基于演化规划的入侵检测规则挖掘算法

本文将演化规划应用于入侵检测规则自动提取,利用演化规划灵活的个体表示得到自然描述的规则,使规则易于理解,利用演化规划全局寻优的能力得到较好的入侵检测规则,从而降低误报率和漏报率.文中改进了适应度函数,最后给出了实验结果,并与其它文献的同类实验结果进行了比较,证明了改进演化规划的有效性和先进性.     

一和睦注解混合整数非线性规划问题的演化算法：搜索 …

提出一种求解混合整数非线性规划问题的新的演化算法－搜索空间自动收缩法（ＡＣＳＳＯＳ），在这种算法中，演化算法既用来定位最优解区域，实现搜索空间自动向全局最优解收缩，又用来最终求得最优解。由于在遗传算法引用了舍入操作，它不仅可用来求解混合非线性整数规划问题，也可求解纯整型或纯实型变量非线性函数优化问题，数值试验结果表明本文的算法在解的质量，稳定性和收敛速度等方面优于一般的演化算法。     

解全局优化问题的有向演化算法

提出了一种新的求解全局优化问题的演化逼近。这种技巧是基于一类搜索和优化的演化策略，计算结果表明，该算法能有效地找到整体最小点，具有高精度和计算时间短的特点。     

演化算法行为分析——基于全局随机搜索的理论刻划

根据候选解空间上抽样分布的构造和计算来描述演化算法的行为，抽样分布的迭代构造是利用基于代（ｇｅｎｅｒａｔｉｏｎ）方法的全局解机搜索思想来刻划，在这种框架下，比例选择看成是全局随机搜索算子，复合看成是开发候选解相似性的搜索过程，研究表明：适当地限制复合算子的搜索宽度，能够保证演化算法弱收敛到全局最优解。     

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。     

基于局部和全局的LDA话题演化分析

对话题演化进行形式化描述,探讨了基于全局和局部话题演化的2种建模方式,并应用话题相似度和困惑度进行评测.对房地产话题和奥运会话题进行实例分析,给出了2种不同建模方法在话题演化方面的优缺点.两会报告实验结果表明,全局话题演化能够获得较好的模型参数,方法简单可靠;而局部话题演化则能产生细粒度话题,反映新话题的产生和旧话题的消亡.     

全局最优化的平滑积分变换方法

对于一元六次多项目标函数全局最优化问题的平滑积分变换方法进行了仔细研究，给出了目标函数的极值在平滑变形过程中的演化模式，得到了为达到最佳平滑效果云雾积分权重函数的限制。     

基于双层进化模型的现代城市CBD空间形态演化仿真

针对当前城市中央商务区（CBD）经济现象的演化难以进行仿真模拟的问题，结合多Agent（MAS）理论及计算机仿真技术，提出了一种基于双层进化的仿真演化模型。采用NetLogo作为仿真平台，重点对CBD内企业集聚、CBD空间形态的变化进行仿真，模拟了核心布局、轴线布局、滨水布局及不同扩散方式下的CBD演化。该研究为探究未来中央商务区的演化规律、 CBD规划建设及发展规律等提供了新的思路。     

一种求解多目标优化问题的混合演化算法

提出了一种混合演化算法求解多目标优化问题.演化算法是解决多目标优化问题的有效方法,在全局优化问题中具有很好的鲁棒性,但其局部搜索性能有待改善.Hooke and Jeeves方法是一经典的局部搜索算法,将其与演化算法结合求解多目标优化问题,提高了解的收敛质量,因而从整体上提高了算法的性能,并且测试结果也说明了该算法的可行性.     

一种一维细胞自动机的分类

讨论了基本细胞自动机的一种扩展模型,通过二元矩阵展现了局部规则与全局演化的关系.利用矩阵的秩对这类细胞自动机进行了计算机实验分类.     

非线性材料本构模型结构和参数的耦合进化识别

在引入进化思想的基础上,利用进化算法全局最优搜索特点,结合非线性力学分析方法,提出了材料非线性本构模型结构和参数的耦合进化识别算法,对复杂的非线性材料本构模型进行全局识别·复合材料非线性本构模型的识别结果表明了该方法的科学性,为非线性材料的研究提供了一条新途径     

带宽优化的进化算法

介绍了实值优化问题的进化算法，自然进化是基于群体的优化过程，在计算机上模拟自然进化过程形成统计优化技术．同传统优化方法相比，进化算法具有全局优化的优点，而且适合复杂的实际问题．带宽优化是寻找结点编号的最佳排列，使得刚度矩阵的带宽最小．传统方法一般求得带宽的局部极小值，而带宽优化进化算法可求得带宽的全局最优解     

一种仿生优化方法—微粒群算法

介绍了一种新的仿生优化算法—微粒群算法。与传统的优化算法相比,微粒群算法在全局优化性能等多方面具有相当的优越性。     

前向神经网络拓扑结构和权值的进化

基于进化规则（Bvolutionary Programmin)的方法，提出一种进化前向神经网络的新算法。该算法能同时进化网络的拓扑结构和连接权值（包括阈值），产生非常紧凑的网络结构，并且由于其全局搜索能力能够避免结构的局部。仿真结果证明了该算法的有效性。     

连续变量函数全局优化算法—列队竞争算法

提出了一种全局优化搜索新算法——列队竞争算法．算法在模拟进化过程中,始终保持着独立并行进化的家族,通过家族内部的生存竞争和家族间的地位竞争这两种不同的竞争方式,使群体快速进化到最优或接近最优的区域．根据家族的目标函数值大小排成列队,并按家族在列队中的地位不同获得不同的竞争推动力,使得各个家族在列队中的位置发生动态的变化,从而使得局部搜索与全局搜索达到均衡．数值计算结果表明,列队竞争算法具有在复杂搜索空间内迅速搜索到最优解的能力     

基于进化算法的拟可行方向法及其收敛性

在传统优化算法中嵌入一拟步骤 ,改善了算法的收敛性质 ;并用进化算法计算拟步骤 ,提高了算法的全局搜索能力 ,又不改变原算法的收敛性 .且研究了参数变化对算法的影响 ,并对算法进行了数值实现     

混合量子进化算法及其在多用户检测中的应用

将量子进化算法(QEA)和粒子群算法(PSO)互相结合,提出了两种混合量子进化算法.通过对多用户检测问题的求解表明,新的算法不仅操作更简单,而且全局搜索能力有了显著的提高.     

一种新的快速进化策略的设计与实现

对遗传程序设计思想进行拓展 ,通过对传统的进化策略进行改进 ,设计出一种新的快速全局寻优算法 ,该算法克服了传统的进化策略的缺点。实验表明这种新算法收敛速度快、有极强的避免局部极值的全局优化能力。     

免疫进化模糊聚类算法在边缘检测中的应用

针对图像处理中的模糊边缘检测问题,提出一种免疫进化模糊聚类算法.该算法在传统遗传算法全局随机搜索的基础上,借鉴了生物免疫机制中抗体的多样性保持策略,改善了遗传算法的群体多样性,具有更好的全局搜索能力.实验结果表明,该算法不仅具有很强的模糊边缘和微细边缘检测能力,而且可以减弱基于遗传算法的模糊聚类算法在遗传后期的波动现象.