基于(μ+1)演化策略的多目标优化算法

使用(μ 1)演化策略求解多目标优化问题，利用群体中个体间的距离定义拥挤密度函数以衡量群体中个体的密集程度，个体适应值定义为个体的Pareto强度值和拥挤密度值之和。通过对测试函数的实验，验证了算法的可行性和有效性，该算法具有简单、稳健等特点。     

演化算法的收敛速率与效率分析

该文讨论了演化算法的收敛速度与效率问题．引入了衡量演化算法收敛快慢的新标准——收敛阶和收敛因子等概念，使用顺序统计方法讨论了收敛阶和收敛因子的计算问题．考虑到演化算法的收敛速度和每代群体的工作量,用收敛阶(或收敛因子)和函数评价次数定义了演化算法的效率．对于常见的球函数模型．推导出(μ，λ)演化策略收敛因子和效率公式．从理论上分析了(μ，λ)演化策略中参数μ，λ的最佳比值．     

一种非参数惩罚函数的优化演化算法

对约束优化问题的处理通常使用惩罚函数法,使用普通惩罚函数法的困难存在于参数的选取。该文提出一种基于演化算法的非参数罚函数算法,对违反约束条件动态地进行惩罚,由适应值的设定来平衡群体中可行解和不可行解的比例,使群体较好地向最优解逼近,使用实数编码的多父体单形杂交演化策略来实现新算法,通过对测试函数的检验,该算法具有稳健、高效、简洁易于实现等特点。