量子进化算法和免疫算法的比较研究

量子进化算法和免疫算法都是解决优化问题的强有力算法。在分析了量子进化算法搜索的特点和免疫算法的机理基础上,对它们进行比较,阐明了二者的不同特点,并通过仿真实例总结出它们在求解多峰值函数优化问题上各自的优缺点。     

融合蜂群行为的量子进化算法

为提高量子进化算法的收敛精度和收敛速度,以人工蜂群算法为基本进化框架,提出一种融合蜂群行为的量子进化算法. 将采用相位编码的量子进化种群划分为量子开采种群、量子跟随种群以及量子侦察种群,在每个种群内模拟蜜蜂觅食行为寻优,其中量子开采种群采用混沌扰动搜索,量子跟随种群采用柯西变异操作进化. 同时对所有种群个体采用量子染色体的两步旋转更新方法,并进行自适应的动态变异操作. 利用基准测试函数进行仿真,与相关方法对比分析可知,所提出的算法在大部分的函数上都表现出较好的性能,能有效提高全局收敛性能.     

基于免疫进化的支撑矢量回归的参数优化

在对支撑矢量回归的参数性能进行分析的基础上，引入了免疫进化算法对支撑矢量回归的模型参数和核参数进行优化。免疫进化算法是一种集免疫机制和进化机制于一体的一种新的全局并行算法，它可以通过对进化环境的自适应和自学习，有针对性地抑制由原进化算子操作的盲目性而引起的退化现象。仿真实验结果表明，免疫进化算法优化支撑矢量回归的参数不仅是可行的，也是十分有效的。     

基于模拟退火的量子进化算法

针对量子进化算法全局搜索能力强而局部寻优能力弱的特点,提出一种基于模拟退火的量子进化算法。该方法将模拟退火算法引入到量子进化算法中,在采用量子进化算法进行解空间全局搜索的同时,用模拟退火算法加强局部寻优能力,以有效平衡算法的开采与勘探能力。采用著名的NP难组合优化问题———背包问题为例进行实验,结果表明:本文方法获得了比量子进化算法更好的解,证实了其有效性。     

求解多峰函数优化问题的免疫量子进化算法

提出了一种求解多峰函数优化问题的免疫量子进化算法, 该算法依据小生境机制将量子表达的初始 种群划分为子群组, 再对每个子群组利用免疫特性的局域搜索能力包括抗体的克隆选择、记忆细胞产生、免疫细胞 交叉变异、抗体的促进与抑制等进化机制, 找出局域最优解。最终算法可保持所有优化解。算法综合了量子计算的 天然并行性和免疫算法的充分自适应性, 它比传统的进化算法具有更好的种群多样性, 更快的收敛速度, 更有效的 全局和局域寻优能力;证明了算法的收敛性, 最后通过仿真实验表明了该算法的优越性。     

一种用于函数优化的量子克隆算法

为了解决传统量子进化算法用于复杂函数优化易陷入早熟和收敛速度慢等问题,将克隆算子引入到量子进化算法中,提出了一种新型的进化算法一量子克隆算法.该算法既借鉴了量子进化算法的高效并行性又利用克隆算子增加种群的多样性.提高了算法在解决函数优化问题的全局寻优能力.仿真结果表明,该算法优于传统的量子进化算法,较好地解决了复杂函数的优化问题.     

基于柯西变异的免疫单克隆策略

系统地阐述了基于细胞克隆选择学说的克隆算子，将其应用于进化策略，并利用柯西变异替代传统进化策略中的高斯变异，提出了改进的进化策略算法——基于柯西变异的免疫单克隆策略算法，并利用Markov链的有关性质，证明了该算法的收敛性．理论分析和仿真实验表明，与传统的进化策略算法以及免疫克隆算法相比，基于柯西变异的免疫单克隆策略算法不仅有效克服了早熟问题、保持了解的多样性，而且收敛速度比前两者都快．     

基于内分泌激素调节机制的量子进化算法

针对传统量子进化算法用于搜索某些适应度函数时稳定性和精确性差的问题,在计算量子旋转角时引入内分泌激素调节规律,使得量子旋转角根据种群进化代数及个体适应度值自适应调整,提出了一种基于内分泌激素调节机制的量子进化算法.并用于Schaffer函数寻优和三维人脑图像分割.仿真实验结果表明,该算法不仅保留了传统量子进化算法收敛速...     

基于差分进化的量子粒子群优化算法的研究

为了提高量子粒子群算法(QPSO)的性能,利用差分进化对量子粒子群算法进行了优化.该优化算法(DE -QPSO)在粒子更新过程中,首先通过添加一个扰动来产生一个变异粒子,然后对变异粒子进行交叉操作产生新的试验粒子,最后对试验粒子进行选择操作,确定进入下一次迭代的个体.用5种标准测试函数对DE -QPSO、QPSO和 粒子群算法(PSO)的性能进行对比测试,结果表明DE-QPSO算法的性能明显优于PSO和QPSO算法,具有较好的应用价值.     

融合免疫机制的协同进化模型

针对传统进化算法在计算效能方面存在的一些问题,借鉴协同进化算法的思想,提出了一种融合免疫机制的协同进化模型。该模型通过多个子种群各自分别进化以保持整个种群的多样性。在每次迭代进化过程中,各个子种群分别选择精英抗体并进行免疫记忆。随后各个子种群分别以不同的算法进行变异。若变异后抗体的适应度降低,则利用精英抗体对其进行引导操作。群体间的协作包括子种群间若干个抗体的随机交叉和子种群间的大规模迁移。最终进行免疫代谢,去除群中的弱适应度个体。算法反复迭代进行以上操作,直至达到既定目标或预定的循环迭代次数。通过对13个标准测试函数进行的仿真实验显示,该模型在搜索最优解或满意解时均优于传统的进化算法,同时在寻优效率上有较大的提升。     

A new improved Alopex-based evolutionary algorithm and its application to parameter estimation

In this work, focusing on the demerit of AEA (Alopex-based evolutionary algorithm) algorithm, an improved AEA algorithm (AEA-C) which was fused AEA with clonal selection algorithm was proposed. Considering the irrationality of the method that generated candidate solutions at each iteration of AEA, clonal selection algorithm could be applied to improve the method. The performance of the proposed new algorithm was studied by using 22 benchmark functions and was compared with original AEA given the same conditions. The experimental results show that the AEA-C clearly outperforms the original AEA for almost all the 22 benchmark functions with 10, 30, 50 dimensions in success rates, solution quality and stability. Furthermore, AEA-C was applied to estimate 6 kinetics parameters of the fermentation dynamics models. The standard deviation of the objective function calculated by the AEA-C is 41.46 and is far less than that of other literatures’ results, and the fitting curves obtained by AEA-C are more in line with the actual fermentation process curves.     

一种改进的进化规划算法在原料库存优化中的应用

库存控制是现代企业,特别是连续生产企业物流管理的一项重要内容.针对某有色冶金企业原料库存的实际情况,建立一个以资金损耗最小为直接性能指标的原料库存优化模型,并利用一种进化规划的算法对该模型进行优化.仿真及实际运行结果表明:进化规划算法有效地克服了传统遗传算法容易早熟收敛的缺点,具有全局收敛性,同时还能加快遗传进化的速度,得到令人满意的全局最优解.     

基于混沌优化和网格筛选策略的多目标分布估计算法

为了解决多目标分布估计算法中进化速度慢、解精度和分布不佳等问题,提出一种基于混沌优化和网格筛选策略的多目标分布估计算法.该算法首先利用混沌模型进行种群的初始化,以获得较理想的初始化结果;然后运用混沌的局部优化策略对每代产生的非支配个体进行寻优,加速种群向Pareto最优前沿的逼近;最后利用简单的网格筛选策略保持个体的均匀分布,从而增强精英种群的多样性.3种评价标准在8个测试问题上的实验表明:与目前最具代表性的RM-MEDA算法相比,该算法不仅在接近真实的最优前沿和保持种群的多样性方面具有一定优势,而且在进化速度上也有较大提高.     

猴王遗传算法的改进

猴王遗传算法是一种很新颖的遗传算法，对其初步的研究已经显示出一定优越性和潜力，猴王遗传算法尚存在的不足或待改进的地方是：有些参数要靠人为确定不够方便，猴王点附近没有专门的局部寻优机制——影响了整体寻优能力．针对这些问题，对猴王遗传算法进行了改进，通过扩大随机个体引进的数量简化了原有的一些参数，设计增加了一种局部寻优机制——猴王爬山操作算子．经大量实验测试，改进效果令人满意．     

三角进化算法在非线性回归模型建立中的应用

非线性回归模型的建立是一类重要的问题,给出了一种基于三角进化算法的求解方法。利用最小二乘法将问题中参数的求解转化为无约束函数优化问题,而后利用种群并行搜索策略的三角进化算法对其求解。此方法不受问题连续、光滑的限制,避免了大量求导的计算,数值实验的结果证明了该算法的全局收敛性和有效性。     

基于用户分层的多目标推荐算法

经典的推荐系统着重于推荐的准确性,随着用户多样化需求的增加,推荐结果的多样性受到越来越多的关注。推荐的精度与多样性存在冲突,传统的推荐算法往往忽略系统中的用户活跃度差异。本文提出一种基于物品评价次数的用户分层多目标推荐算法,将用户分为评价次数高、中、低三种层次,对应三种不同的算法初始化方式,为不同用户提供更合适的推荐结果。对已有基于概率的多目标进化算法的初始化方式和参数进行对比分析,获得更优的算法交叉和变异方式。实验结果验证了改进后的多目标进化算法在推荐精度和多样性方面都有更优的结果。总结出的基于用户分层的推荐方案有助于提高对不同用户的推荐效果。     

数字电路模块化进化算法

针对大规模复杂电路进化设计的收敛速度和规模瓶颈,在遗传算法的基础上提出了一种模块化进化算法.该算法以节点作为基本单元,采用图表形式的编码方案,其基本思想是将染色体中优秀的基因片段作为有效局部解或优秀子电路封装为模块,进化过程中该模块不再进行进化操作.不仅保护优秀的基因片段而且大大简化了复杂电路的进化设计.并以加法器和乘法器为例进行了模块化进化算法的进化设计实验.结果表明:相对于传统遗传算法,模块化进化算法应用于复杂电路进化设计时,不仅进化设计的速度得到提高,而且大大提高了电路进化设计的成功率.     

协同量子智能体进化算法及其性能分析

针对当前量子进化算法的特点和不足,提出了一种分层协同进化的量子智能体进化算法.将种群个体视为以量子编码的智能体,采取三级进化方法,在子种群之间进行个体交流,子种群内部进行个体竞争操作,个体内部能够进行局部调整,使得进化操作能够作用在不同的小生境范围内,增强了进化的粒度.利用不动点定理对所提算法的收敛性进行分析,结果显示,算法能够收敛到最优值.对多个基准函数进行仿真对比分析,该算法具有更好的收敛精度.     

风险投资的演化建模

利用演化算法的自适应性、自组织、自学习的特性 ,设计出了一种演化的建模算法。数值实例表明 ,采用该算法能够对风险投资作出优化的决策。