人工情感的进化控制系统实现

人工情感在机器人的研究中至关重要,简要概括了当前人工情感的应用.在借鉴情感学习控制的理论的基础上,融入了进化控制的思想,设计出了一种基于人工情感的控制体系结构,在此结构中包含有基于遗传算法的进化控制系统、神经和人工情感控制系统.机器人通过神经系统接受环境信息并进行行为决策,行为决策的效果通过情感学习模型进行反馈.情感学习模型根据机器人的内、外环境状态,产生情感因子（即生物激素）,再由情感因子来调节神经系统的记忆和行为决策,最后神经系统的记忆与行为模块又由进化系统得以继承.该控制结构加强了机器人在动态环境中的学习和自适应能力.仿真实验验证了该控制结构的有效性,仿真结果也表明机器人具有很强的学习和自适应能力.     

一个协同进化计算模型

针对遗传算法的早熟现象、模式欺骗和局部搜索能力弱等缺陷提出了一个协同进化计算模型.该模型在基本遗传算法基础上引入多种群协同进化,利用性别特征改进交叉算子,采用小生境技术保持多样性.通过将问题求解转变为有向图遍历提出了染色体基因定位算子,使得问题求解和染色体中基因定位结合起来,提高问题求解的质量.在定位过程中可以和模拟退火等局部搜索能力强的启发搜索算法结合.通过几个非常容易陷入局部最优的测试函数和多峰函数测试,表明几乎所有的峰值都得到了理论值.     

基于多种群遗传与思维进化的混合算法

多种群遗传算法（MPGA）搜寻最优解的能力受初始种群分布的影响,在解决复杂函数优化问题时存在早熟收敛风险,而思维进化算法（MEA）存在局部搜索精度低和全局收敛速度慢的问题。针对两者的不足,提出一种MPGA和MEA混合的优化算法MPGA-MEA。为参与MEA趋同操作的各子群体设置不同的控制参数,独立进行遗传搜索,同时利用移民算子增强子群体的互动,实现协同进化,直至子群体成熟。在此基础上,释放劣质子群体,并选择全局公告板中记录的优质个体执行交叉和变异操作,产生中心个体,对应生成的临时子群体参与新一轮的迭代寻优。基于不同测试函数的仿真结果表明,该混合算法相较于MPGA和MEA,MPGA-MEA对高维多峰函数的寻优能力得到明显提升。     

并行量子进化算法的研究与实现

分析讨论并行进化模型理论及性能,提出了基于学习的多宇宙并行免疫量子进化算法,算法中将种群分成若干个独立的子群体,称为宇宙.并给出了多宇宙的并行拓扑结构,提出了宇宙内采用免疫量子进化算法,宇宙之间采用基于学习的移民和模拟量子纠缠的交互策略进行信息交换.这样能提高种群多样性,有效克服早熟收敛现象.算法综合了量子计算的天然并行性和免疫算法的充分自适应性,它比传统的进化算法具有更好的种群多样性,更快的收敛速度.通过并行实验验证了该算法的优越性.     

多智能体差分进化算法

基于多智能体与差分进化算法的各自优势,充分地将对多智能体环境的感知和反作用于环境的能力与差分进化速度和全局寻优能力有机结合,提出一种多智能体差分进化算法.引入差分进化算子以提高智能体更新速度并保持群体多样性,同时应用正交交叉算子以改善智能体协作特性确保有效竞争,并通过局部寻优算子提高算法的寻优精度.对几种典型测试函数进行了测试,实验结果表明所提出的算法具有较强的全局寻优能力.     

一种有效的双向进化算法

基于细胞分裂中DNA分子的复制机理，提出了一类新的DNA分子双向进化算法，算法模拟了一类单亲群体在恒定环境下的双向进化或演变过程，论证了在选择机制下，单亲个体能够通过生命进化的基本特征一一分裂和变异的交互作用，以1的概率演化到环境中的全局最优点，文中对算法进行了形式描述和理论探索，给出了收敛性证明，通过实例仿真和计算，验证了算法的有效性。     

基于交叉突变算子的人工蜂群算法及其应用

人工蜂群（artificial bee colony,ABC）算法在解决多峰函数优化问题时经常会陷入局部最优,使得算法过早停滞,而在解决单峰问题时往往出现收敛速度过慢的问题。针对上述不足,为了进一步提高算法的优化性能,提出了一种基于交叉突变的人工蜂群（intersect mutation ABC,IMABC）算法。IMABC算法将整个蜂群依据其适应度值优劣进行划分,引入种群划分参数,对不同种群中的个体运用交叉突变算子,有效地平衡了种群的局部开采与全局探测能力,避免早熟收敛和提高收敛速度。从对基本函数的测试上可以看出,IMABC相对于GABC、IABC、ABC/best等改进的ABC算法,优化能力有了较大的提高。最后,将IMABC用于优化K-means算法,验证了该方法具有一定的实用性。     

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。     

遗传算法采用进化方向算子的几种策略

提出了采用实数编码情况下应用进化方向算子的几种策略，包括单亲进化方向算子、双亲进化方向算子以及无轮盘赌选择的双亲进化方向算子策略，并进行了数值仿真。仿真结果表明，灵活使用方向进化算子以及遗传操作可大大提高遗传算法的全局搜索能力。     

人工生命体行为选择及其进化研究

在引入外部环境刺激和内部情感动机,建立起人工生命体基于优先度的行为选择分级模型的基础上,进一步对其遗传和进化过程的模型进行了研究,解决了在进化过程中优先度的自寻优问题.仿真实验结果表明,人工生命体的基于优先度分级行为选择的遗传进化模型,不仅使得人工生命体能在未知环境中更为逼真地模仿自然生命的行为,而且具有较高的遗传进化效率.     

人工心理与人工情感

介绍了人工心理与人工情感的定义、研究意义、关键支撑技术和主要研究内容与应用领域,分析了国内外相关研究的进展.人工情感主要是情感计算方面的研究,人工心理包括人工情感、人工意识以及认知与情绪的人工数字化技术.人工情感是人工心理的一个主要研究内容.最后提出了该研究领域未来需要解决的若干科学问题及几点建议.指出了研究情感形式化方法和开发人类心理数字化技术并实现重大应用,是人工心理和人工情感研究者未来的主要任务.     

一种改进的GEP方法及其在演化建模预测中的应用

为了提高预测的准确性,结合基于突变算子的基因表达式和一种基于群体搜索技术的演化算法,提出了改进的GEP方法,并用其对数据进行演化建模。实例测试的结果表明,使用改进的GEP方法得到的模型要优于GP和单纯的GEP方法得到的模型,本方法具有良好的拟合度和预测精度。     

基于神经网络的语音情感识别

研究目的就是通过深入分析各种语音情感特征,找出其中对情感识别有较大贡献的特征,并寻找适合的模型将有效特征加以利用。分析和研究了多位科学家在进行语音情感分析过程中采用的方法和技术,通过总结和创新建立了语音情感语料库,并成功地提取了相关的语音信号的特征。研究了基音频率、振幅能量和共振峰等目前常用的情感特征在语音情感识别中的作用,重点研究了MFCC和?驻MFCC,实验发现特征筛选后系统的识别效果有着一定程度的提高。将处理后的频谱特征参数同原有的BP人工神经网络模型有效地结合起来,形成完整的语音情感识别系统,取得了较为满意的识别结果。     

基于均匀设计抽样的改进遗传算法在回归模型中的应用

通过对佳点集遗传算法优缺点进行分析,利用均匀设计抽样（UDS）的理论和方法,对遗传算法中的交叉操作进行重新设计,提出一种改进的遗传算法。新算法将变量选择和变换选择并行实施,并结合统计信息准则处理回归模型选择问题。仿真实验表明新算法在求解精度、解的稳定性等方面有较大的提高。     

基于模糊认知图的情感Agent模型研究

人工情感是人工心理的一个主要研究内容。从研究人工情感出发,提出一种基于模糊认知图的情感Agent建模的方法。模糊认知图模型通过在传统认知图模型中引入模糊测度来量化概念间因果关系的影响程度。Agent的知识由内部组元的状态以及组元之间的关系权值进行描述,用简单数值运算代替了复杂的符号逻辑来实现Agent的智能推理和决策。通过实验表明,该模型设计简单、易于扩展、适用性好。     

基于Pareto最优和限制精英的多目标进化算法

在NSGA-II算法的基础上,提出了一种基于Pareto最优和限制精英的多目标进化算法(LEMOEA)。通过分布函数的引入,限制了精英选取的数量,从而更好地维护了种群多样性。同时给出了一种新的单点复合交叉算子,其不但增大了解的搜索区域,而且增强了算法对解的搜索能力。实验结果表明:LEMOEA比NSGA-II有更好的收敛效果和种群多样性。     

一种带混合杂交算子的遗传算法及其收敛性

本文将传统遗传算法中的杂交算子与一种新设计的优化方法相结合,提出了一种能改善种群中个体适应度的混合杂交算子,并通过修正适应度函数给出了一种新的求解连续型数值优化问题的遗传算法,并证明了其全局收敛性。数据试验表明,该算法对这些测试函数的结果优于文献中的方法     

基于模糊C均值的改进人工蜂群聚类算法*

传统的模糊C-均值聚类算法存在对初始聚类中心选择与噪声数据敏感,容易使目标函数陷入局部最优的问题以及标准人工蜂群算法局部搜索能力及开发能力不强的缺点,针对这个问题,引进差分进化的思想改进人工蜂群算法并对跟随蜂的搜索行为进行更准确的描述,结合模糊C-均值聚类算法具有收敛速度快、易于实现且局部搜索能力较强的优点,提出一种基于模糊C-均值的改进人工蜂群聚类算法以提高聚类的性能。实验结果表明：该算法相对于传统FCM聚类算法,准确率和抗噪性有所提高,聚类的效果更好。     

一个基于神经网络和遗传算法的游戏自主角色的设计

具有学习能力和动态适应环境变化的自主角色已经成为商业游戏的一个卖点,采用传统的人工智能方法往往无法实现复杂的自主角色的行为,基于此,采用非确定性的神经网络和遗传算法来实现自主角色已经成为当前游戏人工智能的一个热点。分析了游戏自主角色的特点, 建立了NPC的自主认知模型,同时采用神经网络和遗传算法相结合的游戏自主角色的设计思路,利用遗传算法优化神经网络的方法设计了一个自主角色的框架,建立了一个游戏角色的自学习模型,通过仿真实验表明采用神经网络和遗传算法相结合的非确定性算法形成的游戏角色的自学习系统要比传统的NPC角色更加自主和智能化。     

一种改进的演化算法

将GT算法和粒子群优化（PSO）算法结合并加以改进,采用non uniform变异算子提高局部搜索能力和算法的稳定性,同时引入种群划分等策略,构建了一种新的演化算法(记为GT POPDM PSO)。该算法比上述两种算法具有更好的性能,特别是对多峰函数优化等问题计算效果更好。