量子克隆进化算法

本文在量子进化算法的基础上结合基于克隆选择学说的克隆算子,提出了改进的进化算法--量子克隆进化策略算法(QCES).它既借鉴了量子进化算法的高效并行性又利用克隆算子来代替其中的变异和选择操作,以增加种群的多样性,避免了早熟,且收敛速度快.本文不仅从理论上证明了该算法的收敛,而且通过仿真实验表明了此算法的优越性.     

精英类克隆选择算法平均收敛速度估计

克隆选择算法收敛速度估计是算法研究的一个难问题,目前还是处于初始的研究阶段。本文对一大类精英保持策略克隆选择算法的收敛速度问题进行了研究。首先利用算法种群中最佳个体的定向转移概率导出最佳个体的转移概率矩阵,针对实际应用中由于算法种群规模过大而导致该矩阵求取较困难的问题,将最佳个体的转移概率矩阵构造成满足一定条件的矩阵范数,从而提出一种更为简单有效的算法平均收敛速度估计的新方法。对不同的精英保持策略克隆选择算法进行了收敛速度估计仿真实验,其结果表明了该估计方法的有效性。     

量子克隆进化算法

本文在量子进化算法的基础上结合基于克隆选择学说的克隆算子，提出了改进的进化算法——量子克降进化策略算法(QCES)．它既借鉴了量子进化算法的高效并行性又利用克隆算子来代替其中的变异和选择操作，以增加种群的多样性，避免了早熟，且收敛速度快．本文不仅从理论上证明了该算法的收敛，而且通过仿真实验表明了此算法的优越性．     

蜜蜂进化型遗传算法

本文提出了一种蜜蜂进化型遗传算法.在该算法中,种群的最优个体作为蜂王与被选的每个个体(雄蜂)以概率进行交叉操作,增强了对种群最优个体所包含信息的开采能力.为了避免算法过早收敛,在代进化过程中引入了一个随机种群,提高了算法的勘探能力.通过将该算法建模为齐次有限Markov链,证明了它的全局收敛性.实验结果表明,蜜蜂进化型遗传算法是一种提高遗传算法性能的有效改进算法.     

自适应引导进化遗传算法

该文提出一种自适应引导进化遗传算法。算法中采用佳点集方法产生初始种群,结合保留精英个体策略,对种群进行分割,各子种群并行交叉变异,且其中一个子种群为随机产生的。为提高算法收敛速度,分别对各子种群中较优个体进行优秀基因位统计,据此对其它个体采取一种自适应引导变异操作。通过将算法运行过程建模为有限齐次马氏链,证明了算法的全局收敛性和收敛快速性。实验结果表明,自适应引导进化遗传算法较其它的遗传算法在收敛速度和准确度上都有较大提高。     

一种基于角度信息的约束高维多目标进化算法

目前约束高维多目标进化算法大多注重提高收敛精度,而收敛速度相对较慢.为提高算法的收敛速度,提出一种基于角度信息的约束高维多目标进化算法.该算法提出基于角度违反度函数的选择操作,依据动态的收敛性和分布性直接选择较优个体,提高收敛速度;此外,提出了基于差分进化算法的交叉操作,在不同的进化阶段选用不可行解参与交叉操作,补偿收敛精度.在标准测试函数集C-DTLZ上进行仿真实验,并与当前国内外性能优异的4种约束高维多目标进化算法进行对比,证明了本文算法收敛精度保持良好,而收敛速度得到了提升,且目标维数越高提升效果越明显.     

混沌差分进化粒子群协同优化算法

为有效地改善差分进化粒子群算法的性能,结合反向学习策略和信息交互机制,提出了一种新的混沌差分粒子群协同优化算法.该算法采用反向学习策略产生初始种群,使得初始个体尽可能均匀分布,然后将初始种群随机等分为双种群,对双种群分别采用改进的混沌差分进化算法和混沌粒子群优化算法进行协同寻优,并在双种群中引入信息交互学习机制,在维持种群多样性的同时加快收敛速度.通过对四个复杂高维的标准函数寻优测试,仿真结果表明,该算法能有效避免早熟收敛,收敛速度快,寻优精度较高,具有良好的全局搜索能力,鲁棒性好.     

人机交互的Copula和协同优化算法在分布估算中的应用

人机交互的Copula函数和协同优化理论相结合的算法能有效解决分布估计算法在优化变量强相关问题的过程中存在的效果差、模型估计时间长等问题.该方法首先将Copula函数作为各个边缘分布函数的连接函数来建立一个解分布的概率模型;然后产生种群的过程中人工的选择其他种群中的优良个体,替换本种群中较差的个体并采用协同优化的思想,在种群进化时充分考虑其他种群中的个体的影响,最大限度的保证向着最优进化的方向发展.将该方法应用在对3个相互独立的种群进化上,其实验参数反演结果表明,该算法不但增强了优化的效果,而且还有效的避免了早熟,加快了算法的收敛速度.同时也表明了人机交互的过程在解决较为复杂的实际问题中的有效性和可操作性.     

基于种群混合协同联盟的属性量子博弈均衡约简

为进一步提高进化种群在粗糙集属性演化约简中寻求最优解的协同性能,提出了一种基于种群混合协同联盟的属性量子博弈均衡约简算法.该算法建立一种基于自适应多层进化树的种群协同演化联盟模型,以种群内个体竞争和种群间精英合作的混合协同机制实现各种群协同演化,较好地达到属性协同演化约简中广度寻优和深度探索的有效平衡;然后将信任裕度报酬机制引入到多种群精英量子协同博弈模型,种群精英在每个划分的属性子集中通过量子协同博弈策略均能求得各自最优约简子集,从而稳定取得Nash均衡下全局最优属性约简集.实验结果表明本文算法具有较高的属性演化约简效能和精度,对不完备电子病历系统中脑组织核磁共振成像MRI的高效约简与分割进一步展示其具有较强的实用性和鲁棒性.     

基于精英集选择进化个体的交互式遗传算法

大种群交互式遗传算法中,评价个体数目的增多加重了用户疲劳,限制了该方法的应用.本文提出一种基于精英集的进化个体选择方法,首先,基于用户评价较高的个体形成精英集;然后,选择与精英集相似的个体类别,在无需用户评价和适应值估计的情况下,直接用于遗传操作;最后,根据种群的进化阶段和个体对精英集的贡献,更新精英集.将其应用于窗帘进化设计系统中,并与已有典型方法比较.结果表明,该方法在提高种群搜索性能的同时,能够有效减轻用户疲劳.     

分层协同进化免疫算法及其在TSP问题中的应用

为提高人工免疫算法求解TSP问题的效率,借鉴分层和协同进化的思想,构造了一种基于多子种群免疫进化的两层框架模型,在此模型的基础上提出了一种基于竞争一合作的分层协同进化免疫算法(Hierarchical Co-evolution Immune Algorithm,HCIA).HCIA通过对若干个子种群进行低层免疫操作:局...     

区域分割的自适应变异粒子群算法

为了提高粒子群算法（PSO）的收敛性及多样性,提出一种基于区域分割的自适应变异粒子群算法（RSVPSO）.算法采用区域分割的思想,利用粒子间信息交叉,使粒子搜索区间快速缩小;同时在迭代后期与自适应变异策略相结合,提高粒子跳出局部最优陷阱的能力和增强粒子多样性,达到寻优的目的.将所提出的算法应用于8个测试函数,并与精英免疫克隆选择的协同进化粒子群等算法进行比较,结果表明,新算法在收敛速度、搜索精度及寻优效率等方面有较大提高.     

Hybrid social cognitive optimization algorithm for constrained nonlinear programming

To improve the global convergence speed of social cognitive optimization (SCO) algorithm,a hybrid social cognitive optimization (HSCO) algorithm based on elitist strategy and chaotic optimization is pr...     

一种基于实数编码遗传算法的常模盲均衡

盲均衡可以看作代价函数优化问题。为了改进经典常模算法的性能,研究了利用实数编码遗传算法的常模盲均衡,把均衡器系数向量作为遗传算法的决策变量,采用轮盘赌选择和精英保留策略相结合的混合选择算子、算术交叉算子和非均匀变异方式,经过一系列的遗传操作,搜索到适应度值最高的个体,即均衡器的最优系数。计算机仿真结果证明了算法具有收敛速率快、能够搜索到全局最优解等特点。     

基于量子计算模型的混合进化算法及其性能分析

 提出了基于量子动力学机制的混合进化算法,该算法依据小生境机制将初始个体划分为实数编码染色体的子群,种群内部采用自适应算子搜索局域的最优解,种群之间则采用基于量子动力学机制的协同进化.混沌系统生成的初始染色体序列实际上并不完全随机,因此我们提出非对称区间产生混沌染色体序列并能生成更多的优秀个体.为解决二进制算法所不能避免的精度与效率的冲突,本文采用十进制编码染色体.利用量子动力学机制的高度分布并行性,本模型能更好的适应复杂的动态环境.我们不仅证明了算法的收敛性而且分析了提高算法性能的策略,仿真实验也验证了该算法的优越性.     

一种解决约束优化问题的模糊粒子群算法

该文针对复杂约束优化问题,提出了一种模糊粒子群算法(FPSO),设计了一个新的扰动算子,在此基础上定义了模糊个体极值和模糊全局极值,利用这两个定义改进了粒子群进化的方程,利用该方程更新粒子的速度与位置,可以避免早熟收敛问题;定义了不可行度阈值,利用此定义给出了新的粒子比较准则,该准则可以保留一部分性能较优的不可行解微粒。用概率论的有关知识证明了算法的收敛性。仿真结果表明,对于复杂约束优化问题,算法寻优性能优良,特别是对于超高维约束优化问题,该算法获得了更高精度的解。     

基于免疫算法的入侵检测系统特征选择

入侵检测系统中的特征选择是一个组合优化问题。为了有效地进行特征选择，提出一种结合进化思想的免疫算法。算法中的免疫记忆单元确保了快速收敛于全局最优解，算法中的均匀交叉操作则体现了进化的思想。提出一个基于神经网络的入侵检测系统模型．该模型具有多分类．易于更新系统使其快速适应新型入侵的特点。在KDDCUP’99上的实验表明该算法是有效的。     

精英反向黄金正弦鲸鱼算法及其工程优化研究

针对鲸鱼优化算法（Whale Optimization Algorithm,WOA）存在的收敛速度慢、寻优稳定性不足等问题,本文提出了精英反向学习的黄金正弦鲸鱼优化算法（Elite Opposition-Based Golden-Sine Whale Optimization Algorithm,EGolden-SWOA）.利用精英反向学习策略提高种群的多样性和质量可以有效提升算法的收敛速度,同时引入黄金分割数优化WOA的寻优方式,从而协调算法的全局探索与局部开发能力.对20个单模态和多模态测试函数进行寻优实验,并与RLPSO（Reverse-learning and Local-learning Particle Swarm Optimization）、IWOA（Improved Whale Optimization Algorithm based on nonlinear convergence factor）等多个算法进行对比,实验结果表明EGolden-SWOA具有更好的寻优精度和稳定性.进一步对EGolden-SWOA进行求解大规模问题的实验,实验结果表明EGolden-SWOA可以有效解决大规模优化问题.最后将EGolden-SWOA应用于压力容器和蝶形弹簧设计优化问题,结果表明EGolden-SWOA在工程优化方面的性能优于RCSA（Rough Crow Search Algorithm）、CPSO（Co-evolutionary Particle Swarm Optimization）等改进算法,可以有效运用于实际工程优化问题.     

混合精英策略的元胞多目标遗传算法及其应用

为了提高Pareto解集的收敛性,平衡多目标优化的全局搜索和局部寻优的能力,提出一种混合精英策略的元胞多目标遗传算法。该算法在分析元胞种群结构的特点基础上,融入一种混合精英策略,提高算法的收敛性能。为了更好的平衡算法的全局搜索和局部寻优的能力,加入一种差分进化交叉算子。通过与同类算法在21个基准函数上对比实验,结果表明,引入混合精英策略和差分进化策略能够提高算法的性能,与其他优秀算法进行比较的结果说明,新算法有更好的收敛性和多样性。工程实例求解结果表明了算法的工程可行性。     

基于多算子协同进化的自适应并行量子遗传算法

量子遗传算法具有种群规模小,全局搜索能力强的特点被广泛应用于各类优化问题的求解.为了进一步提高量子遗传算法的收敛速度和搜索稳定性,克服算法的早熟问题,本文改进了基于自适应机制的量子遗传算法.在自适应量子遗传算法的基础上根据种群的适应度定义了个体相似度评价算子、个体适应度评价算子和种群变异调整算子及相应算子的计算方法,利用多算子协同评价当前种群状态并根据进化代数的变化,自适应的改变个体的变异概率,提高了算法全局寻优能力和收敛速度,降低了算法陷入局部寻优的概率.此外,为了提高算法的时间效率,将算法采用并行多宇宙的方式实现.实验结果表明,本文提出的算法在全局搜索性能、收敛速度和时间效率方面有较好的综合表现.