知识进化算法研究

传统的进化算法是对生物自然进化过程的模拟,目前人们对它们的研究大多集中在生物自然选择层面上。将知识进化论哲学思想与生物进化理论结合起来,提出了知识进化算法的基本原理和实现途径。知识进化算法的核心思想是建立知识适应度评价函数,利用两个关键算子即传承算子和创新算子,实现知识的进化。将知识进化算法应用于图书馆读者满意度评价的知识规则进化实例中,获得了成功的结果,表明了知识进化算法的可行性和有效性。     

基于知识进化算法的读者满意度评价

通过结合知识进化论与生物进化论思想,提出了知识进化算法,给出该算法的基本原理和实现途径,并创建了知识的评价函数.把该算法用于图书馆读者满意度评价实例中,可获得成功的试验结果.这表明知识进化算法可促进知识的量与质的提升,为正确决策提供有效的辅助手段.     

求解无约束优化问题的知识进化算法及其收敛性分析

针对传统方法的随机盲目性和易陷入局部最优值等缺陷,提出一种求解无约束优化问题的知识进化算法(简称为UOP-KEA),并对算法的全局收敛性进行了分析.该算法的主要思想是:首先建立初始知识库,然后利用传承算子来实现对优秀知识个体的传承,利用创新算子来产生新的知识个体,利用更新算子来更新知识库,从而实现知识的进化,最后从知识库的最优知识个体中获取问题的最优解.将该算法应用于无约束非线性测试函数的最小值优化求解,获得了成功的结果.与遗传算法相比,该算法可以使用较小的种群规模,以较快的速度寻找到全局最优解,表明了它的可行性和有效性.     

知识进化算法*

根据卡尔·波普尔的知识进化理论,建立了知识进化算法的基本框架,详细地阐述了该算法的原理和具体实施方案。知识进化算法主要由一个知识空间和多个群体空间组成,群体空间根据知识的指导通过选择操作不断地提出新的假说,并通过猜测操作和反驳操作与知识空间协同进化来不断地提高真理度（即不断地接近问题的最优解）。为了验证方法的有效性,选取了来自其他文献中的五个经典测试函数作为算法的测试对象,通过对其他文献中的仿真实例进行计算和结果比较,证明了算法的可行性和有效性。     

改进的知识进化算法在配电网的应用

分析了配电网的特点,提出使用改进的知识进化算法(Improved Knowledge Evolutionary Algorithm,IKEA)求解配电网重构问题。重点阐述了编码规则,设计了适合于配电网重构的传承操作、创新操作和检验操作,应用IKEA求解配电网重构问题。针对IEEE16、IEEE33和IEEE69节点的100次仿真实验中,IKEA全部找到最优解,平均收敛代数分别为9.7、10.2和18.1。同相关文献的智能算法求解配电网重构问题的测试结果对比发现,IKEA可有效地缩小搜索空间,减少迭代次数,而且解的效果较好,算法的效率较高。     

背包问题的知识进化算法

知识进化算法是在分析知识进化机制基础上提出的一种新型优化算法。该文根据0-1背包问题的特点,提出用于求该问题的知识进化算法方案,阐明算法的具体实现过程。通过对其他文献中仿真实例的计算和结果比较,表明应用该算法求解背包问题取得了良好的效果。该算法同样可以应用于其他组合优化问题。     

基于知识进化算法的生产采购协同计划问题研究*

研究了考虑价格折扣的单工厂、多产品、多周期的生产和采购协同计划问题,构建了生产采购协同计划模型,提出了用于求解该问题的知识进化算法方案,阐明了该算法方案的具体实现过程。采用分离策略提出独立决策下的生产计划问题模型和原材料计划问题模型。仿真实例的计算结果表明协同决策可有效降低总成本。     

新的进化算法--文化算法

文化算法源于对人类社会多层面进化的模拟,为进化算法提供了一个新的计算框架.和其他进化算法相比,文化算法概念清晰,更能准确地反映社会的进化过程,并在一些领域取得了成功的应用.本文首先讲述了该算法的生物解释,然后介绍了算法的基本原理和不同版本,并给出了一些成功应用的实例,最后给出了本文的结论和进一步的研究方向.     

一种基于超粒子引导的自适应知识迁移多任务差分进化算法

针对传统多任务优化算法(MTEA)存在负向知识迁移、迁移算子效率低下等问题,提出一种基于超粒子引导的自适应知识迁移的多任务差分进化算法(SAKT＿MFDE).首先,通过任务之间的相似程度自适应地调节任务之间的交配概率,增大任务之间的正向迁移;其次,利用超粒子引导算法的搜索方向,进一步提升算法整体的优化效率;最后,通过多任务基准函数进行仿真实验来评价改进算法的寻优性能.实验结果表明,所提出算法可以有效规避任务之间的负向迁移,提高相似度较低的任务组的优化性能.     

基于改进拥挤距离的多目标进化算法

针对多目标进化算法的拥挤距离截断算子的分布度保持不足以及在二进制编码情况下较难收敛的缺点,提出一种改进的多目标进化算法,使用改进的拥挤距离截断算子和自适应变异算子,与经典的多目标进化算法进行对比,实验表明,该算法得到的Pareto解集具有良好的收敛性和分布性。     

一种基于逆转算子的求解TSP问题的改进演化算法

使用逆转算子求解TSP的演化算法具有很强全局搜索能力,在求解TSP问题中显示了巨大的优势。但是,该算法同样存在执行效率低、最终得到的最优个体整体质量不高等缺陷。在对算法和TSP问题进行分析的基础上,对算法进行三方面的改进:就近选择;动态变异概率;基于较优个体的贪婪搜索。实验结果表明:经过改进的算法提高了执行效率,能够改善算法得到的最优个体的整体质量。     

一种基于混合交叉策略的多目标演化算法

演化算法是求解多目标优化问题(MOP)重要而有效的方法,而应用演化策略、技巧是改善解性能的重要途径。论文叙述了多目标优化问题的有关概念,结合已有算法中的方法,设计了基于两种交叉操作相互结合的多目标演化算法(MOEAHC),该算法不仅具有较高的计算效率,而且能够保持解的多样性分布。测试结果表明该算法的良好性能。     

一种基于逆转算子的求解TSP问题的改进演化算法

使用逆转算子求解TSP的演化算法具有很强全局搜索能力，在求解TSP问题中显示了巨大的优势。但是，该算法同样存在执行效率低、最终得到的最优个体整体质量不高等缺陷。在对算法和TSP问题进行分析的基础上，对算法进行三方面的改进：就近选择；动态变异概率；基于较优个体的贪婪搜索。实验结果表明：经过改进的算法提高了执行效率，能够改善算法得到的最优个体的整体质量。     

一种基于近邻策略求TSP问题的改进演化算法

针对贪心演化算法(GEA)在旅行商问题中存在的求解规模小、成功率低的缺点,引入Inver-over倒异算子、贪心算子,改进近邻优化、映射算子、变异算子等策略,提出一种新的改进演化算法来求解中等规模旅行商问题(TSP)。通过仿真实验,验证了该进化算法收敛速度快、求解成功率高的优点,稳定性也更好。     

一种改进的进化算法

由于在进化算法中,一般的选择算子使适应度小的个体很早被淘汰,使它们的一些优良特征无法在种群中得到传播,但却增大了种群中优良个体繁衍的机会,因此可能会导致过早收敛或仅得到局部最优。对该算法加以改进,根据个体是否可行,将种群分为可行个体及非可行个体两部分,这样非可行个体也有机会参与到进化中。仿真结果表明,该方法对求解约束优化问题是很有效的。     

一种快速的基于占优树的多目标进化算法

为了解决多目标进化算法中适应值指派(fitness assignment)的耗时问题,提出了一种新颖的适应值指派方法--占优树.占优树保存了个体之间的必要信息,暗含了个体的密度信息,而且显著减少了个体之间的比较.此外,基于占优树的淘汰策略没有花费额外的代价就保存了种群多样性.在此基础上,提出了一种新的基于占优树的多目标进化算法.通过6个测试问题和3个方面的测试标准,新算法在接近真实的最优前沿和保持种群的多样性方面,与SPEA2和NSGA-II性能相当,但速度要比它们快得多.     

一种改进的求解TSP问题的演化算法

演化算法是解决组合优化问题的高效搜索算法．该文在现有求解TSP问题的演化算法的基础上,通过引入映射算子、优化算子以及增加一些控制策略,提出了一种高效的演化搜索算法．实验表明,该算法是有效的,通过对CHN144以及国际通用的TSPLIB中不同城市规模的数据进行测试表明,其中实例CHN144得到的最短路径为30353．860997,优于吴斌等运用分段算法得到的最短路径30354．3,亦优于朱文兴等人的结果,实例st70和kroB150得到的最短路径分别与运用分段算法得到的最短路径值相同,实例pr136得到的最短路径值为96770．924122,优于TSPLIB中提供的最短路径96772,对于其它实例也均能快速地得到和TSPLIB中提供的最优路径相同或更优的路径,该算法不仅很容易收敛到问题的最优解,而且求解速度极快．     

基于分级策略的演化算法

为了避免演化算法过早收敛,保持种群多样性,增加算法的搜索能力,本文提出基于分级策略的演化算法．即通过对种群进行分级,来度量种群的多样性,衡量算法是否陷入局部最优,协调种群多样性和精英策略之间的矛盾,再根据种群分布的多样性设计一种有效的半一致交叉算子与单重均匀变异算子。