基于冷轧机的多智能体差分进化算法的研究

基于多智能体与差分进化算法的各自优势,提出了多智能体差分进化算法.实验结果表明,该算法具有很强的全局寻优能力及快速搜索能力.基于冷轧机的控制,采用多智能体差分进化算法优化冷轧机的PID参数,比一般优化算法优化的冷轧机控制系统的响应速度要快很多.     

基于混合编码的多智能体遗传算法

为了提高多智能体遗传算法的收敛速度和全局寻优能力，将量子编码引入多智能体遗传算法中，对每个智能体同时采用量子编码和实数编码，以基于这两种编码方式的遗传算子同时进化来获得更快的收敛速度和更好的全局收敛性。仿真结果表明，此算法能更快地收敛到全局最优解。     

多智能体遗传算法用于超高维函数优化

基于智能体对环境的感知与反作用的能力提出了一种新的函数优化方法--多智能体遗传算法.该方法将智能体固定在网格上,而每个智能体为了增加自身能量将与其邻域展开竞争或合作,同样,智能体也可利用自身的知识进行自学习来增加能量.理论分析证明算法具有全局收敛性.实验结果表明,多智能体遗传算法对维数高达甚至10000的函数,都能以较少的计算量获得高质量的解,充分说明算法具有很快的收敛速度.     

概率门量子进化算法

量子进化算法(QEA)比传统进化算法(EA)有更好的种群多样性和全局寻优能力，但它采用概率操作过程，具有随机性和盲目性．将量子进化算法中的旋转门以概率门代替，在概率分析及实例验证的基础上，说明概率门量子进化算法(PGQEA)能使得对种群选取过程控制在全局优化的方向下，并且能更快地收敛于最优解。     

求解二元约束满足问题的多智能体进化算法

基于智能体对环境的感知与反作用的能力提出了一种新的求解二元约束满足问题的方法.该方法将多智能体系统与进化算法有机地结合起来,每个智能体固定在网格的一个格点上,而它为了增加自身能量将与其邻域展开竞争.同样,智能体也可利用自身的知识进行自学习来增加能量.根据二元约束满足问题的特点,设计了智能体的竞争行为与自学习行为.为了克服已有编码方式的缺点,为智能体设计了最小冲突编码.理论分析证明算法具有全局收敛性.实验中用250个不同难度的标准问题对算法的两个参数进行了系统的分析.结果表明该算法的性能非常稳定,参数少,易于使用.与4个著名方法的比较结果表明该方法获得的解的质量是最高的,其性能优于其他4种方法.     

基于学习的并行免疫量子进化算法及收敛性

提出了基于学习的多宇宙并行免疫量子进化算法,算法中将种群分成若干个独立的子群体,称为宇宙。宇宙内采用免疫量子进化算法,宇宙间采用基于学习机制的移民、模拟量子纠缠的种群交叉等信息交互方式,使得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该算法的收敛,而且通过仿真实验表明了该算法的优越性。     

量子进化算法在机器人联盟问题中的应用

量子进化算法是一种新的基于量子计算的概率搜素算法,它采用量子比特来编码染色体,采用量子门对种群进行更新进化,具有较快的收敛速度和良好的全局寻优能力。机器人联盟问题是一个复杂的组合优化问题,本文运用量子进化算法对该问题进行算法设计与应用研究,设计了一种量子变异算子,并对算法参数进行了研究。仿真实验结果验证了量子进化算法的可行性与有效性。     

基于改进量子头脑风暴算法的UAV三维航迹规划

针对复杂环境中的无人飞行器航迹规划问题，提出了一种基于改进量子头脑风暴优化(QBSO)算法的UAV三维航迹规划方法．在进化前期，两个种群独立进化，从而提升算法的全局搜索能力．在进化后期，对每个种群中的个体进行排序，每个种群中较优的(排名前50%)个体形成一个新种群，该新种群按照QBSO的进化机制继续进行进化，从而加快算法收敛速度．此外，为进一步提升算法的全局搜索能力，提出了一种改进的待变异个体产生方式．实验结果表明：与基本BSO、QBSO、改进BSO及全局最优BSO算法相比，改进QBSO算法在解决航迹规划问题上具有更高的全局搜索能力、收敛精度和更强的稳定性．     

差分进化算法在机组组合问题中的应用

基于差分进化算法求解机组组合问题,差分进化算法具有全局寻优能力,通过群体内个体间的合作与竞争产生的群体智能指导优化搜索。给出了10台机组算例系统优化结果,验证了该算法用于求解机组组合问题时不易陷入局部最优解,有较好的收敛性和效率。     

量子统计力学演化算法

将进化理论和量子统计力学理论相结合, 提出一种新的量子统计力学演化算法. 将整个遗传系统作为一个量子统计系统, 并借鉴量子信息论中量子比特的叠加性, 采用量子编码表征染色体, 使系统中的量子能够表示多种线性叠加状态. 算法类比量子统计力学中的相关概念, 定义了量子系统的能量和熵, 并利用量子系统中能量和熵竞争的模式系统地协调进化理论中选择压力和种群多样性间的冲突, 使算法在提高选择压力和维持种群多样性之间保持了适当的平衡, 可以快速的收敛到全局最优解. 实验结果表明, 该算法有较高的执行效率和求解能力.     

多智能体系统中子域适应度评估的合作协进化协作

为了克服合作协进化算法在解决复杂多智能体系统协作问题时存在的适应度函数难以建立和协作行为难以达到全局最优等问题,提出1种子域适应度评估的合作协进化算法来实现异构多智能体系统中智能体的自适应协作。该算法将复杂问题域模型分解成相互影响较小、较易求解的子问题域模型,在子问题域模型之间并行使用合作协进化算法来完成智能体协作行为的进化,有效降低适应度评估的复杂度。在子问题域进行合作协进化时,在适应度函数中引入环境因子影响矩阵,将其他子问题域的影响信息映射到该子问题域中的个体适应度评估中,从而引导种群向全局优化方向进化。ECJ系统中的仿真实验结果验证了其有效性。     

通用部分全局规划方法在多智能体协调控制中的应用

针对多智能体系统分布式问题建立了智能体的简单模型,并对其进行了形式化描述,提出了多智能体系统的一种协调算法,即通用部分全局规划算法．在该协调算法的作用下,多智能体系统中各个智能体的局部规划／协调器对各自的行为进行规划,从而使整个系统相互协作,共同完成系统的全局任务．因此,它是一种全局协调算法．该算法并不局限于某个具体的应用领域,具有一定的通用性．     

基于量子的免疫进化算法及收敛性

分析和探讨了量子计算的特点及免疫进化机制,并结合免疫系统的动力学模型和免疫细胞在自我进化中的亲和度成熟机理,提出了一种基于量子计算的免疫进化算法。该算法使用量子比特表达染色体,通过免疫克隆、记忆细胞产生和抗体相似性抑制等进化机制可最终找出最优解,它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。在此不仅从理论上证明了该算法的收敛,而且通过仿真实验表明了该算法的优越性。     

量子教学优化算法及在函数优化中的应用

为提升基本教学优化算法的搜索能力, 通过融合量子计算原理, 提出了一种量子教学优化算法。 该方法采用教师自学和学生向教师学两种学习机制搜索全局最优解。 个体采用量子比特编码, 搜索过程在 Bloch 球面上进行, 个体的更新通过量子比特的绕轴旋转实现, 然后将其解码为量子比特的 Bloch 球面坐标。 由于该方法将基本教学算法中每维变量的搜索都扩展到 Bloch 球面进行, 可使搜索过程更为精细, 从而加强了对解空间的遍历性。 不同维度标准函数极值优化的仿真结果表明, 此方法的寻优能力不仅超过基本教学优化算法, 同时也超过其他经典群智能优化算法, 验证了将量子计算的某些机制和智能优化相融合可提升其优化性能。     

约束优化问题带有混沌变异的PSO-DE混合算法

使用混沌运动产生均匀分布的初始种群,并且对早熟的种群进行混沌变异,以增强算法的全局寻优能力;用一个改进的粒子群优化算法对种群进化,对那些不可行的粒子再用差分进化算法进行演化;通过自适应的半可行域竞争选择策略形成新一代种群,直到达到全局寻优的目的,由此提出一个约束优化问题带有混沌变异的PSO-DE混合算法.数值结果表明,所提出的算法具有较高的计算精度、较好的稳定性、较强的全局寻优能力.     

双链式智能体遗传算法用于数值优化的研究

针对传统智能体遗传算法全局优化计算精度不够高、时间较长的不足,提出了一种改进的双链式智能体结构,并基于此设计了一种新的智能体遗传算法--双链武智能体遗传算法.该算法采用了多子群并行搜索的模式,闭合链式智能体结构和循环链武智能体结构,可实现多机并行优化,具有优化时间短、优化精度高的特点.为了验证本文算法的优越性,采用国际标准的测试函数对该算法性能进行测试,并与智能体遗传算法(MAGA)相比较.实验结果表明,该算法在全局优化精度、优化收敛速度方面均优于MAGA.     

Multi-Agent混合遗传算法在岩性参数反演中的应用

结合智能体对周围环境的感知能力和遗传算法的随机搜索能力,以及模拟退火算法的局部搜索能力,设计了一种多智能体混合遗传算法。智能体在已初始化的网格内进行邻域竞争、交叉、变异操作,然后独立地对各个智能体进行模拟退火操作,找到全局最优智能体。将该方法应用到理论模型的AVA岩性参数反演中,说明该方法是有效的。     

多目标优化的进化优化算法

进化优化算法具有全局优化能力,可以一次性求解多个非劣解。近年来,此类方法已经成为求解多目标优化问题一个重要的研究方向。本文分析了进化优化算法的关键步骤,介绍了几种代表性的多目标进化优化算法,并指出了值得进一步研究的相关问题。     

用QCEA优化的RBF神经网络及其在股市预测的应用

采用量子克隆进化算法(QCEA)对径向基函数(RBF)神经网络的参数进行优化学习,并通过对不同样本容量和量子旋转角的实验,将量子克隆进化算法优化的径向基函数神经网络应用于上证指数的预测分析中.仿真实验表明:经量子克隆进化算法优化的径向基函数神经网络将全局搜索和局部寻优有机地结合起来,收敛速度快、种群多样性好,并可有效抑...     

解高维复杂函数优化问题的混合差分进化算法

鉴于传统方法用于高维复杂函数优化很容易陷入局部极小,为此提出了一类通用、易实现、具有全局优化特性的混合优化算法（CHADE算法）．该算法将混沌优化的随机性与差分进化算法（DE算法）相结合,利用混沌扰动算子增强算法的局部搜索能力;同时,随着搜索过程的进行随机地调整缩放因子和差分进化模式．多个典型高维复杂函数的数值仿真结果表明：CHADE算法寻优效率高、收敛速度快,尤其是具有避免局部极小的能力,其优化性能优于单一的DE算法．