一种新的优化算法──进化-模拟退火算法(ESA)

进化界法与模拟退火算法是模仿自然现象的两大随机算法，本文将进化算法中的群体思想和竞争选择机制引入到模拟退火算法之中以指导搜索过程，的退出了进化一模拟退火算法，其仿真结果表明，对于较简单的问题，进化一模拟退火的性能与模拟退火算法一样好，但对于较复杂的问题，进化一模拟退火算法明显优于模拟退火算法。     

多进化策略自适应免疫多目标进化算法

为了在基于克隆选择的免疫多目标进化算法中提高种群的多样性,提出了一种基于目标函数变化率的多进化策略自适应免疫多目标进化算法,以采用克隆选择的免疫多目标进化算法为基础,根据目标函数的变化率,在不同的进化阶段自适应地选择两种不同的差分进化策略,在保证算法收敛速度的同时兼顾种群的多样性,避免算法陷入局部最优。选用DTLZ测试函数对新算法进行了性能测试,并与其它算法进行了比较。结果显示,新算法解的分布性和均匀性有了一定程度的提高。     

模糊交货期Flow Shop调度文化进化算法研究

基于文化算法及文化进化思想设计了的文化进化算法,通过上层文化空间的经验知识指导下层个体进化搜索的方向及步长,通过模拟人类社会文化进化的机制实现文化空间的进化与更新,最后将算法应用到模糊Flow Shop问题的求解,用Matlab编程仿真测试.结果表明,此算法解决生产调度优化问题是可行的,而且其搜索性能优于简单遗传算法及模拟退火算法.     

并行进化BP神经网络

基于并行进化种族间的协作和竞争机制,给出了ＣＰＣＡ算法。新算法的进化操作更符合自然选择机制,在动态增加新种族的同时,亦动态删除老化、竞争力弱的种族。该算法用来进化ＢＰ网,经实验证明能有效地提高解的质量,并降低进化时间。     

差分进化算法研究及其应用

针对一种新兴的进化算法--差分进化算法,介绍了该算法的基本原理、算法流程和控制参数选择, 然后利用差分进化算法求解了多元函数的极值问题.差分进化算法具有随机选取初始值的优点,数值实验结果表明了该方法的正确性和有效性.     

基于克隆思维进化算法的机器人足球协作策略

针对足球机器人比赛系统的实时性要求,采用了一种克隆思维进化算法对足球机器人比赛系统的高层策略系统进行优化。克隆思维进化算法集免疫机制与进化机制于一体,在发挥思维进化算法优势的基础上增加了克隆(复制)、克隆重组、克隆变异和克隆选择等算子,既保持了种群的多样性,又提高了算法的收敛速度。足球比赛场上的瞬时信息作为抗原,待选策略作为抗体,二者均采用二进制编码方式。用克隆思维进化算法对抗体群进行优化,实验结果表明,采用该算法能快速找到最佳策略,简化了足球机器人决策系统,提高了决策效率。     

差分进化樽海鞘群特征选择算法

针对樽海鞘群优化算法(SSA: Salp Swarm Algorithm)在求解特征选择问题时存在易陷入局部最优、收敛速度慢的不足,基于樽海鞘群优化算法提出了新的改进算法差分进化樽海鞘群特征选择算法(DESSA:Differential Evolution Salp Swarm Algorithm).DESSA中采用了差分进化策略替代平均算子作为新的粒子迁移方式以增强搜索能力,并加入进化种群动态机制(EPD: Evolution Population Dynamics),加强收敛能力.实验中以KNN(K-Nearest Neighbor)分类器作为基分类器,以UCI(University of California Irvine)数据库中的8组数据集作为实验数据,将DESSA与SSA同具有代表性的算法进行对比实验,实验结果表明,DESSA算法各考察指标较原算法有明显提升,较其他算法相对优越.     

基于组织进化和信息熵的数据驱动分类算法

提出了一种分类算法--基于组织进化和信息熵的数据驱动分类算法(a data-driven classification algorithm based on organizational evolution and entropy,DDCAOEE),与已有进化算法的运行机制不同,它的进化操作直接作用于数据而不是规则,进化结束后再从各组织中提取规则,这样有利于避免在进化过程中产生无意义的规则.根据分类问题的特点,设计了信息系统的组织,提出了3种进化算子和一种组织选择机制,给出了基于信息熵的属性重要度的进化方式,并基于此定义了组织适应度函数,最后,将算法用于6个试验数据集,并与现有的2个分类方法(Ant-Miner和CN2)进行了比较,实验结果表明,该方法获得了更高的预测准确率,产生了更小的规则集.     

基于组织进化和信息熵的数据驱动分类算法

提出了一种分类算法---基于组织进化和信息熵的数据驱动分类算法(a data-driven classification algorithm based on organizational evolution and entropy,DDCAOEE),与已有进化算法的运行机制不同,它的进化操作直接作用于数据而不是规则,进化结束后再从各组织中提取规则,这样有利于避免在进化过程中产生无意义的规则。根据分类问题的特点,设计了信息系统的组织,提出了3种进化算子和一种组织选择机制,给出了基于信息熵的属性重要度的进化方式,并基于此定义了组织适应度函数,最后,将算法用于6个试验数据集,并与现有的2个分类方法(Ant-Miner和CN2)进行了比较,实验结果表明,该方法获得了更高的预测准确率,产生了更小的规则集。     

分子进化的几个普适性质

第２至第６节为全国理论生物物理研讨会上的报告,论述了分子进化中的５个普适性质：分子手性,遗传密码,核苷关联的短程为主性及其进化相关性,以最大信息原理概括突变和选择的进化机制,由二结构序列决定的蛋白质框架结构,第一节为作在开幕式上致词的一部分,讨论了理论生物学在生命科学中的地位与作用,特应听众要求,发表于此。     

遗传算法中的连锁与变异

通过分析生物对人工选择响应的实验 ,应用遗传及进化理论对遗传算法的连锁与变异中的问题进行了讨论 ,并提出了以增加初始种群有利于进化方向的连锁和采用基因流的方法提高遗传算法的效率及解决早熟收敛问题 .     

进化算法的改进与应用

通过分析进化算法对全局收敛性的影响 ,本文提出用混沌模型构造一种随机开关 ,以此控制进化算法中的变异运算 ,同时将模拟退火用于进化算法的选择过程 ,从而增强算法的快速收敛性能 ,最后把改进的进化学习算法用于系统的参数辨识 ,取得了满意的结果     

进化算法的收敛速度

遗传算法、进化规划和进化策略这三类进化算法都是基于对自然进化的模拟,其区别在于产生下一代群体的规则不同,但下一代群体的产生又都是仅依赖于其父代,因而进化算法的运行过程可以视为一个Ｍａｒｋｏｖ过程,其状态转移矩阵可以表示成一个统一的形式．利用矩阵范数的基本性质,得到了进化算法收敛速度的一个下界,同时也得到了进化算法收敛性的一个证明,并由此解释了遗传算法能很快地得到一个较好的解而要花费较长时间才能得到最优解的原因,为今后加快进化算法收敛速度指出了一个可行的研究方向     

一种求解最大独立集的自学习进化算法

为了求解最大独立集问题,通过对求解最大团问题EA/G算法的分析,从初始解选取、种群的构成、遗传策略等方面对EA/G算法进行了改进,提出了自学习进化算法,并在DIMACS基准图上进行了大量的实验.实验结果表明,该算法运算结果比EA/G算法所求结果有很好的改善.     

用于虚拟可重构结构的随机数产生算法研究

为了提高虚拟可重构结构中演化算法的性能,研究随机数质量对算法收敛速度的影响.对比测试了四种不同的随机数产生方法:线性反馈移位寄存器、多重线性反馈移位寄存器、细胞自动机和多重细胞自动机.通过演化2-bit乘法器、2-bit加法器和4-bit奇偶校验函数,对比了4种随机数产生算法的性能.实验结果表明,LFSR算法的性能在演化成功率、演化速度上优于其他随机数产生算法.     

一种稳态淘汰多目标演化算法

近年来，多目标优化问题求解已成为演化计算的一个重要研究方向。而基于Pareto最优概念的多目标演化算法则是当前演化计算的研究热点。多目标演化算法的研究目标是使算法种群决速收敛并均匀分布于问题的非劣最优域。介绍了多目标优化的概念，在比较分析了目前较成功的多目标演化算法的基础上，提出了一种新的解决数值优化问题的稳态淘汰演化算法。     

在内部演化硬件中实现自适应变异参数控制

为了在演化过程中优化演化算法性能和避免花费大量时间在演化算法的参数设定中,设计了一种新颖的基于硬件实现的自适应变异比率控制方法.为了实现自适应特性,变异比率控制参数也被编码到染色体中作为附加的基因经历演化操作.本方法的有效性将通过和传统的采用固定变异比率的演化算法在演化4-bit偶校验函数(even-parity function),2-bit乘法器和3-bit乘法器的对比实验中进行证明.实验平台建立在一个完全FPGA实现的内部演化硬件上,它的设计思想来源于笛卡尔遗传程序(Cartesian Genetic Programming).在所有实验中,基于自适应变异比率控制的演化算法的性能明显优于传统的采用固定变异比率的遗传算法.     

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。     

混沌免疫模糊聚类算法在图像边缘检测中的应用

针对图像处理中的模糊边缘检测问题,提出一种混沌免疫模糊聚类算法.该算法把混沌变量加载于免疫算法的变量群体中,利用混沌搜索的特点对群体进行微小扰动并逐步调整扰动幅度,明显改善了免疫算法的群体多样性.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,而且可以提高基于人工免疫进化算法的模糊聚类算法的搜索效率.     

混合量子算法在旅行商问题中的应用研究

针对旅行商问题(TSP)的特点提出了一种新的解码方式,结合了进化计算(EA)和微粒群算法(PSO)的思想,构造了独特的混合量子算法(HQA).为进一步提高算法的性能,构造了改进混合量子算法(IHQA).IHQA在更新个体时能够指导惯性权重进行动态变化,决定个体在下一代被吸引或扩散.经测试证明,两种混合算法均表现出强大的寻优能力,IHQA效率更高.