基于PBIL算法的物流中心选址问题研究

介绍了基于种群竞争式学习的PBIL算法的基本原理和实现方法。比较了PBIL算法和遗传算法求解过程的异同点。分析了PBIL算法在物流中心选址问题中的应用,并且通过实例验证了算法的可行性和有效性,证明了PBIL算法比遗传算法具有更高的搜索效率。     

动态系统的常微分方程组建模—基于不同搜索技术的实验研究

以人口模型和化学反应模型为例,通过大量实验研究比较了分别采用基于两种传统的搜索方法即局部搜索算法和模拟退火算法、遗传算法（简称GA）四者相结合的14种不同算法建立动态系统的常微分方程组模型的实验结果,得到了有关各算法性能比较的一些新的结论。两个实例的实验结果表明：在14种算法中,GP＋GA＋LS－MU算法（即在采用GP的模型结构的优化过程中嵌入采用GA的模型参数的优化过程,并且在每一演化代对种群中的部分个体进行基于GP的标准变异算子产生邻域解的局域搜索过程）是目前解决常微分方程组建模问题的最好算法。     

应用于组合优化的自适应PBIL算法研究

为解决组合优化过程中最优解的搜索效率问题,研究了一种基于自适应理论的PBIL算法。通过引入系统熵值,使传统PBIL算法的学习概率和变异率能根据系统熵值的变化作自适应调整,形成具有自学习和变异能力的自适应PBIL算法（APBIL）。通过实例验证了该算法的实用价值和有效性。     

改进回溯搜索算法解决光伏模型参数识别问题

为了准确、可靠地识别光伏模型参数,提出一种改进回溯搜索算法（MBSA）。该算法首先通过选取部分种群个体同时学习当前种群和历史种群信息,而其他个体向当前种群中最优个体学习并远离最差解,从而保持种群多样性并提高收敛速度;然后,通过概率来量化总体中的个体性能,进而每个个体基于概率自适应地选择不同的进化策略来平衡探索和开发能力;最后,采用基于混沌局部搜索的精英策略来进一步提高种群的质量。所提算法在单二极管、双二极管和光伏模块等不同的光伏模型上进行仿真实验。实验结果表明,所提出的策略极大提升了回溯搜索算法（BSA）的收敛速度和参数识别的准确性。将所提算法与逻辑混沌JAYA（LCJAYA）算法和多重学习回溯搜索算法（MLBSA）等八种先进的算法进行对比,结果表明,所提出算法参数识别的鲁棒性在对比算法中最优,在单、双二极管模型上的识别准确性明显优于JAYA、LCJAYA、改进的JAYA优化（IJAYA）和基于教学的优化（TLBO）算法,在光伏模块模型上的识别准确性明显优于MLBSA、JAYA、IJAYA和TLBO算法。在不同光照条件和不同温度下采用厂商真实数据对薄膜、单晶和多晶三种光伏组件进行的实际测试中,所提算法的预测结果与实测情况一致。仿真结果表明,所提算法能够精确稳定地识别光伏模型参数。     

基于PBIL算法的高校自动排考系统

提出了一种基于PBIL的高校自动排考算法,重点论述了如何优化目标函数与排考约束条件之间的关系,并对PBIL基因选择算法提出了改进。通过实际的测试应用,基于PBIL算法的自动排考系统能够较好地满足学分制下的自动排考需求,对附加约束条件具有较强的适应性,能够满足各个学校的不同排考需求。     

动态种群划分量子遗传算法求解几何约束

几何约束问题的约束方程组可转化为优化模型,因此约束求解问题可以转化为优化问题。针对传统量子遗传算法个体间信息交换不足,易使算法陷入局部最优的缺点,提出了动态种群划分量子遗传算法（dynamic population divided quantum genetic algorithm,DPDQGA）,并将其应用于几何约束求解中。该算法种群中的个体按照一定规则自发地进行信息交换。在每一代进化的开始阶段,分别对两个初始种群中的个体计算个体适应度。将两个种群合并,使用联赛选择的方法为种群中的个体打分,并按照得分对种群进行排序。最后将合并的种群重新划分为两个子种群。实验表明,基于动态种群划分的量子遗传算法求解几何约束问题具有更好的求解精度和求解速率。     

基于动态邻域的粒子群算法的研究

研究了邻域拓扑结构对粒子群算法性能的影响。设计了两种动态邻域生成策略,并基于一组具有代表性的测试函数,对两种典型的算法模型——标准的粒子群算法（CPSO）和充分联系的粒子群算法（FIPS）进行实验。实验结果表明,不同的邻域拓扑结构和不同的算法模型都能够影响粒子群算法的性能。     

基于协同进化算法的TS模糊模型设计

提出一种基于协同进化算法的TS模糊模型设计方法．该方法由以下两步组成：（1）采用模糊聚类算法辨识初始的模糊模型；（2）利用协同进化算法对所获得的初始模糊模型进行结构和参数的优化．协同进化算法由两类种群组成：规则前件种群和隶属函数参数种群；其适应度函数同时考虑模型的精确性和解释性，采用两种群合作计算的策略；为提高模型的解释性，在协同进化算法中利用基于相似性的模型简化方法对模型进行约简．最后，利用该方法对Mackey-Glass系统进行辨识，仿真结果验证了方法的有效性．     

基于PBIL的快速图像匹配方法的研究

为了解决图像匹配过程中计算速度慢和匹配精度不高的缺陷,提出了一种基于群体增量学习(Population-based Increased Learning,简称PBIL)算法的匹配方法。PBIL算法是一种基于概率分析的进化算法。它集成了基于函数优化的遗传搜索和竞争学习两种策略,将进化过程视为学习过程,通过竞争学习所获得知识来修正生成概率,进而指导后代的生成。给出了理论分析和实验分析。在实验中,分析了不同终止条件下的算法性能,并将其与传统序贯相似性检测算法(SSDA)和遗传算法进行了比较。实验结果表明基于该算法的图像匹配具有运算速度快、匹配精确等优点,且收敛过程非常稳定。     

基于权重向量聚类的动态多目标进化算法

实际生活中存在许多的动态多目标优化问题（DMOP）。对于此类问题，当环境发生改变时，就要求动态多目标进化算法（DMOEA）能快速和准确地跟踪新环境下的帕累托前沿（PF）或帕累托最优解集（PS）。针对现有算法的种群预测性能差的问题，提出一种基于权重向量聚类预测的动态多目标进化算法（WVCP）。该算法首先在目标空间中生成均匀的权重向量，并对种群中的个体进行聚类，再根据聚类情况分析种群的分布性。其次，对聚类个体的中心点建立时间序列。对同一权重向量，针对不同的聚类情况采取相应的应对策略对个体进行补充，若相邻时刻均存在聚类中心，则采用差分模型预测新环境下的个体；若某一时刻不存在聚类中心，则用相邻权重向量聚类中心的质心作为该时刻的聚类中心，再运用差分模型预测个体。这样不仅可以有效地解决种群分布性差的问题，还可以提高预测的准确性。最后，引入个体补充策略，以充分地利用历史信息。为验证WVCP算法的性能，把它与四种代表性算法进行了仿真对比。实验结果表明，所提算法能够很好地解决DMOP。     

一种求解聚类问题的分布估计算法

提出一种求解聚类问题的分布估计算法。基于PBIL算法定义聚类矩阵,建立对应的概率矩阵模型,引入遗传算法的基因变异算子,设计适用于分布估计算法的变异操作,改进概率模型的更新方式。实验结果表明,与Kmeans、Kmedioid、Clarans和遗传算法相比,该算法的聚类质量较好。     

Experimental study on population-based incremental learning algorithms for dynamic optimization problems

Evolutionary algorithms have been widely used for stationary optimization problems. However, the environments of real world problems are often dynamic. This seriously challenges traditional evolutionary algorithms. In this paper, the application of population-based incremental learning (PBIL) algorithms, a class of evolutionary algorithms, for dynamic problems is investigated. Inspired by the complementarity mechanism in nature a Dual PBIL is proposed, which operates on two probability vectors that are dual to each other with respect to the central point in the genotype space. A diversity maintaining technique of combining the central probability vector into PBIL is also proposed to improve PBILs adaptability in dynamic environments. In this paper, a new dynamic problem generator that can create required dynamics from any binary-encoded stationary problem is also formalized. Using this generator, a series of dynamic problems were systematically constructed from several benchmark stationary problems and an experimental study was carried out to compare the performance of several PBIL algorithms and two variants of standard genetic algorithm. Based on the experimental results, we carried out algorithm performance analysis regarding the weakness and strength of studied PBIL algorithms and identified several potential improvements to PBIL for dynamic optimization problems.

基于群体递增学习算法的癌症化学疗法优化技术研究

探索分布估计算法中最频繁用于解决现实生活中优化问题的基于群体递增学习算法在优化癌症化疗中的应用能力，并与遗传算法作相应比较。实验表明基于群体递增学习（PBIL）算法的搜寻速度以及搜寻到的可行解质量均优于遗传算法。     

群体智能算法在图像分割中的应用综述

图像分割的通用方法一直是图像处理领域中的热点和难点。随着人工智能的兴起和发展,群体智能算法成为当下热点研究的方向,将图像分割技术结合群体智能算法成为一种新型有效的改进方法。群智能算法通过模拟自然界的事物或生物的行动规律,将传统的人工智能和群体生物结合,在解空间中搜索最优解,为解决复杂问题提供了新的解决思路。阐述群体智能算法的研究现状和发展过程,将早期的蚁群算法（Ant Colony Optimization,ACO）、经典的粒子群算法（Particle Swarm Optimization Algorithm,PSO）以及较新的麻雀搜索算法（Sparrow Search Algorithm,SSA）为例详细介绍其算法原理方法,并简要表述蝙蝠算法（Bat Algorithm,BA）、鲸鱼优化算法（Whale Optimization Algorithm,WOA）、人工蜂群算法（Artificial Bee Colony Algorithm,ABC）、萤火虫算法（Firefly Algorithm,FA）、布谷鸟搜索法（Cuckoo Search,CS）、细菌觅食算法（Bacterial Foraging Optimization,BFO）和最新的蜉蝣算法（Mayfly Algorithm,MA）的原理,在此基础上,结合国内外文献对上述算法的改进方法和结合图像分割技术的综合改进及应用进行分析总结。将群体智能算法结合图像分割技术的代表性算法提取出来进行列表分析总结,随后概述总结群体智能算法的统一框架、共同特性、不同的差异并提出存在的问题,最后对未来趋势做出展望。     

解决0-1背包问题的遗传分布估计算法

0-1背包问题是典型的NP难问题,针对0-1背包问题提出分布估计算法（EDA）与遗传算法（GA）相结合的算法（E-GA）。该算法在每一次迭代中由二者共同产生种群,并行搜索,两种方法产生的个体数目动态变化,将EDA的全局搜索与GA的局部搜索能力、EDA的快速收敛性与GA的种群多样性结合,实现优势互补。通过三个背包问题算例进行算法验证,与以往文献相比,结果显示该算法所获最优值优于文献最优值,运行时间短且收敛速度快。     

无人机目标检测量子多模式识别优化算法

研究了现阶段无人机雷达探测技术的难点与方法,分析了量子多模式识别网络模型与算法,根据Grover算法优化理论,提出了基于相位旋转的量子多模式识别算法（PRQMPRA）。优化算法避免了在带冗余项的量子多模式识别算法（RQMPRA）中两个相位旋转均为[π]会导致搜索成功概率降低的缺陷。利用三种数据集对误差反向传播算法（EBPA）、基于交叉熵函数的深层自编码器学习算法（CDAA）以及RQMPRA与PRQMPRA进行模式识别能力分析,结果表明在确定限定误差的情况下PRQMPRA具有更高的识别率与相对较快的运算速度。提出了一种基于量子多模式识别算法的雷达目标检测方法,通过模式分类的方法研究目标检测问题。利用上述四种算法进行无人机目标检测实验,研究结果表明PRQMPRA具有更高的检测精度,在低信噪比的情况下可保持较高的发现概率。     

基于动态D向分割和混沌扰动的阴阳对优化算法

为提高YYPO-SA1的性能,提出了一种基于动态D向分割和混沌扰动的阴阳对优化算法（NYYPO）。首先,基于牛顿衰减机制来动态调整YYPO-SA1中的D向分割概率;然后,在分割阶段加入混沌扰动策略,NYYPO利用动态调整机制在搜索前期使用较大的D向分割概率,在搜索后期则使用较小的D向分割概率,从而提高了算法的全局搜索能力,同时使用混沌扰动策略丰富了解的多样性,并提高了算法跳出局部最优的能力;最后,将NYYPO应用于风力发电机的参数优化设计问题。选用了15个单峰、多峰和组合测试函数进行性能评估,将NYYPO、YYPO-SA1以及6个代表性的单目标优化算法：粒子群优化（PSO）算法、乌鸦搜索算法（CSA）、灰狼优化算法（GWO）、鲸鱼优化算法（WOA）、花授粉算法（FPA）、麻雀搜索算法（SSA）进行性能评测比较。结果表明NYYPO相较于YYPO-SA1在Sphere函数上有着12个数量级的提升。而在Friedman检验中NYYPO在10维、30维、50维的时候的平均排名分别为2.87、2.0、1.93,均为总排名第一,可见NYYPO在统计学意义上具有显著的性能优势。同时,在风力发电机参数优化设计问题中NYYPO也取得了更好的优化结果。     

一种改进的基于差分进化的多目标进化算法

近年来运用进化算法（EAs）解决多目标优化问题（Multi-objective Optimization Problems MOPs）引起了各国学者们的关注。作为一种基于种群的优化方法,EAs提供了一种在一次运行后得到一组优化的解的方法。差分进化（DE）算法是EA的一个分支,最开始是用来解决连续函数空间的问题。提出了一种改进的基于差分进化的多目标进化算法（CDE）,并且将它与另外两个经典的多目标进化算法（MOEAs）NSGA-II和SPEA2进行了对比实验。     

求解工程约束问题的新型智能优化算法及展望

为了研究新型智能优化算法的性能和应用前景,选择了近几年提出的6种仿生智能优化算法:哈里斯鹰优化(HHO)算法、平衡优化(EO)算法、海洋捕食者算法(MPA)、政治优化(PO)算法、黏液霉菌算法(SMA)和堆阵优化(HBO)算法,对其性能和在不同带约束的工程优化问题上的应用进行对比分析.首先,对6种优化算法的基本原理进行...