人工生命与人工生命计算

论文从人工生命的角度定义了人工生命计算的概念,提出了人工生命计算的一般框架。人工生命计算是一种以人工生命为形式、研究人工生命的信息表达和处理机制,提取相应的计算模型,嵌入相应的计算方法模拟自然界生物进化过程与信息处理机制来求解与优化问题的智能计算方法。同时对人工生命计算的理论基础包括遗传算法、人工神经网络、自动机理论、L-系统、智能体和多智能体系统和计算生态学等进行了概述;并对两种典型的人工生命计算方法进行了初步的研究。最后说明了人工生命计算的特点及目前的应用领域。人工生命计算具有非常显著的特点和优点,在科学和工程的诸多实际应用领域具有广泛的应用前景。     

人工生命的研究平台综述

人工生命的研究平台是用计算机软件产生自然生命的现象和特征的仿真系统。文中给出了人工生命研究平台的概念,介绍了目前人工生命的几个研究平台。通过分析这几个平台的优缺点,提出了未来研究平台的构架。     

基于人工生命的类生态进化模型

简要介绍了复杂系统的背景、定义及人工生命仿真思想,指出人工生命仿真是解决复杂系统的有效途径。自然界生态系统是典型的复杂自适应系统(CAS),传统的统计学方法无法有效解析生态系统。由此提出了一个基于人工生命思想的类生态仿真模型A—ECOLOGY,在一个虚拟环境中创造两种虚拟生物Grazer和Predator,构成捕食者和被捕食者竞争关系,着重考察Grazer生物在自然选择压力下适应和进化的过程。这种通过人工生命仿真方法对系统复杂性模拟的思想,对于研究群体自适应和进化具有一定的参照意义。     

人工智能与人工生命

人工生命(ArtificialLife)是一门正在迅速发展的新兴学科。将人工智能(ArtificialIntelligence)方法与人工生命方法相结合,是目前人工智能研究的新方向。该文介绍了人工生命的概念和研究方法,分析了人工智能目前的困难以及人工生命与人工智能的区别与联系,并介绍了几种二者结合的实例。     

进化计算的可计算性

本文针对进化计算的进化控制特点，提出了一种进化程度的描述方式，并讨论了进化计算的可计算性。该项工作有助于进化计算形式化理论的建立和应用系统的开发。     

一种新的求解ATSP问题的PBIL算法

该文将二进制的人口增量学习算法(PBIL)改进为整数(集值)形式(multiplePBIL),并提出了一种新的基于城市间连接关系的非对称旅行商问题(ATSP)的解法。这种解法结合了集值人口增量学习算法和TSP问题的启发式搜索3-opt加强方法。混沌定位,分布式随机遍历构架和判断进化结束条件的可能性分布的熵的确定是该解法的三大创新之处。     

一种新的求解TSP的混合量子进化算法

在分析量子进化基本概念的基础上,提出了一种新的求解TSP的混合量子进化算法（MQEA）。该算法将三段优化局部搜索算法融入量子进化机制,采用一种基于边的编码方法,应用最近邻规则设置初始参数,并设计了排序交叉算子以扩展种群的搜索范围。通过选取国际通用旅行商问题（TSP）实例库(TSPLIB)中的多个实例进行测试,表明新算法具有高的精确度和鲁棒性,即使对于中大规模问题（城市数大于500）,也能以很小的种群和微小的相对误差求得满意解。     

关于TSP的计算复杂性

本文研究TSP的计算复杂性,指出了判定型TSP与最优型TSP具有不同的计算复杂性,同时指出了文献[1]-[3]中的一些错误。     

一种进化计算的抽象机器模型

本文提出了一种新的用于进化计算应用算法设计的抽象机器模型和通用性策略。这种设计方法充分反映了人工生命元进化创发性的自适应机理，有助于非线性信号自适应处理的进化计算系统的设计和开发。     

基于局部进化的Hopfield神经网络的优化计算方法

提出一种基于局部进化的Hopfield神经网络优化计算方法,该方法将遗传算法和Hopfield神经网络结合在一起,克服了Hopfield神经网络易收敛到局部最优值的缺点,以及遗传算法收敛速度慢的缺点。该方法首先由Hopfield神经网络进行状态方程的迭代计算降低网络能量,收敛后的Hopfield神经网络在局部范围内进行遗传算法寻优,以跳出可能的局部最优值陷阱,再由Hopfield神经网络进一步迭代优化。这种局部进化的Hopfield神经网络优化计算方法尤其适合于大规模的优化问题,对图像分割问题和规模较大的200城市旅行商问题的优化计算结果表明,其全局收敛率和收敛速度明显提高。     

基于混合杂交的遗传算法求解旅行商问题

通过混合使用多种杂交算子,提出了一种求解旅行商问题的新型遗传算法,并给出了实验验证。通过实验用该算法求解了城市数为50到100不等的旅行商问题,获得了比其它算法更精确或更接近最优的解,表明了算法的有效性。     

小窗口蚁群算法

在蚁群算法的基础上,提出了小窗口蚁群算法。通过对旅行商问题解集的分析,找到其最优解的特点,通过限定蚂蚁每次只向距离最近的几个城市移动,大大缩小其搜索范围,减少对算法中主要参数的依赖,提高其搜索精度并减少搜索时间。实验结果表明该算法有较好的效果。     

人工神经网络求解TSP问题新方法

本文在分析Hopfield/Tank方法的基础上提出一种新的人工神经网络方法,采用优化约束条件的能量函数,具有收敛速度快、不易陷入无效解、易获得亚优解等优点。     

基于竞争演化算法的TSP求解

针对NP完全问题的TSP问题,该文提出了一种属于启发式算法的竞争演化算法。并用构造能量函数的方法证明,用这种算法能使能量函数减小。最终必找到一条有意义的路径。微机仿真结果说明,这种算法能在较少的迭代步骤内找出一条较短的路径。     

基于人工代谢算法的TSP问题求解分析

通过分析生物体新陈代谢的生理机能,建立人工代谢算法模型.通过分析底物和生成物之间的浓度差建立多步催化反应动力学模型.通过对城市网络和代谢网络进行类比,建立基于浓度差的TSP问题寻优模型.实例推导表明,人工代谢算法能有效地实现TSP问题的寻优规划.     

"人工鱼"自学习方法研究

“人工鱼”利用人工生命方法创作计算机动画。为了进一步提高动画角色的自适应能力,该文将人工神经网络方法和基于时间差分方法TD的强化学习相结合,建立了“人工鱼”的自学习模型,控制人工鱼的行为。该实验表明该“人工鱼”自学习系统可以使“人工鱼”成为更加自主和智能的角色。     

基于人工免疫算法和蚁群算法求解旅行商问题

人工免疫算法具有快速随机的全局搜索能力,但对于系统中的反馈信息利用不足,往往做大量无为的冗余迭代,求解效率低。蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。该文提出一种基于人工免疫算法和蚁群算法的混合算法,采用人工免疫算法生成信息素分布,利用蚁群算法求优化解。将该算法用于求解旅行商问题进行计算机仿真,结果表明,该算法是一种收敛速度和寻优能力都比较好的优化方法。     

基本蚂蚁算法中参数的讨论与改进

从基本蚂蚁算法出发,结合实验结果,讨论了ρ、Q及α、β的变化对实验结果的影响,提出了相应的参数改进方案。并将经此方案修正的蚂蚁算法与基本蚂蚁算法同时运用于经典TSP问题中,对仿真结果进行了比较。     

蚁群算法在K-TSP问题中的应用

针对K-TSP(K—person Traveling Salesman Problem)问题,该文提出了一种利用蚁群算法求解该问题的新思路。该算法采用k只蚂蚁共同构造问题的一个解,并通过多组(每组k只)蚂蚁相互协作最终达到搜索最优解的目的。实验结果显示,该算法行之有效,是一种求解K-TSP问题的有效算法。     

一种结合局部搜索策略的求解TSP的演化算法

介绍了一种结合局部搜索策略的求解流动旅行商问题（TSP）的演化算法。该算法的主要思想是将局部搜索策略在邻域内搜索的快速性与演化方法在全局搜索上的鲁棒性结合起来，从而跳离局部最优。将该算法用于TSPLIB中部分TSP实例上的试验结果表明：与传统的各种求解TSP的演化方法相比，该算法在获得全局最优解的精确度上有了一定的改善。