具有轮盘反转算子的多Agent算法用于线性系统逼近

针对John Holland的反转算子在数值优化中的不合理性, 提出了一种轮盘反转算子来克服这种不合理性,并结合该算子提出了一种多Agent进化算(RAER), 证明了算法的全局收敛性. 无约束优化仿真实验表明, 该算法性能好于其他算法. 在求解线性系统逼近工程优化问题时, 无论在固定区域还是动态扩展区域搜索, 算法都能得到更好的模型, 较其他算法能够对搜索区域进行更为充分的探索和求精. RAER算法是实际有效的.     

改进的多智能体遗传算法求解TSP研究

多智能体遗传算法是基于智能体对环境感知与反作用的能力提出的一种新的函数优化方法,具有很快的收敛速度,尤其是在优化超高维函数时更显示出了它的优越性。针对这一特点对该算法进行了适当的改进,在邻域正交交叉算子中采用精英保留策略,在自学习算子中引入邻域正交交叉算子并采用小变异概率以加快收敛速度。求解TSP的实验结果显示,改进后算法的性能有了较大的提高。     

基于遗传算法的多智能体联盟形成机制

针对动态开放式多智能体系统中联盟的形成问题,提出“按能力分配”的联盟报酬划分规则和联盟报酬率等概念及相关命题,讨论Agent之间的协商机制和协商原则,在此基础上建立基于多智能体遗传算法的联盟形成机制。仿真计算结果表明,该联盟形成机制能够减少系统的通信量,保证所得联盟的稳定性和全局最优性,提高系统的结盟效率。     

基于多准则的链式智能体遗传算法用于特征选择

针对简单遗传算法用于特征选择精度不高、过早收敛的问题,提出了一种新的遗传算法——链式智能体遗传算法(LAGA),并与多准则(MC)相结合,从而提出了基于多准则竞争策略的链式智能体遗传算法(LAGA MC)用于特征选择。LAGA引入了链式智能体结构,智能体相互进行竞争选择和自适应交叉,自身进行自适应变异,从而使得该算法能够获得更精确的搜索结果;MC通过对基于单准则进行选择得到的特征子集进行特征位判断,从而确定出最终特征子集,以达到更全面的评价选择结果,获得识别率更稳定的特征子集。实验结果表明,LAGA搜索精度更高,LAGA MC获得的特征子集分类准确率更高、更稳定。     

基于计算智能中遗传算法的特点

计算智能是以计算模型、数学模型为基础．以分布并行计算为特征的模拟人的智能求解问题的理论与方法。遗传算法是模拟进化算法中具有普遍影响的算法之一。文章通过对遗传算法基本原理的阐述,对其算法在应用中最关键的串的编码方式、适应函数的确定、遗传算法自身参数设定这三个问题的分析,为遗传算法在网络学习、网络设计、网络分析中的应用进行了总结归纳。     

基于多智能体遗传算法的战术航段优化

针对飞机战术飞行要求和威胁规避目标的问题,采用优势函数和战术规避相结合的原则,将战术航段优化问题转化为路径搜索问题,提出了基于多智能体遗传算法来解决此问题.采用自适应交叉和变异算子,改进自学习算子获取子代的算法,实现了全局最优的结果.通过和传统遗传算法进行仿真比较,相比之下,基于多智能体的遗传算法可以有效利用地形,实现战术飞行.     

用遗传算法解决智能体协商问题

遗传算法是一种全局优化的非数值计算方法,适用于求解大规模离散化问题。文章将遗传算法应用于智能体的协商中,希望可以快速、高效地找出协商策略。     

基于多智能体的新型遗传算法及其在复杂系统中的应用研究

通过对简单遗传算法及其研究现状的分析研究，及对复杂系统与简单遗传 算法特点的比较分析，针对简单遗传算法的不足，提出了一种基于多智能体的新型遗传算法，定义了新型遗传算法中的环境、智能体结构、遗传算子、目标/评估函数和流程图，最后用一个测试函数和复杂环境下的多峰函数对它进行了验证分析. 结果表明，新型遗传算法具有明显的优点和优势，特别适合于复杂系统中的问题求解．     

基于多智能体遗传算法的无人机突防航线规划

针对无人机突防航线规划中需要威胁规避以及低空突防的问题,结合智能体自学习自适应的特点,提出了基于多智能体遗传算法来解决航线规划问题.采用自适应交叉和变异,改进自学习算子中获取下一代智能体的方法,将智能体和遗传算法的优点结合起来,达到了全局最优的效果.通过和传统遗传算法进行仿真比较,相比之下,基于多智能体的遗传算法可以有效规避威胁源,并能实现低空突防的效果,整体所需的航程代价小,运算速度快.     

遗传算法综述*

遗传算法来源于进化论和群体遗传学，是计算智能的重要组成部分，正受到众多学科的高度重视。本文系统综述了遗传算法的发展历程，理论研究和应用研究，并进行了分析和评价。     

离散时间线性系统最优控制的遗传算法实现

本文提出了求解控制变量受区间约束情形的离散时间线性系统最优控制的遗传算法,在遗传算法框架下给出了离散时间线性系统最优控制问题可行解的编码及初始化方法,设计了选择、交叉、变异等遗传算子,并对初始化方法及各种遗传算子的可行性给出理论分析。     

方向自学习遗传算法

为克服准遗传算法收敛速度慢、早熟收敛等缺点,提出一种方向自学习遗传算法,该算法在局部搜索中引入方向信息,利用函数的伪梯度来指导搜索方向。算法通过个体之间的竞争、合作与学习来不断更新最优个体,为增加种群的多样性提出一种消亡算子,避免早熟收敛,提高算法收敛速度。采用4个二维函数和多个无约束高维函数对算法进行测试,与3个新提出的算法进行比较,实验数据和理论分析表明,该算法在解的质量上和计算复杂度上都优于上述3个算法,充分证明该算法的有效性。     

一种改进的遗传算法及其在TSP中的实现

TSP问题是典型的NP完全问题，遗传算法是求解NP完全问题的一种方法。文章针对TSP问题．提出了一种改进的遗传算法。在遗传算法中引入进化算法的思想，在此基础上提出顶端培育策略和分阶段策略，以求在保证群体多样性的同时加快收敛速度。在算法的仿真和测试中，改进后的算法明显优于传统的遗传算法。这表明，该算法具有良好的可行性和实用性。     

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。     

一种基于遗传算法的创新进化系统实现方法

提出了一种基于遗传算法的交互式创新进化系统实现方法。为了说明遗传算法在开发面向用户的进化系统中的有效性，给出了一个基于遗传算法的创新进化系统，它可以辅助工业设计师完成手机外形的概念设计。实验表明，遗传算法在创新进化系统中有很好的应用前景。     

基于BMI的一类不确定分段线性系统的最优控制设计

将不确定分段线性系统的最优控制问题转化成最优控制性能界的优化问题．其中性能上界的优化是以反馈增益为寻优参数的一组双线性矩阵不等式(BMI)问题，对此将遗传算法和内点法结合， 设计了一种混合算法进行求解．最后的算例表明控制律的设计及其求解算法的有效性．     

基于遗传算法的Agent组织信誉度研究

首先描述Agent组织信誉度问题;接着介绍遗传算法在Agent组织信誉度中的应用;最后通过使用MATLAB遗传算法工具箱,对一个典型的实例进行计算,表明遗传算法对Agent组织信誉度优化具有可行性和有效性。     

结合序列线性规划法的混合遗传算法

通过将遗传算法与改进的序列线性规划法相结合，形成混合遗传算法．当迭代点没有发生交叉和变异时，将目标函数和约束条件在迭代点处线性化，为使迭代点邻域仍然满足约束条件，加入软约束项，用线性规划方法进行寻优．该方法具有全局收敛性，不要求迭代点一定为可行点．仿真结果验证了此法的有效性和合理性．     

Towards Creative Evolutionary Systems with Interactive Genetic Algorithm

Evolutionary computation has shown a great potential to work out several real-world problems in the point of optimization, but it is still quite far from realizing a system of matching the human performance. Especially, in creative applications such as architecture, art, music, and design, it is difficult to evaluate the fitness because the measure depends mainly on the human mind. To overcome this shortcoming, this paper presents a novel technique, called interactive genetic algorithm (IGA), which performs optimization with human evaluation and the user can obtain what he has in mind through repeated interaction with. To show the usefulness of the IGA to develop effective human-oriented evolutionary systems, we have applied it to the problems of fashion design and emotion-based image retrieval. Experiments with several human subjects indicate that the IGA approach is promising to develop creative evolutionary systems.