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。     

具有行为强化学习能力的人工生命进化模型设计

人工生命进化模型设计的关键问题是学习与进化之间的关系,在自主体生存期内的学习过程可以通过不同的遗传方式指导个体行为的进化。该文利用进化算法和人工神经网络的研究方法,设计了两种不同的人工生命自主体的进化模型,模型解决了先天的遗传进化和后天的个体神经系统强化学习的有机结合问题,并且得出结论认为,强化学习有助于自主体适应复杂的外部环境,同时学习也可以直接或间接地使该适应性成为自主体遗传基因上的固定成分。     

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。     

基于进化动力学的人工生命创发性模型

提出并构造了一种新的人工生命意义下的创发性（２＋２＋ｎ）模型,同前人的工作相比,该模型的突出特点在于：将２维形状纳入创发性分析过程并使模型拓展至多维结构形式,描述了２维表现型平面至２维基因型平面映射的复杂非线性过程,建立了多维创发性计算机制。     

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。     

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。     

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。     

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.     

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。     

"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。     

基于人工智能和人工生命的计算机动画

基于人工智能（AI）和人工生命（AL）的计算机动画是将AI和AL应用于计算机动画,从而实现动画的自动生成,减少动画师的参与,让动画角色具备自主性和智能性的计算机动画新方法。本文首先对国内外在这一领域的主要研究内容和成果进行了总结分类,评价了基于AI和AL的计算机动画较传统动画的特色和优势,继而指出基于AI／AL相结合的计算机动画方法是必然发展方向。最后对未来研究趋势作了展望。     

求解旅行商问题的人工协同搜索算法

针对传统人工协同搜索（ACS）算法求解精度不高、收敛速度慢等问题,提出一种基于Sigmoid函数的反向人工协同搜索（SQACS）算法求解旅行商问题（TSP）。首先,利用Sigmoid函数构造比例因子,增强算法的全局搜索能力;其次,在变异阶段,加入差分进化（DE）算法的DE/rand/1变异策略,对当前种群进行二次变异,提高算法的计算精度和种群的多样性;最后,在算法后期的开发阶段,引入拟反向学习策略,进一步提高解的质量。对TSP测试库TSPLIB中的4个实例进行仿真实验,结果显示,SQACS算法在最短路径与花费时间上均优于麻雀搜索算法（SSA）、DE、阿基米德算法（AOA）等7种对比算法,并且具有良好的鲁棒性;与其他求解TSP的改进算法综合对比,SQACS算法也显示了良好的性能。实验结果表明,SQACS算法在求解小规模TSP时是有效的。