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。     

基于生殖策略的多模式进化算法

本文借鉴生物在生态环境中的生死策略,提出了一种多模式生态进化算法,该算法主要体现了生物面对同一生态压力可采用不同生殖策略的思想,反映了生物在生态环境中进化的多样性和多层次性,本文同时将该算法应用于典型优化问题求解实验结果表明此算法具有良好的性能。     

免疫多克隆策略

基于细胞克隆选择学说，系统阐述了用于人工智能的多克隆算子。将多克隆算子用于进化算法，提出了改进的进化策略算法——免疫多克隆策略算法，并基于Markov链的有关性质，证明了该算法的收敛性。理论分析和仿真实验表明，与传统的进化策略算法相比，该算法有效克服了早熟问题，保持了抗体的多样性，而且收敛速度快。     

共生进化在参数学习中的应用

该文在模型参数的进化学习中,针对现有进化模型的效率问题,借鉴生物在生态环境中的共生策略,采用多模式协同进化,加快进化速度,实验表明具有良好的效果。     

在进化策略中引入策略进化

进化策略是遗传／进化算法中的重要算法之一．如何选择合适的策略来引导进化则又是进化策略的关键问题之一,本文从进化策略对自然选择的基本理解和结论出发，给出了一种对进化策略中的策略选择问题的进化优化方法．同时，我们还讨论了基于进化策略的机器学习问题．     

基于食物链的生态进化算法

借鉴生物在生态环境中的能量传递方式一食物链,提出了一种多模式协同的生态进化算法。同时将该算法应用于典型优化问题求解,实验结果表明此算法具有良好的性能。     

多种群多策略的并行差分进化算法

为了更好地提高并行差分进化算法的求解精度和计算效率,实现适用于解决多种优化问题的鲁棒性算法,提出了一种多种群多策略的并行差分进化算法。该算法将种群划分为多个子种群,不同的子种群分别采用不同的差分进化策略。多个子种群各自独立进化,互不干扰,每隔一定代数才进行种群间的通信交流。通过利用多种群实现多种优化策略,并采用并行方式,使得算法可以采用不同的优化策略进行搜索,更加节省计算时间。数值实验结果表明,该算法在求解不同类型的优化问题时都具有良好的计算能力和效率。     

基于多策略排序变异的多目标差分进化算法

针对多目标差分进化算法求解多目标优化问题时收敛慢和均匀性欠佳等不足,提出了一种基于多策略排序变异的多目标差分进化算法。该算法利用基于排序变异算子快速接近真实的Pareto最优解,同时引入多策略差分进化算子以保持算法的多样性和分布性。通过自适应策略,动态调整控制参数以提高算法的鲁棒性。从理论证明的角度分析了所提算法的收敛性。仿真实验结果表明,本文所提算法相对于近期相关文献中的改进算法具有更好的收敛性与多样性,从而表明了所提算法的有效性。     

基于分解和多策略变异的多目标差分进化算法*

差分进化是一种有效的优化技术,已成功用于多目标优化问题。但也存在Pareto最优集合的收敛慢和多样性差等问题。针对上述不足,本文提出了一种基于分解和多策略变异的多目标差分进化算法(MODE/DMSM)。该算法利用基于分解的方法将多目标优化问题分解为多个单目标优化问题;通过高效的非支配排序方法选择具有良好收敛性和多样性的解来指导差分进化过程;采用了多策略变异方法来平衡进化过程中收敛性和多样性。在ZDT和DTLZ的10个测试函数上的仿真结果表明,本文算法在Parato最优集合的收敛性和多样性优于其他六种代表性多目标优化算法。     

基于多种群的自适应免疫进化计算

将免疫思想同思维进化计算相结合，提出一种新的基于多种群的自适应免疫进化算法（IABM），算法定义了选择、记忆、克隆、超变异、抑制5种基本算子．试验结果表明该算法具有高效的收敛速度，并能收敛到全局最优点．与多种群遗传算法和思维进化计算相比，IABM收敛速度更快，收敛率更高．     

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。     

基于动态调整的多目标粒子群优化算法

为了改善多目标粒子群优化算法生成的最终Pareto前端的多样性和收敛性,提出了一种针对多目标粒子群算法进化状态的检测机制.通过对外部Pareto解集的更新情况进行检测,进而评估算法的进化状态,获取反馈信息来动态调整进化策略,使得算法在进化过程中兼顾近似Pareto前端的多样性和收敛性.最后,在ZDT系列测试函数中,将本文算法与其他4种对等算法比较,证明了本文算法生成的最终Pareto前端在多样性和收敛性上均有显著的优势.     

提高多目标进化算法分布性的动态调整机制

为提高多目标进化算法的分布性,提出一种基于极坐标的动态调整机制。在极坐标下,根据解集的拥挤程度,计算个体解的缩放系数。在进化过程中利用该缩放系数动态调整解集支配关系,适当提高分布性好的解在支配关系中的地位以改善解的分布。对测试函数的仿真试验结果表明,将该机制应用于经典算法能显著提高算法的分布性,同时保持良好的收敛性。     

Evolutionary algorithms for the multi‐objective test data generation problem

Automatic test data generation is a very popular domain in the field of search‐based software engineering. Traditionally, the main goal has been to maximize coverage. However, other objectives can be defined, such as the oracle cost, which is the cost of executing the entire test suite and the cost of checking the system behavior. Indeed, in very large software systems, the cost spent to test the system can be an issue, and then it makes sense by considering two conflicting objectives: maximizing the coverage and minimizing the oracle cost. This is what we did in this paper. We mainly compared two approaches to deal with the multi‐objective test data generation problem: a direct multi‐objective approach and a combination of a mono‐objective algorithm together with multi‐objective test case selection optimization. Concretely, in this work, we used four state‐of‐the‐art multi‐objective algorithms and two mono‐objective evolutionary algorithms followed by a multi‐objective test case selection based on Pareto efficiency. The experimental analysis compares these techniques on two different benchmarks. The first one is composed of 800 Java programs created through a program generator. The second benchmark is composed of 13 real programs extracted from the literature. In the direct multi‐objective approach, the results indicate that the oracle cost can be properly optimized; however, the full branch coverage of the system poses a great challenge. Regarding the mono‐objective algorithms, although they need a second phase of test case selection for reducing the oracle cost, they are very effective in maximizing the branch coverage. Copyright © 2011 John Wiley & Sons, Ltd.     

基于自适应共生进化的自主体快速强化学习研究

文章研究了一类基于自适应共生进化模型的自主体构造方法,提出了基于自适应共生进化算法（ＡＳＥ）的一种进化强化学习方法,该方法不仅可以高效地进行神经网络决策系统的设计,而且在多自主体组成的自律系统的群体行为进化中可快速学习而收敛,并且通过多样度调节维持了群体多样性,克服了未成熟收敛现象。研究者将该方法用于人工生物中求偶通讯规范的研究,通过在环境中的生存和行为学习,雌雄个体都可有效地学习到成功的求偶通讯规范。     

一种基于相似个体的多目标进化算法

分布性保持是多目标进化算法研究的一个重要方面,一个好的分布性能给决策者提供更多合理有效的选择。Pareto最优解的分布性主要体现在分布广度与均匀性两个方面。提出一种基于相似个体的多目标进化算法（SMOEA）。在种群维护中删除相似程度最大的个体;在进化操作中,选取了相似程度最大的个体进行进化。与目前经典算法NSGA-II和ε-MOEA进行比较,结果表明新算法拥有良好的分布性,同时也较好的改善了收敛性。