一种新的优胜劣汰遗传算法

为防止进化种群早熟收敛，并考虑进化种群多样性与进化代数的关系，提出一种新的近亲交叉回避策略，该策略中实施亲交叉回避操作的下限随进化代数和种群平均海明距离变化，在此基础上提出一种新的优胜劣汰遗传算法，该算法能有效地避免近亲繁殖且体现了优胜劣汰思想，业已证明，提出的算法可以保证收敛到全局最优解，仿真结果表明，与简单遗传算法相比该算法是有效的。  

交互式遗传算法基于NN的个体适应度分阶段估计

针对交互式遗传算法中人的疲劳问题，提出一种基于神经网络(NN)的个体适应度分阶段估计方法，给出了神经网络估计进化个体适应度与人的评价之问的转换策略以及神经网络学习效果的评价指标，并分析了算法的复杂性．实例结果验证了该方法的有效性。  

一类时变时延网络控制系统的鲁棒容错控制

针对一类具有时变时延的不确定网络控制系统,研究存在执行器失效情况的系统鲁棒容错控制问题.基于完整性容错控制思想和李亚普诺夫时延依赖稳定理论,给出了系统对执行器失效具有完整性的充分条件,设计了鲁棒容错控制器.仿真结果表明,该控制器不仅能保证系统鲁棒渐近稳定,而且使系统具有良好的动态性能.  

变搜索区域多种群遗传算法

针对孤岛型多种群遗传算法存在的缺陷,提出一种变搜索区域多种群遗传算法.首先,依据各种群最优个体的分布给出搜索区域动态变化的条件和策略;其次,基于搜索区域的测度和搜索粒度给出种群规模自适应调整方法;再次,从搜索区域的测度和种群规模等角度定量分析算法的性能;最后,通过两个典型函数优化验证算法的有效性.  

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．  

一种基于单纯形法的改进微粒群优化算法及其收敛性分析

针对现有微粒群优化算法难以兼顾进化速度和求解质量这一难题, 提出一种基于单纯形法的改进微粒群优化算法(Simplex method based improved particle swarm optimization, SM-IPSO). 该算法采用多个优化种群, 分别在奇数种群和偶数种群上并行运行微粒群算法和单纯形法, 并通过周期性迁移相邻种群间的最优信息, 达到微粒群算法和单纯形法的协同搜索: 单纯形借助微粒群算法跳出局部收敛点, 微粒群依靠单纯形提高局部开发能力. 为强化两种算法所起作用, 一种改进的微粒速度逃逸策略和Nelder-Mead单纯形法也被提出. 最后, 在Linux集群系统上运行所提算法, 通过优化五个典型测试函数验证了算法的有效性.  

一种新的基于混沌变异解决早熟收敛的遗传算法

给出解决遗传算法早熟收敛问题的统一框架，基于新的混沌变异模型提出一种新的遗传算法。该算法充分利用混沌的初值敏感性和轨道遍历性，克服了已有混沌变异模型存在搜索盲区大的缺点。多峰值函数优化计算结果验证了该算法的可行性和有效性。  

变种群规模合作型协同进化遗传算法及其在优化中的应用

分析合作型协同进化遗传算法的进化效率和计算复杂性等与子种群规模的关系；在此基础上提出子种群规模自适应调整算法的思想，给出子种群规模调整的依据和调整方法；进而提出基于实数编码的变焦遗传算法．典型函数优化实例验证了该算法具有计算复杂性小和进化效率高的优点．  

一类不确定性网络控制系统的滑模控制器设计

网络诱导时廷是影响网络控制系统稳定性和动态性能的主要因素．针对一类具有不确定性的网络控制系统，给出具有网络诱导时廷及不确定性的被控对象模型，设计其滑模控制器，建立基于滑模反馈控制器的网络控制系统闭环模型．通过Lyapunov方法证明，所得最大允许时延能够保证闭环网络控制系统稳定．仿真例子验证了该方法的正确性和有效性．  

区间适应值交互式遗传算法神经网络代理模型

为了解决交互式遗传算法的用户疲劳问题，提出区间适应值交互式遗传算法神经网络代理模型．首先，对用户已评价个体的基因型及其适应值进行采样以训练神经网络，使其逼近区间适应值的上下限；然后，利用神经网络代理模型，评价后续的部分进化个体，并不断更新训练数据和代理模型，以保证逼近精度；最后，对算法性能进行了定量分析，并将其应用于服装进化设计系统．分析结果表明，所提算法在减轻用户疲劳的前提下，具有更多找到满意解的机会．