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．     

基于思维进化算法的神经网络权值与结构优化

人工神经网络应用的关键在于权值和结构的优化。思维进化计算(MEC)是模拟人类思维进化过程的一种新的进化算法,具有极强的全局寻优能力,在数值优化和非数值优化方面均显示出明显的优越性。本文在思维进化计算框架的基础上,提出了一种用于人工神经网络权值与结构优化的思维进化算法,设计了有效的结构优化‘趋同’与‘异化’算
子;在局部范围内寻求局部最优解,然后使用异化算子跳出局部范围的约束,在整个解空间寻求全局最优解。仿真结果说明了方法的正确性与有效性。     

基于免疫算法的前馈神经网络权值设计

提出了一种基于免疫算法的前馈神经网络设计方法(ImmuneFeed-forwardNeuralNetwork,INN),用于实现前馈神经网络权值空间的搜索。初步实验结果显示免疫算法具有快速学习网络权值的和脱离局部极小点的能力。     

进化计算在神经网络学习中的应用

提出两种用于前向神经网络的进化学习算法,一种基于遗传算法,另一种基于进化规则,通过对ＸＯＲ问题和ＩＲＩＳ模式分类问题的学习,证明它们远高于传统ＢＰ算法的性能。     

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。     

一种前馈神经网络的整体进化方法

一、前言最近十多年来,人工神经网络,尤其是前馈神经网络和BP算法获得了极其广泛的应用。BP(Back Propagation Error)算法是由Werbos在1974年首先提出的,它有效地克服了多层网络无法解决非线性分类问题的缺陷,但在当时并没有引起重视。直到1986年,Rumelhart和McClelland等人对Werbos的算法进行了总结和分析,提出了PDP(并行分布处理)理论,并进一     

进化设计人工神经网络

1 前言从1985年Rumelhart提出BP算法以来,神经网络理论发展迅速,多层前向型网络更成为用途最为广泛的网络之一。探索高效的神经网络学习算法和优良的网络结构成为推动神经理论和应用的重要因素。在网络结构设计中经常遇到的两个问题是:所得网络缺少泛化能力和易产生干扰现象。一个网络具有泛化能力是指网络能正确响应未出现在训练集中的输     

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。     

一种基于遗传算法的进化计算模型

提出一种基于遗传算法的进化计算模型(ECM).在ECM的种群中,每个成员都根据其适应度值不同程度地影响着种群的进化.ECM定义了个体对进化的影响因子,并以个体的影响因子为参数定义了个体的形成算子.分析表明,ECM是采用算术交叉算子的两父辈遗传算法以及采用频率扫描交叉算子的多父辈交叉遗传算法的推广,形成操作是父代群体编码的凸组合.实验研究显示,ECM具有比经典遗传算法更强的优化计算功能.     

神经网络主动学习的进化算法

1 引言近年来,神经网络的研究取得了很大进展,特别是,为了克服传统的BP学习算法的缺陷,即学习速度慢和人为给定的拓扑结构对特定学习任务的不适应性,而发展的自适应神经网络的增长策略,它通过不断地增长隐节点或子网来满足给定学习任务的复杂性要求。这种神经网络的增长算法不仅克服了人为指定的拓扑结构的困难,而且由于其结构过程所固有的模块化训练特性,也缓解了传统的BP算法训练速度慢的突出问题。由于神经网络训练程度很难把握,许多算法往往过分强调训练结果而牺牲泛化结果,致使网络的过拟合问题严重。为了克服过拟合问题,研究者们采用了多网络合作模型,由于多个网络的平均效应,可以避免单个     

一种基于多进化神经网络的分类方法

分类问题是目前数据挖掘和机器学习领域的重要内容.提出了一种基于多进化神经网络的分类方法CABEN(classification approach based on evolutionary neural networks).利用改进的进化策略和Levenberg-Marquardt方法对多个三层前馈神经网络同时进行训练.训练好各个分类模型以后,将待识别数据分别输入,最后根据绝对多数投票法决定最终分类结果.实验结果表明,该方法可以较好地进行数据分类,而且与传统的神经网络方法以及贝叶斯方法和决策树方法相比,在     

Evolutionary Learning of Modular Neural Networks with Genetic Programming

Evolutionary design of neural networks has shown a great potential as a powerful optimization tool. However, most evolutionary neural networks have not taken advantage of the fact that they can evolve from modules. This paper presents a hybrid method of modular neural networks and genetic programming as a promising model for evolutionary learning. This paper describes the concepts and methodologies for the evolvable model of modular neural networks, which might not only develop new functionality spontaneously, but also grow and evolve its own structure autonomously. We show the potential of the method by applying an evolved modular network to a visual categorization task with handwritten digits. Sophisticated network architectures as well as functional subsystems emerge from an initial set of randomly-connected networks. Moreover, the evolved neural network has reproduced some of the characteristics of natural visual system, such as the organization of coarse and fine processing of stimuli in separate pathways.     

利用进化规划设计人工神经网络

近年来,人们开发了许多的神经网络自动设计方法,其中进化算法与神经网络的结合最引人注目,形成一类进化人工神经网络。对用遗传算法实现神经网络的进化进行研究的时间最早,并得到广泛的评论,而最近越来越多的研究支持利用进化规划设计神经网络是一种更优的方法。该文讨论了这一领域的研究进展并阐明了进一步的研究方向。     

进化神经网络研究进展

进化神经网络是将进化算法应用于神经网络的构造、学习而得到的神经网络，具有很强的鲁棒适应性。综述了进化神经网络方法及其应用研究新进展，对研究中出现的一些问题进行了讨论与展望。     

基于遗传算法与思维进化计算的一种广义进化模型

本文在遗传算法(Genetic Algorithm，简记GA)与思维进化计算(Mind Evolutionary Computation，简记MEC)的基础上，提出了一种广义进化模型(Generalized Evolutionary Model，简记GEM)、该模型用微演化与宏演化两个过程，分别模拟人类的思维学习方式与自然进化，并通过概率趋同、信息迁移、自适应变异算子将两个过程有机的结合起来，从完全意义上模仿了人类的进化．该模型既能有效的克服遗传算法的本质缺陷，又能拓展思维进化计算的理论基础及应用范围．数值优化的仿真结果证明了该模型的有效性。     

A Design for Cellular Evolutionary Computation by using Bacteria

In this paper, we propose a general idea of Cellular Evolutionary Computation (CEC). CEC is Evolutionary Computation that solves the optimization problems with real DNA molecules and cells. The easiest means of cellular evolution is achieved by adding some genes to the main frame of gene network in the cell. However, in some cases it is necessary to optimize the gene parameters to achieve a desirable gene network output. We are working toward a realization of Evolutionary Computation algorithm to deal with the network optimization problems. We also suggest a novel method to realize a crossover operator for CEC via homologous recombination system within bacterial cells. Our ultimate objective of this study is the achievement of gene network evolution of the cell. We suggest an idea of cell-based computing that the cell-related problems are addressed by their related cells.     

基于概率分布的多峰演化算法

演化算法通过模拟自然界生物迭代演化的智能现象来求解优化问题,因其不依赖于待解问题具体数学模型特性的优势,已成为求解复杂优化问题的重要方法.分布估计算法是一类新兴的演化算法,它通过估计种群中优势个体的分布状况建立概率模型并采样得到子代,具有良好的搜索多样性,且能通用于连续和离散空间的优化问题.为进一步推动基于概率分布思想的演化算法发展,概述了多峰优化演化算法的研究现状,并总结出2个基于概率分布的演化算法框架：面向多解优化的概率分布演化算法框架和基于概率分布的集合型离散演化算法框架.前者针对现有的演化算法在求解多峰多解的优化难题时缺乏足够的搜索多样性的缺点,将广义上基于概率分布的演化策略与小生境技术相结合,突破多解优化的搜索多样性瓶颈;后者围绕粒子群优化等部分演化算法在传统上局限于连续实数向量空间的不足,引入概率分布估计的思想,在离散的集合空间重定义了算法的演化操作,从而提高了算法的可用性.     

基于移动agent技术的演化计算模型

传统演化计算存在着个体行为被动和处理过程集中式的缺陷,而移动Agent具有自治性、社会性、响应性、自发性、环境适应性和移动性。把移动agent技术应用到演化计算上能够克服传统演化计算的部分缺陷,并能达到优势互补,因此文章提出了基于移动agent技术的演化计算模型MABEC(mobile-agent—based evolutionary computation),并在IBM公司的Aglet平台上加以实现。     

一种基于群体智能的人工神经网络学习算法

将群体智能优化理论引入一种前馈式人工神经网络——径向基函数（RBF）神经网络的学习训练过程,提出了基于智能微粒群算法的RBF神经网络学习算法,并与传统RBF神经网络学习算法进行了比较,实验结果证明了该方法的有效性。     

Evolutionary Computation Techniques for Nonlinear Programming Problems

This paper presents several evolutionary computation techniques and discusses their applicability to nonlinear programming problems. On the basis of this presentation we discuss also a construction of a new hybrid optimization system, Genocop 11, and present its experimental results on a few test cases (nonlinear programming problems).