合作型协同演化算法研究进展

合作型协同演化算法是近年来计算智能研究的热点。它运用生物协同演化的思想,通过构建两个或者多个种群,建立它们之间的合作关系。两个或多个种群通过相互合作来提高各自的性能,适应复杂系统的动态演化环境以及大规模演化环境,从而达到种群优化的目的。主要介绍了合作型协同演化算法的研究状况以及国内外研究进展,详细介绍了它的基本结构及对应的研究、基本算法及一些新兴算法,同时介绍了一些在现实生活中的应用,展望了合作型协同演化算法的发展前景。     

协同进化算法研究进展

为了应对复杂优化问题的高维、大规模、多类变量混合、强约束、多极小、多目标、动态与不确定等诸多求解难点,协同进化已成为改善进化算法性能的有效途径。对此,分别从种群协同、个体协同、算法协同、操作协同、参数协同、策略协同、人机协同等方面,对协同进化算法的代表性研究进展给予了综述,重点总结了协同进化的机制和算法设计,并介绍了协同进化算法在若干领域的应用,最后指出了有待于进一步研究的若干方向和内容。     

面向离散优化问题的量子协同演化算法

为解决现有离散优化算法在有限时间内容易出现过早收敛或难以收敛的问题,提出了面向离散优化问题的量子协同演化算法。该算法通过种群初始化策略构建分布均匀的初始种群,并改进粒子群和单点优化算法成为具有不同搜索能力的协同演化策略,进而利用量子旋转门根据种群个体的进化情况自适应地选择合适的演化策略,最后利用精英保持策略避免种群的退化。在标准离散问题和背包问题的测试环境中,各算法的平均收敛精度和实际收敛情况均表明,已提出的算法能够在有限时间内,收敛到精度较高的解,可用于求解具有时效要求的离散优化问题。     

对策论中最优策略搜索的协同进化演化算法

在对策论中,寻找最优策略是一个十分困难的问题,设计了一个协同进化的演化算法,并对此做了初步的研究和尝试。在算法中采用了决策树的编码表示方法,设计了基于决策树的杂交和变异算子,并引入了分裂算子和惩罚因子来平衡策略的复杂度和可读性。此算法应用在猜数字这个复杂的游戏上,实验结果表明该算法有效且快速。     

一种支持深基坑支护工程优化设计的协同演化算法

提出了一种支持深基坑支护工程优化设计的协同演化算法，并介绍了实现遗传优化的相关技术。通过对“锚杆 排桩”支护体系应用系统的实验数据分析，说明该算法的实效性和适用性。     

分销供应链协商调度多目标合作协同演化算法

研究了在制造商占优并优先调度的分销供应链中,多个分销商同时与制造商进行协商以改善自身调度的问题,建立了基于补偿的多目标协商调度模型,提出了同时实施分销商局部演化计算与制造商全局演化计算的新型多目标合作协同演化算法 GLCCEC.提出了制造商全局精英解的跳跃渐变解组合策略及全局非支配解集实时更新策略,设计了保持局部作业顺序约束下的分销商局部解全局化动态规划算法.实验结果表明,GLCCEC算法能够在不损害制造商调度的条件下有效改善每个分销商的调度,所获得的非支配解集不仅目标值优于现有的3种主要合作协同演化算法MOCCGA,NSCCGA,GBCCGA,而且具有良好的解分散度.     

基于改进异质协同演化的测试用例生成研究

路径搜索是测试用例自动生成的重要环节。针对遗传算法在测试用例生成中的“早熟”缺陷,提出一种改进的异质协同演化算法,将种群划分成两个子种群,分别采用遗传子群和差分子群进行演化,在演化的过程中两个子种群相互协作,通过改进迁移间隔代数和迁移率这两个参数,增加扰动,更加均衡遗传算法的全局探索与差异演化算法的局部搜索。实验结果表明,该算法比遗传算法和传统异质协同演化算法在生成测试用例的收敛性能方面更具优势,因此该方法更适合测试用例自动生成的应用中。     

基于协同演化的文本特征获取算法

作为证券监管机构,如何从海量的网络信息中有效地对文本信息进行准确的分类,对于提高日常监管工作效率是非常重要的。该文主要基于数据挖掘技术,以矢量空间模型VSM为文本的表示方法,提出了一个基于协同演化遗传算法的多文本特征抽取算法,有效地降低了文本特征矢量的维数,为文本分类模板获取等多文本特征获取问题提供了一个可行的解决方案。     

面向服务匹配问题的协同演化算法

服务匹配是服务发现的主要环节.目前,原子服务匹配过程主要存在服务匹配概念狭窄、匹配算法的时间复杂度较高及匹配方案的表示难以被智能优化算法处理等问题.针对上述问题,在原子服务匹配的基础上引入复合服务匹配、抽象复合服务匹配过程的适应度函数及约束条件,设计适用于智能优化算法处理的匹配方案的表示方法.同时,结合协同演化算法设计思路,提出基于粒子群和模拟退火的协同演化算法(PSO-SA),用以求解复合服务匹配.实验结果表明:与现有智能优化算法相比,PSO-SA可在有限迭代次数内获得精度较高的匹配结果,对不同维度的服务匹配问题具有较高的适应性,可用于提高服务发现结果的质量.     

浅谈演化算法

演化算法是算法设计中的一个重要组成部分,它有其独特的优势,本文将结合实际问题,浅谈对演化算法的认识。     

约束优化进化算法综述

约束优化进化算法主要研究如何利用进化计算方法求解约束优化问题,是进化计算领城的一个重要研究课题.约束优化问题求解存在约束区域离散、等式约束、非线性约束等挑战,其问题的本质是如何处理可行解与不可行解的关系才能使得算法更高效.本文首先介绍了约束优化问题的定义,然后系统地分析了目前存在的约束优化方法,同时基于约束处理机制将这些方法分为罚函数法、可行性法则、随机排序法、约束处理法、多目标优化法、混合法六类,并从约束处理方法的方面对约束优化进化算法的最新研究进展进行综述.最后,指出约束优化进化算法需进一步研究的方向与关键问题.     

基于多目标协同演化算法的大规模自动驾驶策略

目前无人驾驶技术领域的研究重点主要集中在单车层面的感知、决策与控制,而缺少对多车 之间交互及博弈的研究,因此无法有效降低交通系统整体事故率并提升通行效率。该文提出一种基于 合作博弈理论的大规模自动驾驶策略涌现方法。通过建立面向网联汽车、多目标优化决策的合作博弈 演化平台,并构造了一种网格道路模型和车辆运动学模型,使得系统中各车辆之间以近邻博弈的方式 进行交互;同时系统采用分布式算法并具有间接交互的特点,最终模型计算复杂度与模拟车辆规模呈 线性关系。实验结果表明,最佳策略涌现后,事故率和平均速度均取得明显改善,其中事故率降低了 90%,模型计算速度提升了 30%。该方法可应用于包含数百万辆自动驾驶汽车的城市级智能交通规划 系统中。     

几种计算超体积算法的比较研究

对LebMeasure算法、HSO算法、HSO+MWW算法以及HKMP算法的基本思路、关键问题进行评述,在几种测试数据集上对算法的性能进行比较验证。实验结果表明,对于所有类型的前沿,HSO+MWW的性能好于HSO算法;当处理点的数目超过某一值时,HKMP算法的性能好于HSO算法,与理论分析一致;对于HKMP算法和HSO+MWW算法,在random和discontinuous前沿上,当处理点的数目超过某一值时,HKMP算法的性能好于HSO+MWW算法;但在spherical和degenerate前沿上,HSO+MWW算法的实际性能远好于HKMP算法。     

协同进化扩展紧致量子进化算法

为了提高量子进化算法的全局收敛性能, 基于协同进化的思想, 并结合扩展紧致遗传算法, 提出了协同进化扩展紧致量子进化算法(CECQEA). 该算法利用多粒度机制进行量子染色体的旋转, 并依据边缘积模块(MPM) 进行交叉和变异以避免优良模式的破坏; 在每一个子种群内对个体依据MPM进行自调整操作, 同时进行种群的分裂、合并及优良个体的迁移操作. 通过对算法收敛性的分析可看出, CECQEA 能够收敛到满意解集; 经基准函数以及背包问题的仿真测试分析可看出, 算法收敛效果更加明显.     

基于博弈遗传算法的组合电路进化设计

为了有效提高组合逻辑电路进化设计的速度和效率,提出了一种基于博弈遗传算法的电路进化设计算法。将组合电路中的每个输出端作为博弈者,组成每个输出端的逻辑门之间的连接和组态作为策略,将电路优化问题转化为博弈优化决策问题,策略的选择通过遗传算法实现,从而建立了组合电路优化设计的博弈模型。最后通过仿真实验验证该算法的有效性。     

并行算法研究方法学

并行算法是计算机科学中重要的研究内容,已有几十年的发展历程.回顾一下其研究历程,既有高潮也有低谷,究其原因是,它没有形成自身的一套研究方法学.为此文中提出并行算法研究要建立起一套完整的"理论-设计-实现-应用"的学科体系,也就是所谓的并行算法研究的生态环境.只有这样才能够保持并行算法研究稳定、可持续发展,并使得并行算法的研究成果更加实用,从而更富有生命力.     

基于多策略机制的多模式共生进化算法

本文借鉴生物在生态环境中的对某一特定环境压力的多策略机制，通过模拟普遍存在的共生现象，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．本文将该算法应用于系统跟踪问题，实验结果表明此算法具有良好的性能．     

Supply Estimation Using Coevolutionary Genetic Algorithms in the Spanish Electrical Market

The price of electrical energy in Spain has not been regulated by the government since 1998, but determined by the supply from the generators in a competitive market, the so-called electrical pool. A genetic method for analyzing data from this new market is presented in this paper. The eventual objective is to determine the individual supply curves of the competitive agents. Adopting the point of view of the game theory, different genetic algorithm configurations using coevolutionary and non-coevolutionary strategies combined with scalar and multi-objective fitness are compared. The results obtained are the first step toward solving the induction of the optimal individual strategies into the Spanish electrical market from data in terms of perfect oligopolistic behavior.     

进化多目标优化算法研究

进化多目标优化主要研究如何利用进化计算方法求解多目标优化问题,已经成为进化计算领域的研究热点之一.在简要总结2003年以前的主要算法后,着重对进化多目标优化的最新进展进行了详细讨论.归纳出当前多目标优化的研究趋势,一方面,粒子群优化、人工免疫系统、分布估计算法等越来越多的进化范例被引入多目标优化领域,一些新颖的受自然系统启发的多目标优化算法相继提出;另一方面,为了更有效的求解高维多目标优化问题,一些区别于传统Pareto占优的新型占优机制相继涌现;同时,对多目标优化问题本身性质的研究也在逐步深入.对公认的代表性算法进行了实验对比.最后,对进化多目标优化的进一步发展提出了自己的看法.     

基于粒子群优化算法的自动机制设计

机制设计是在代理自私行为的基础上寻找博弈规则,获得满意结果的理论和方法。传统的机制设计是手工完成的,Conitzer和Sandholm提出了自动机制设计的方法,把机制设计作为优化问题,并且用线性规划来解决。在本文中,我们提出了使用粒子群优化算法来实现自动机制设计,并对离婚案问题获得了较好的结果。