变双向自均衡的个性化学习资源推荐方法

针对现有个性化学习资源推荐方法存在推荐模型单一、速度较慢和匹配度不高等问题,文中提出基于阶段衍变双向自均衡的个性化学习资源推荐方法.首先构建基于阶段衍变双向自均衡的学习资源推荐模型,完善资源推荐特征参数化表示与适应度函数构建.然后采用基于进化状态判定的模糊自适应二进制粒子群优化算法求解模型.实验表明,相比采用经典算法的推荐方法,文中方法推荐的学习资源序列匹配度更高,推荐速度更快.     

A study of evolutionary multiagent models based on symbiosis.

Multiagent Systems with Symbiotic Learning and Evolution (Masbiole) has been proposed and studied, which is a new methodology of Multiagent Systems (MAS) based on symbiosis in the ecosystem. Masbiole employs a method of symbiotic learning and evolution where agents can learn or evolve according to their symbiotic relations toward others, i.e., considering the benefits/losses of both itself and an opponent. As a result, Masbiole can escape from Nash Equilibria and obtain better performances than conventional MAS where agents consider only their own benefits. This paper focuses on the evolutionary model of Masbiole, and its characteristics are examined especially with an emphasis on the behaviors of agents obtained by symbiotic evolution. In the simulations, two ideas suitable for the effective analysis of such behaviors are introduced; "Match Type Tile-world (MTT)" and "Genetic Network Programming (GNP)". MTT is a virtual model where tile-world is improved so that agents can behave considering their symbiotic relations. GNP is a newly developed evolutionary computation which has the directed graph type gene structure and enables to analyze the decision making mechanism of agents easily. Simulation results show that Masbiole can obtain various kinds of behaviors and better performances than conventional MAS in MTT by evolution.     

知识引导的多目标多智能体进化算法

将智能体模型与知识模型相结合,提出一种知识引导的多目标多智能体进化算法.算法定义了智能体的不同邻域环境,并通过对邻域之间的竞争、正交交叉、知识学习等操作实现种群的演化过程.算法采用一种新颖的方法求非劣解集,并使用循环拥挤排序法对外部归档集进行维护.通过对多个测试函数的仿真结果表明,知识的引入不仅增加了种群多样性,而且提高了算法的收敛性.     

Simulation of the evolution of autonomous adaptive agents

A model of evolving populations of self-learning agents is studied, and the interaction between learning and evolution is analyzed. Each agent is equipped with a neural network (NN) adaptive critic design for behavioral adaptation. The model is investigated by an example of a simple agent-broker that predicts stock price changes and uses these predictions for choosing strategies. Three variants of the model are compared, which include either learning and evolution, or only evolution, or only learning. It is shown that the model may exhibit the Baldwin effect; i.e., initially acquired adaptive policy of agents becomes inheritable during evolution. The behavior of the model agents is compared with the searching behavior of simple animals.     

Efficient Self-Evolving Evolutionary Learning for Neurofuzzy Inference Systems

This study proposes an efficient self-evolving evolutionary learning algorithm (SEELA) for neurofuzzy inference systems (NFISs). The major feature of the proposed SEELA is that it is based on evolutionary algorithms that can determine the number of fuzzy rules and adjust the NFIS parameters. The SEELA consists of structure learning and parameter learning. The structure learning attempts to determine the number of fuzzy rules. A subgroup symbiotic evolution is adopted to yield several variable fuzzy systems, and an elite-based structure strategy is adopted to find a suitable number of fuzzy rules for solving a problem. The parameter learning is to adjust parameters of the NFIS. It is a hybrid evolutionary algorithm of cooperative particle swarm optimization (CPSO) and cultural algorithm, called cultural CPSO (CCPSO). The CCPSO, which uses cooperative behavior among multiple swarms, can increase the global search capacity using the belief space. Experimental results demonstrate that the proposed method performs well in predicting time series and solving nonlinear control problems.      

一种基于PBIL算法的快速图像匹配方法

为了解决图像匹配过程中计算速度慢和匹配精度不高的缺陷，提出了一种基于群体增量学习算法的匹配方法。PBIL算法是一种基于概率分析的进化算法。它集成了基于函数优化的遗传搜索和竞争学习两种策略,将进化过程视为学习过程，通过竞争学习所获得知识来修正生成概率，进而指导后代的生成。在实验中，将其与传统序贯相似性检测算法(SSDA)和遗传算法进行了比较。结果表明基于该算法的图像匹配具有运算速度快、匹配精确等优点，且收敛过程非常稳定。     

基于知识引导的自适应动态多模态差分进化算法

为充分利用问题求解过程知识,提升动态多模态优化算法的计算资源利用效率,提出一种基于知识引导的自适应动态多模态差分进化算法.首先,利用自组织映射神经网络实现种群自聚类,形成稳定的小生境;然后,通过对种群全局知识和个体邻域知识的综合学习,设计一种基于知识引导的自适应差分进化算法,在对种群进化状态进行实时监测和分析的基础上,逐层递进地引导不同种群个体自适应地选择最符合当前进化需求的变异方式,提升种群搜索效率,平衡种群多样性与收敛性;最后,针对问题动态特性,设计一种基于历史动态过程知识引导的自适应动态响应机制,通过对历史寻优经验的自适应学习,预测生成新环境下的潜在精英个体,引导种群实现精准快速的多峰定位.实验结果表明,所提出算法能够有效解决动态多模态优化问题,且在不同动态环境设置下其求解性能均优于对比算法.     

Supervised and Reinforcement Evolutionary Learning for Wavelet-based Neuro-fuzzy Networks

This study presents a wavelet-based neuro-fuzzy network (WNFN). The proposed WNFN model combines the traditional Takagi–Sugeno–Kang (TSK) fuzzy model and the wavelet neural networks (WNN). This study adopts the non-orthogonal and compactly supported functions as wavelet neural network bases. A novel supervised evolutionary learning, called WNFN-S, is proposed to tune the adjustable parameters of the WNFN model. The proposed WNFN-S learning scheme is based on dynamic symbiotic evolution (DSE). The proposed DSE uses the sequential-search-based dynamic evolutionary (SSDE) method. In some real-world applications, exact training data may be expensive or even impossible to obtain. To solve this problem, the reinforcement evolutionary learning, called WNFN-R, is proposed. Computer simulations have been conducted to illustrate the performance and applicability of the proposed WNFN-S and WNFN-R learning algorithms.