SP-MEC算法的收敛性分析

进化算法求解多目标优化问题具有独特的优势。SP-MEC是一种新的利用思维进化算法(MEC)解决多目标优化问题的算法,数值实验结果验证了它的可行性与有效性。文章利用概率论的基本理论对其收敛性进行分析,提出局部Pareto最优解集、局部Pareto最优态集及趋同过程产生的序列强收敛的概念,证明了在满足一定条件下趋同过程产生的序列强收敛于局部Pareto最优态集。     

MEC应用于图像分析中的综述

论文综述思维进化计算(MEC)在图像分析方法中的应用,包括对彩色图像的聚类、分割以及对小目标的识别。这些应用展示了MEC高效的优化性能,及其在图像处理中良好的应用前景。     

基于思维进化的MEBML算法的收敛性研究

针对基于思维进化的机器学习（ＭＥＢＭＬ）的马尔可夫链的分析,证明了离散状态下趋同操作的群体信概率１收敛到全局最优状态,但由于趋同操作的局部性,从局部最优状态转移到全局最优状态的概率非常小,要增加这种转移概率,需要引进异化操作,通过Ｐ－最优状态和吸引域的概念,分析了趋同操作、异化操作的理论和实际意义。     

双层MEC算法优化多峰问题

多峰优化是真实世界的一类问题。介绍了基本MEC(Mind Evolutionary Computation),给出了峰半径异化策略的MEC算法描述,提出了用优化参数的双层MEC算法解决多峰优化问题;最后,在实验中优化了三个测试函数,并与物种保存遗传算法进行了性能比较。     

思维进化计算在图像识别中的应用

本文对思维进化计算(mindevolutionarycomputation,MEC)在图像识别中的应用进行了验证,结合模板匹配对多目标图像进行搜索。采用的方法是将模板和图像从RGB彩色空间转化到L×u×v空间进行匹配,通过MEC计算评价函数找到最优目标,最后对差图像进行分析。匹配结果表明,MEC具有平移、旋转和尺度不变的特性,在图像识别过程中取得了满意的效果。     

粘贴DNA模型的多级分离技术及其应用

利用粘贴DNA模型现有的4种基本操作来解决问题效率低下,为解决这一问题,提出多级分离的概念,设计一个多级分离装置的模型,引入了多级分离技术.以可满足性问题(satisfiabilty problem,SAT)为例说明了该技术与装置的应用;通过实例的分析对比,展示了该技术的优越性.最后,证实了多级分离装置的有效性,并对多级分离技术的前景给予了展望.     

遗传算法求解TSP的进化策略

本文提出用遗传算法（ＧＡ）求解旅行商问题（ＴＳＰ）的一整套进化策略，包括染体的编码、反向运算、循环运算、交换运算。其中除反向运算外，均与通常的ＧＡ算法所采用的策略不同。文中解释了它们的几何意义。用该算法求解中国３１个城市的ＴＳＰ问题得到了１５４０４公里的新的路径长度。计算结果表明整个算法是有效的。     

有界连续空间中MEC算法的收敛性分析

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计算方法,是基于GA存在的问题提出的。MEC主要由趋同和异化两种操作构成。该文从理论上对趋同和异化操作进行了详细的描述,修正了文眼15演中的错误结论,证明了趋同迭代产生的子群体散布中心序列收敛到局部最优态集,给出了收敛速率的上界估计,并分析了算法的全局收敛性。     

思维进化计算的描述与研究成果综述

思维进化计算（Mind Evolutionary Computation，MEC）是孙承意于1998年提出的一种新的进化计算方法。它模仿人类思维申趋同、异化两种思维模式交互作用，推动思维进步的遏程。MEC多方面的性能优越，造是由于采用“趋同”和“异化”操作代替GA的选择、交叉和变异算子以及MEC与GA不同的运行机制：记忆机制、定向机制和探测与开采功能之间的协调机制。本文给出MEC迄今为止最完整的描述。由于篇幅所限，本文仅简单介绍MEC的主要研究成果。     

Pareto-MEC算法及其收敛性分析

介绍了一种新的多目标进化算法——Pareto-MEC。将基本MEC和Pareto思想结合起来处理多目标问题。提出了局部Pareto最优解集与局部Pareto最优态集概念，并利用概率论的基本理论证明了趋同过程产生的序列强收敛于局部Pareto最优态集。数值试验验证了Pareto-MEC算法的有效性。