并行差分进化算法

并行处理已经成为现代计算技术的一项关键技术。近几年软件的发展使得异构计算机集合可以作为并行计算资源使用,本文探讨如何在环形网络拓扑结构中将差分进化算法并行,以提高该方法的速度和性能。实验结果表明,子群中交流信息分配到不同节点的范围对该算法的性能有重大影响。此外,并不是差分进化中所有的突变策略都同样对此参数的值敏感。     

基于多策略机制的多模式共生进化算法

本文借鉴生物在生态环境中的对某一特定环境压力的多策略机制，通过模拟普遍存在的共生现象，提出了一种多模式共生进化算法．该算法主要体现了生物面对生态压力可采用不同策略协同的思想，反映了生物在生态环境中进化的多样性和多层次性．本文将该算法应用于系统跟踪问题，实验结果表明此算法具有良好的性能．     

基于Multiagent生态进化算法实现个性化主动信息服务

网络资源的指数膨胀,使得用户在获得自己需要的信息资源时要花费大量的时间和精力。该文采用Multiagent技术协助用户获取需要的信息资源,以节省用户的时间。同时给出了一种生态进化算法,使得Agent可以逐渐把握用户的需求、适应用户需求的变化、探索用户可能感兴趣的领域,为用户提供个性化的主动信息服务。     

基于学习的进化规划算法

提出基于学习的进化规划算法，用以改进普通进化规划算法的性能，该算法－方面通过学习种群整体的进化信息用以改善种群整体性能，具有大范围快速搜索的特点，另一方面该算法强调学习种群中个体的进化信息，单一个体以当前代的最优化个体作为学习目标，用以加大当前最优解附近的搜索力度，具有局部“细搜”的特点，该进化规划算法不仅能够加快算法的收敛速度，而且能够有效地保证种群的多样性，用该方法可求解具有多个极值点的函数优化问题，计算要仿真实验结果表明该方法是非常有效的。     

一种基于量子进化算法的概率进化算法

针对量子进化算法(QEA)求解二进制编码问题比较有效,而求解多进制编码问题则比较困难,提出一种概率进化算法(PEA)。该算法汲取了量子复合位、叠加态等思想,采用由观测概率构成的概率复合位进行编码,观测和更新操作直接针对观测概率进行。PEA保持了QEA的性能,运算速度远优于QEA,并可以采用任意进制编码。函数优化和背包问题实验验证了PEA的有效性。     

矩形物体布局的模拟进化算法

介绍了一种称为序列对的表示 Non- Slicing结构平面上矩形块布局的模型 ,并基于该模型提出了一个优化矩形块布局的模拟进化算法     

基于进化计算的Halftoning算法

描述了进货计算在Ｈａｌｆｔｏｎｉｎｇ算法中的应用，在保真显示或打印机上输出图像时，需要用ｈａｌｆｔｏｎｉｎｇ技术将多灰度图像转换为二值图像。一般来计，保真满意的图像必定有高的立体和灰度级质量。在研究中，ｈａｌｆｔｏｎｉｎｇ算法被看作一个优化问题，即在ｈａｌｆｔｏｎｉｎｇ图像中搜索黑色像素的位置，以使图像具较好的视沉效果。     

基于量子进化算法的路由选择

网络中存在许多设计和优化问题,其中相当一部分属于NP类型。传统的解法由于计算复杂度过大而失效。为了降低计算机网络的时延和运营费用以改进网络性能,采用量子进化算法优化计算机网络中路由选择问题,深入研究了量子进化算法及其在路由选择优化问题中的应用,并对量子进化算法进行了改进,使之更适合这类问题的求解。仿真实验结果表明,同传统优化算法相比该方法对求解网络的路由选择具有很大优越性。研究结果不仅对各类网络的优化问题有一定的应用价值,而且也扩展了量子进化算法的应用范围。     

基于中性进化、自组织和自然选择的进化算法

生物的进化同时在基因层、个体层和种群层进行。基因层上的进化是随机、均匀、无方向性的；个体层的随机行为通过自组织作用形成种群的复杂行为；种群的进化则是一个以环境为参考的自然选择过程。基于此，本文提出了一种基于中性进化，自组织和自然选择的进化算法．该算法同时考虑基因层、个体层和种群层上的进化过程以及三个层次间的相互作用和映射关系。提出了个体能力评估函数f(xi)的概念，分析了个体能力评估函数f(xi)与种群适应度函数fit(X)间的关系。时该算法的性能进行了仿真研究．仿真结果表明该算法相对于传统的进化算法具有更好的全局收敛性，更快的收敛速度和更强的参数鲁棒性。     

基于差异进化的克隆选择算法

针对免疫算法在全局优化过程中多样性不足的问题,将差异进化引入克隆变异操作中,提出了一个新的改进的克隆选择算法——基于差异进化的克隆选择算法(DECSA),算法将差异进化和克隆超变异相结合,促进了抗体与抗体之间的信息融合,使得子代抗体继承父代抗体的信息的同时,携带着不同父代个体信息,丰富了抗体种群的多样性,实现了在同一父代抗体周围的多个方向同时进行全局和局部搜索。对13个标准测试函数的测试结果及与已有的算法的比较表明,该算法表现出较好的局部搜索和全局搜索能力。     

基于共生策略的多模式进化算法

借鉴生物在生态环境中的共生策略;提出了一种多模式共生进化算法,该算法主要体现了生物面对生态压力可采用不同策略协同的思想,反映了生物在生态环境中进化的多样性和多层次性,该文将该算法应用于系统跟踪问题,实验结果表明此算具有良好的性能。     

一种基于量子进化算法改进的 k-mean 聚类算法

聚类分析是模式识别中的一个重要问题,是非监督学习的重要方法。K -means 算法是其中最经典的聚类算法之一。但是这种方法面对大规模数据的时候工作量非常巨大,并且保证不了聚类结果的最优性。提出了一种基于量子进化算法的改进的 K -means 聚类算法。该方法结合了两个方法的优点,用量子进化算法进行优化,并且改进了量子进化算法中的交叉算子和更新算子,提高了基于量子进化算法的 K -means 算法局部搜索能力。实验结果表明,改进算法取得了较好的效果。     

基于空间划分的进化算法应用

针对航空公司人员排班问题,提出了一种基于空间划分的进化算法。根据种群个体的分布,结合空间划分思想,对进化算法的编码方式和进化算子进行了改进,并以清洁工排班为例,验证了算法的可行性和优越性,对实际应用提供了良好的参考。     

一种进化类混合算法的研究

针对现有的单一算法在解决数值优化问题中存在的问题,提出了一种基于进化计算的混合算法.该算法在原有遗传算法的基础上对交叉算子进行改进,同时将模拟退火算法与变异算子进行结合形成一种模拟变异算子;为提高算法的求解精度和收敛速度,在算法中引入了进化策略的自适应搜索特性; (μ,λ)选择算子的应用增加了跳出局部最优解的几率,精英保留策略的选用能够保障算法收敛于全局最优解.用两个典型的测试函数对该算法进行测试,测试结果表明算法能够跳出局部最优解的陷阱,快速高效,高精度地收敛于全局最优解.     

基于(μ+1)演化策略的多目标优化算法

使用(μ 1)演化策略求解多目标优化问题，利用群体中个体间的距离定义拥挤密度函数以衡量群体中个体的密集程度，个体适应值定义为个体的Pareto强度值和拥挤密度值之和。通过对测试函数的实验，验证了算法的可行性和有效性，该算法具有简单、稳健等特点。     

基于演化算法的带故障约束空间聚类分析

现实世界当中的各种约束条件限制了空间聚类必须考虑这些限制条件的存在.主要研究带障碍物的空间聚类,采用K-中心点算法进行聚类分析,在解决空间对象绕过障碍物的最短距离时引进改进的郭涛算法进行求解,对于中小规模数据体现了较高的执行效率.通过理论分析和实验验证,该算法是可行的.     

基于Q学习的适应性进化规划算法

进化规划中, 个体选择变异策略特别重要. 适应性变异策略因在进化过程中动态选择个体变异策略, 能够取得较好的性能. 传统适应性变异策略都依据个体一步进化效果考察个体适应性, 没有从多步进化效果上对变异策略进行评价. 本文提出一种新的基于 Q 学习的适应性进化规划算法QEP (Q learning based evolutionary programming), 该算法将变异策略看成行动, 考察个体多步进化效果, 并通过计算 Q 函数值, 学习个体最优变异策略. 实验表明, QEP 能够获得好的性能.     

一种基于状态空间模型的进化算法

传统进化算法主要通过选择、重组和变异这三种遗传操作实现种群的进化。在进化过程中通常需要设定群体规模、交叉概率和变异概率等参数,而且它们的值会直接影响计算结果及精度。为了简化操作过程,设计一种基于离散系统状态空间模型的进化算法,这种算法采用实数编码方式,构造一个状态进化矩阵来实现重组和变异的功能,提高算法的可操作性和可靠性。并将该算法应用于求解无约束全局优化问题,对几种典型的测试函数进行仿真,结果表明:这种新的进化算法具有搜索能力强、收敛速度快、计算精度高、操作简单等优点,对相关研究有参考作用。     

基于进化算法的嵌入式操作系统并发性能测试

给出了一种基于进化算法产生系统负载来测试嵌入式操作系统性能的解决方案。该方法能较真实地模拟系统所遇到的实际情况,对嵌入式系统和嵌入式操作系统的测试具有一定的普遍意义。