关于多目标演化算法的策略分析

基于Pareto排序算法的多目标演化算法是多目标演化算法所采用的重要方法,本文叙述了多目标演化算法(MOEAs)的有关概念,在分析已有算法的一些性能和特征的基础上,结合演化算法的有关概念,重点基于Pareto排序算法分析了影响多目标演化算法性能的两大方面:求解过程中解集合的多样性、均匀性分布的保持与维护以及解的收敛性,分析了MOEAs设计中需要注意的策略问题以及今后研究的重点.     

基于动力学演化算法的云任务与虚拟机分配策略研究

建立了云任务和虚拟机分配的数学模型,并将其转换成一个组合优化问题,利用改进的演化算法进行求解.算法中设计了两种编码方案,并根据这两种编码表示设计了杂交和变异算子,并引入了动力学选择机制让种群中的个体都有机会参与演化.采用了两组实验数据进行测试,并和随机分配算法、顺序分配算法以及贪心分配算法进行比较.实验结果表明该演化算法获得的结果最优.     

演化求解高维函数优化问题的独立编码策略

在用演化算法解高维函数优化问题时，一般采用传统的二进制整体编码策略。本将函数的自变量独立分组，分别进行编码和演化操作，以突破传统二进制整体编码策略的束缚，将这种分组编码策略称为独立编码策略，同时，讨论了独立编码串行实现的灵活性，提出了一个基于变量分组的并行演化计算模型，大量的数值实验结果表明，在问题求解的精确度和求解速度方面，独立编码策略都优于传统的二进制整体编码策略。     

差分演化算法研究综述

差分演化算法（DE）一种基于群体的随机搜索技术,并已被广泛的应用于各种优化领域。为了提高差分演化算法的收敛速度、全局搜索能力以及克服早熟收敛问题,许多学者对差分演化算法进行了改进。本文综述差分演化算法的基本原理、特点、改进及应用,并给出了未来可能的研究方向。     

演化计算及其并行处理

介绍了当前国际计算机科学界的前沿课题之一－演化计算的基本思想，主要分支；并根据各主要分支的共同特点在统一的呆下给出了演化算法的设计方法，建立了演化长法的基本结构，最后讨论了演化计算的并行处理。     

区域性两阶段演化算法在多峰函数优化中的应用

针对求解多峰函数优化问题全局最优解的特殊困难,提出一种区域性两阶段演化算法（RTEA）,详细介绍了该算法的作用机制、算法策略和算子设计,深入分析了该算法具有能避免“早熟”、一次运行可获得全部最优解等特性.实验结果表明,RTEA用于求解较低维的多峰函数优化问题是高效的,具有较高的求解质量和较快的收敛速度.     

演化动态优化中的机器学习策略述评

综述了结合机器学习策略的演化动态优化研究,从数据、预测最优解位置、改进演化算法搜索等方面讨论分析了该领域的研究现状和关键技术,并总结了该领域目前存在问题和挑战。     

改进的差分演化算法及其在动态规则中的应用研究

在对传统差分演化算法深入研究的基础上,提出了一种改进的差分演化算法,并成功地把它应用于动态规则问题中.改进后的算法融合了对称算法、锦标赛策略、凸变异和二次变异等思想.实验证明,改进后的算法在最优解的稳定性、收敛速度和求解精度方面表现出了较好的性能.     

一种多项指标全提升的多目标优化演化算法

针对当前大部分多目标优化演化算法设计复杂、耗时巨大,以及取得的近似Pareto前沿点不够多、分布不均匀、覆盖不完整等问题,提出了一种新的基于粒子群和几何Pareto选择算法的多目标优化PSGPS算法.经过5个测试问题的实验结果表明:该算法使用较低的时间消耗,就能在前沿点个数、前沿点分布均匀性、覆盖完整度等性能指标上都优于当前流行的NSGA2,SPEA2和PESA等多目标优化演化算法.     

基于动态群体的聚集演化求解多峰函数优化问题

指出了现有的演化算法框架都是群体固定的演化迭代过程，对求解多峰函数优化问题时由于无法事先得知峰值点的个数而很难确定合适的群体大小，影响了算法的效率，提出了一种群体动态可调的演化方式，使得初始群体大小可任意指定，在演化过程中通过聚集和按比例引入新个体两个过程而动态变化。实验表明，该算法能尽可能多地定位峰值点。     

A membrane evolutionary algorithm for DNA sequence design in DNA computing

DNA sequence design has a crucial role in successful DNA computation,which has been proved to be an NP-hard(non-deterministic polynomial-time hard) problem.In this paper,a membrane evolutionary algorithm is proposed for the DNA sequence design problem.The results of computer experiments are reported,in which the new algorithm is validated and out-performs certain known evolutionary algorithms for the DNA sequence design problem.     

量子进化算法在BP网络模型优化中的应用

BP网络的研究多年来主要集中于网络的结构与参数优化上,却忽略了对训练过的BP网络模型本身的优化.针对上述问题,提出了一种解决BP网络模型优化的量子进化算法.通过裙座锻造结构参数优化设计实例,表明量子进化算法较好地实现了BP网络模型的优化设计,可有效解决实际工程的优化问题.     

进化算法在船体结构优化设计中的应用

结构优化问题在计算上的难点是计算复杂、存贮量大、计算时间长,解决问题的关键是如何提高处理整数与离散型变量的有效性.本文针对船舶结构优化设计问题的特点与计算上的难点,采用可以求解多峰性连续函数全局最优解的分配区间型进化算法进行结构优化.相对简单遗传算法(SGA)在解     

An improved group search optimizer for mechanical design optimization problems

This paper presents an improved group search optimizer (iGSO) for solving mechanical design optimization problems. In the proposed algorithm, subpopulations and a co-operation evolutionary strategy were adopted to improve the global search capability and convergence performance. The iGSO is evaluated on two optimization problems of classical mechanical design: spring and pressure vessel. The experimental results are analyzed in comparison with those reported in the literatures. The results show that iGSO has much better convergence performance and is easier to implement in comparison with other existing evolutionary algorithms.     

基于部分失真定理的信道最优矢量量化器设计

提出了一个使用进化算法，引入部分失真定理（渐进划分理论）的信道最优矢量量化器（COVQ）的设计算法，采用该算法，在给定信道状态模型和存在的信道噪声的情况下，可有效地提高矢量量化器的性能，实现了COVQ的设计，该算法利用进化策略调整各码矢所确定区域的子误差，从而进一步改善期望误差，与常用的码书设计算法相比较，该算法能较好地调整各区域的子误差，获得比传统算法更高的性能增益。     

自适应搜索的改进遗传算法及其应用

提出了一种具有自适应搜索能力的快速收敛遗传算法。在计算过程中，设计变量的搜索范围依据每代自变量的数学期望和方差自动进行调整，并且通过引入进化策略中的自适应高斯变异算子，对变异算子进行改进，加速了算法的收敛性。为了验证算法的可行性和鲁棒性，对一个高维多峰函数的极小值搜索问题进行了求解，并将算法进一步应用于离心叶轮的形状优化问题。计算结果表明，该算法克服了传统遗传算法中设计区间的给定具有一定盲目性的缺陷，在收敛性和鲁棒性方面均优于传统的实数编码遗传算法。     

基于进化算法的多目标生产排序研究进展

利用多目标进化算法求解复杂生产排序问题是近10 a来发展迅速的研究方向.首先调查了国内外采用进化算法求解多目标生产作业排序的研究现状,分别对3类不同策略的多目标进化算法设计思想进行分析,在总结各类方法优劣的基础上,给出了进一步研究的趋势展望.     

基于混沌搜索的简化粒子群优化算法

针对带有收缩因子的粒子群优化算法(CFPSO)容易陷入局部极值、进化后期的收敛速度慢和精度低等缺点,采用简化粒子群优化(sCFPSO)方程与混沌搜索技术相结合的方法,提出了基于混沌搜索的简化粒子群优化(CsCFPSO)算法.该算法利用分段线性混沌映射(PWLCM)的遍历性和类随机性来完成混沌搜索,从而加快sCFPSO算法跳出局部极值点而继续优化.经过6个经典测试函数对该算法进行实验,结果表明其对于粒子群优化具有很好的使用价值,它可以准确地消去局部极值,确保收敛速度和精度,该算法是通过缩小种群数和进化代数来实现的.     

进化规划方法在并行多机调度问题中的应用

并行多机调度问题是一类重要的车间调度问题,但迄今为止,在解决工件和机器数较多的大规模并行多机调度问题还存在着许多困难。进化规划方法与遗传算法一样是一种重要的进化计算方法,但与遗传算法相比,进化规划算法的应用还刚刚开始,特别是在调度领域的应用还很少见文献报道,第一次将进化规划方法应用到并行多机调度问题中,并在问题的描述、可行解的表示、变异方法、提高进化规划方法的局部寻优能力等方面作了研究。不同规模的计算实例表明了本文提出的进化规划算法是有效的,能用于解决较大规模并行多机调度问题,且解的质量优于启发式算法和模拟退火算法。