基于双变异算子的免疫规划

针对进化规划的早熟收敛问题，借鉴免疫系统的应答机制，并结合进化规划与免疫机理，提出一种基于双变异算子的免疫规划算法（DMIP）．该算法的核心在于采用全局柯西变异算子和局部高斯变异算子，通过保持种群的多样性和执行记忆保护以及弱小保护策略，保证了算法搜索的快速性和有效性．理论分析和仿真结果均表明，该方法能够有效地提高算法的全局及局部搜索能力，克服早熟现象．     

基于免疫粒子群算法的多用户检测技术研究

将免疫系统的免疫机制引入到粒子群优化算法的设计中,模拟免疫系统、群集智能和神经网络的信息处理机制,提出了免疫粒子群优化算法。这种免疫粒子群算法结合了粒子群的近似全局优化能力和由Hopfield神经网络构成的免疫系统的快速信息处理机制,加快了算法的收敛速度,并提高了粒子群算法的全局收敛能力。然后利用此算法对CDMA系统的多用户检测性能改进问题进行实验研究,证明了本文的方法有较快的收敛速度,并且无论是抗多址干扰能力还是抗远近效应能力都优于传统方法和一些应用优化算法的多用户检测器。     

智能优化在多用户检测中的应用

为进一步提高离散混合蛙跳算法（DSFLA）的性能,将免疫算法和克隆选择理论分别与DSFLA相结合,提出了免疫蛙跳算法（IDSFLA）和克隆蛙跳算法（KDSFLA）,利用这两种智能算法得到两种新的多用户检测器。IDSFLA是在DSFLA的每一族内更新中,嵌入免疫算法,利用Hopfield神经网络（HNN）快速产生最优个体作为疫苗母本,提高算法的全局收敛能力;KDSFLA在族内更新中,利用克隆算法的消亡操作,淘汰适应度低的青蛙个体,保证最优个体的有效进化。仿真结果表明,所提出的两种多用户检测器,在误码率、收敛速度、系统容量、抗远近能力等方面都有显著改善。     

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．     

基于自由搜索的多用户检测

自由搜索(FS)算法是一种新的群集智能优化算法,该算法与同类算法相比,全局搜索能力好、收敛速度快,把它应用到CDMA通信系统中抗干扰的关键技术-多用户检测(MUD)中,提出了基于自由搜索算法的多用户检测器(FS_MUD),并将其和基于群集智能典型算法粒子群算法的多用户检测器(PSO_MUD)做比较,仿真结果表明,该FS_MUD在误码率性能、抗远近效应和增加系统容量方面的性能较之PSO_MUD均有明显的提高。     

基于神经网络离散混合蛙跳算法的多用户检测

为进一步提高基于离散混合蛙跳算法（DSFLA）的多用户检测性能,提出一种基于DSFLA和神经网络相结合的神经网络离散混合蛙跳算法,并用于多用户检测。在DSFLA的每一族内更新中,随机选择若干只“青蛙”采用Hopfield神经网络的寻优更新策略,进行快速迭代,寻找全局最优。仿真结果证明,基于神经网络离散混合蛙跳算法的多用户检测器在误码率、收敛速度、系统容量、抗远近能力等方面都优于传统方法和一些应用优化算法的多用户检测器。     

基于神经网络量子算法的多用户检测器

利用遗传量子算法和Hopfield神经网络,提出了一种融合两种算法优点的神经网络量子算法,并将其应用到CDMA通信系统的多用户检测问题中。所提算法把神经网络嵌入到遗传量子算法的每一代中,可进一步提高量子种群的适应度函数值。通过混合神经网络到GQA中,还可加快GQA的收敛速度进而减少算法的计算复杂度。另外,GQA所提供的良好初值改善了HNN的性能,嵌入的HNN也提高了GQA的性能。仿真结果证明了该方法的抗多址干扰能力和抗远近效应能力都优于传统检测器和一些应用智能算法的多用户检测器。     

基于免疫原理的差分进化

为了提高疫苗在复杂函数优化问题中的正确性和使用效率．提出一种新的疫苗形式及其提取方法．并给出了接种概率的自适应确定方法．将上述方法与差分进化相结合．得到一种新算法——免疫差分进化（IDE）．引入超变异算子来维持种群的多样性，防止早熟现象．实验结果表明，与标准的差分进化算法相比．新算法计算量小．收敛速度快，全局寻优能力强．     

一种基于抗体网络的免疫算法

阐述了免疫系统抗体网络的机理和特点,深入分析了抗体网络与常用的免疫算法和Hopfield神经网络异同.通过不断更新输入模式(抗原)和采用最优保存策略,将基于克隆选择的竞争学习算子、自动生成网络结构、剪枝算子和低频变异用于进化操作,提出一种新的基于抗体网络的免疫算法,用于函数优化问题.实验结果表明新算法可行有效.与常用的免疫算法、Hopfield神经网络优化算法比较,新算法具有较好的全局搜索能力和较快收敛速度.     

基于免疫原理的量子进化算法及收敛性研究

分析量子进化算法的特点及免疫进化的机理，提出一种基于免疫算子的量子进化算法．该算法通过免疫克隆选择、免疫细胞交叉变异、记忆细胞产生、抗体相似性抑制等进化机制，可以最终找出最优解，比传统的量子进化算法具有更好的种群多样性，更快的收敛速度和全局寻优能力．不仅从理论上证明了所提出算法的收敛性，而且通过仿真实验表明了该算法的优越性．     

用进化RBF神经网络控制Rossler混沌系统

本文提出一种基于改进进化规划 (IEP)的 RBF神经网络控制 Rossler混沌系统的新方法 .IEP采用两层编码的染色体结构 ,上层结构基因串是二进制编码 ,可进行交叉和变异的遗传操作 ,下层参数基因串是实数编码 ,只进行 EP的变异操作 ;此外 ,使用联赛选择法和遗忘策略 ,该学习算法能同时获得 RBF神经网络的拓扑结构和参数 .把 Rossler混沌系统控制到所需周期轨道上去的实验结果 ,证明了算法的有效性     

用进化RBF神经网络控制Lorenz混沌

对镇定一嵌入在Lorenz混沌吸引子内的不稳定平衡点上的混沌轨道提出了一种利用进化RBF网控制混沌系统的新方法,采用了基于两层编码改进进化规划（IEP）的RBF网学习算法,要以同时确定网络的拓扑结构和参数,仿真结果表明本文控制Lorenz混沌响应速度快,控制精度高。     

惩罚函数优化的前馈神经网络盲多用户检测

提出一种前馈神经网络盲多用户检测算法,利用前馈神经网络替代原有检测器中的滤波器,通过惩罚函数对约束恒模代价函数进行求解,获得前馈神经网络权值和参数的迭代公式,实现了盲多用户检测。Matlab仿真结果表明,该算法改善了系统的误码率性能,加快了算法的收敛速度。     

基于进化算法的SFSN神经网络

提出一种基于进化算法的ＳＦＳＮｔＳａｍｐｌｉｎｇＦｒｅｑｕｃｈｅｙ０ｓｅｎｓｉｔｉｖｅ Ｎｅｔｗｏｒｋ）神经网络分类量化方法,该算法把并行全局寻代的进化算法ＥＰ（Ｅｖｏｌｕｔｉｏｎａｒｙ Ｐｒｕｇｒａｍｍｉｎｇ）融合进ＳＦＳＮ神经网络,使神经网络的结构优化与参数优化同时完成。即同时解决了最佳分类数与最佳矢量量化问题。实验结果证实了算法的有效性。     

一类改进进化规划及其优化性能分析

为了避免传统进化规划易早熟收敛的缺点,均衡探索和开发能力,论文采用多种群进行并行搜索,采用多变异操作增强搜索模板,采用整体概率性替换策略避免对适配值函数的依赖性以及避免搜索过程陷入局部极小,尤其采用个体重分配策略使各子群进行信息融合来增加多样性,由此提出了一类改进进化规划,并讨论了算法的函数优化和组合优化实现,同时基于典型算例的数值仿真验证了算法的有效性。     

面向多用户检测的蚁群算法及其改进

基于蚁群算法建立了一个多用户检测问题的模型,在这个模型中,蚁群算法得到了简化并且更加利于并行计算.随后将基于优化排序的蚂蚁系统用于多用户检测,并通过分析算法的缺陷提出了一种蚁群算法与进化规划相结合的混合算法,扩大了搜索空间,降低了搜索陷入局部极小的概率.通过对多用户检测问题的试验仿真表明,改进算法不仅操作简单,而且全局搜索能力有了显著的提高.     

A new evolutionary approach to cutting stock problems with and without contiguity

Evolutionary algorithms (EAs) have been applied to many optimization problems successfully in recent years. The genetic algorithm (GAs) and evolutionary programming (EP) are two different types of EAs. GAs use crossover as the primary search operator and mutation as a background operator, while EP uses mutation as the primary search operator and does not employ any crossover. This paper proposes a novel EP algorithm for cutting stock problems with and without contiguity. Two new mutation operators are proposed. Experimental studies have been carried out to examine the effectiveness of the EP algorithm. They show that EP can provide a simple yet more effective alternative to GAs in solving cutting stock problems with and without contiguity. The solutions found by EP are significantly better (in most cases) than or comparable to those found by GAs.Scope and purposeThe one-dimensional cutting stock problem (CSP) is one of the classical combinatorial optimization problems. While most previous work only considered minimizing trim loss, this paper considers CSPs with two objectives. One is the minimization of trim loss (i.e., wastage). The other is the minimization of the number of stocks with wastage, or the number of partially finished items (pattern sequencing or contiguity problem). Although some traditional OR techniques (e.g., programming based approaches) can find the global optimum for small CSPs, they are impractical to find the exact global optimum for large problems due to combinatorial explosion. Heuristic techniques (such as various hill-climbing algorithms) need to be used for large CSPs. One of the heuristic algorithms which have been applied to CSPs recently with success is the genetic algorithm (GA). This paper proposes a much simpler evolutionary algorithm than the GA, based on evolutionary programming (EP). The EP algorithm has been shown to perform significantly better than the GA for most benchmark problems we used and to be comparable to the GA for other problems.     

基于免疫RBF网络的雷达信号分类识别

采用了以免疫RBF网络为子网络的神经网络阵列实现了对雷达信号体制和用途的分类识别。免疫RBF网络采用全局搜索的优化方式，克服了传统算法的固有缺陷，在收敛速度和性能上都有较大的提高；通过提取RBF网络核函数宽度的先验知识作为疫苗构成免疫算子，缩小了标准进化算法搜索空间的范围。采用神经网络阵列有效地解决了单个神经网络在雷达信号识别中训练时间长，扩充、修改、维护难等致命的弱点。仿真结果表明，在雷达参数不全的情况下，免疫RBF网络阵列对各种雷达的体制和用途都达到了较高的正确识别率。     

Minimax design of neural net controllers for highly uncertainplants

This paper discusses the use of evolutionary programming (EP) for computer-aided design and testing of neural controllers applied to problems in which the system to be controlled is highly uncertain. Examples include closed-loop control of drug infusion and integrated control of HVAC/lighting/utility systems in large multi-use buildings. The method is described in detail and applied to a modified Cerebellar Model Arithmetic Computer (CMAC) neural network regulator for systems with unknown time delays. The design and testing problem is viewed as a game, in that the controller is chosen with a minimax criterion i.e., minimize the loss associated with its use on the worst possible plant. The technique permits analysis of neural strategies against a set of feasible plants. This yields both the best choice of control parameters and identification of that plant which is most difficult for the best controller to handle.     

Evolutionary-Programming-Based Kalman Filter for Discrete-Time Nonlinear Uncertain Systems

Some observations and improvements on the conventional Kalman filtering scheme to function properly are presented. The improvements can be achieved using the minimal principle evolutionary programming (EP) technique. A new linearization methodology is presented to obtain the exact linear models of a class of discrete-time nonlinear time-invariant systems at operating states of interest, so that the conventional Kalman filter can work for the nonlinear stochastic systems. Furthermore, a Kalman innovation filtering algorithm and such an algorithm based on the evolutionary programming optimal-search technique are proposed in this paper for discrete-time time-invariant nonlinear stochastic systems with unknown-but-bounded plant uncertainties and noise uncertainties to find a practically implementable “best” Kalman filter. The worst-case realization of the discrete-time nonlinear stochastic uncertain systems represented by the interval form with respect to the implemented “best” nominal filter is also found in this paper for demonstrating the effectiveness of the proposed filtering scheme.