遗传算法中的加速进化技术

自20世纪80年代以来,遗传算法在工程优化领域获得了广泛应用,遗传算法对数学模型要求不高,具有一定的隐性并行性,能同时在搜索空间大范围搜索,因而不易陷入局部最优解,然而,在实际应用中发现,仅有交叉算子和变异算子的传统遗传算法,局部搜索能力不强,容易出现种群早熟,进化结束时往往收敛到最优点附近而达不到全局最优点,为此借鉴了传统优化方法中的搜索技术,开发了几种算子用以强化遗传算法的局部搜索能力。算例表明,这几种算子能提高遗传算法的搜索性能,不论是搜索效率还是解的质量均有所提高。     

基于并行协同演化的差分进化算法

针对传统差分进化算法搜索速度慢、易陷入局部最优解的缺点,引入协同演化的思想提出了一个基于并行协同演化的差分进化算法,并设计了相应的变异算子和自适应交叉算子。仿真验证结果表明:同遗传算法、标准差分进化算法相比,所提算法在搜索速度和寻优能力方面都具有一定的优势。     

化学吸附局部增强微分进化算法

微分进化算法是解决复杂系统优化问题的有效方法。为了增强微分进化算法的全局搜索能力和局部逼近能力,分别引入化学吸附变异算子和局部增强策略,提出了化学吸附局部增强微分进化算法。采用标准测试函数对改进算法进行仿真测试,并与基本微分进化算法和局部增强微分进化算法进行比较。实验结果表明,化学吸附局部增强策略提高了微分进化算法的搜索能力和收敛性能,验证了改进算法的有效性。     

基于Baldwin效应的memetic差分进化算法

针对Baldwin效应在memetic差分进化算法中使用不成熟的研究现状,提出一种基于Baldwin效应的memetic差分进化算法。算法采用简化的模式搜索为局部搜索算子,差分进化算法为全局搜索算子,Baldwin效应为结合机制。创新了Baldwin效应的实现方法:改进普通memetic差分进化算法中仅根据个体适应度值引导进化的方法,加大局部搜索成功个体的被学习概率,使其能够参与引导进化。在CEC2014中30个测试函数上与其它知名差分进化算法对比,实验结果表明改进的算法具有更强的跳出局部最优解能力和更快的收敛速度。     

基于进化规划算法的图像聚类研究

将进化规划算法应用于图像聚类问题,对问题的解进行符号编码,采用群体智能模式实现问题解的搜索.利用进化规划算法的变异算子和选择算子可以有效提高算法的全局搜索能力,采用高斯变异算子保证了优秀解的多样性,降低了进化操作的复杂性.仿真实验证明基于进化规划算法的图像聚类算法具有可行性和准确性.     

求解大规模可靠性问题的改进差分进化算法

针对差分进化算法典型变异算子的局限,设计了全局加速的变异算子,进而提出全局加速的自适应改进算法.新变异算子能够均衡全局搜索与局部搜索,提高寻优效率.根据差分向量与整个种群分布范围的关系,有针对性的设定变异率值,减缓搜索范围缩小的趋势,保持较高的种群多样性.采用两区间选择策略,通过学习和比较自适应地调整交叉率,使其满足进化搜索的需要,同时提高算法的通用性.将改进算法应用于大规模可靠性问题中,实验结果表明,改进算法在解决大规模系统可靠性问题时具有更好的寻优效果.     

一种改进的自适应差分进化算法

为了提高基本差分进化算法的寻优速度和寻优效能,提出了一种改进的自适应差分进化算法(ADE).在基本差分进化算法中引入了自适应变异算子,根据每个个体与最优个体适应度值的相互关系,自动地调节变异算子值,使之在进化初期较大,随着个体逐渐接近最优值,算子值逐渐变小,确保个体向最优值快速、稳定地逼近.在每一代变异、交叉和竞争之后,又增加了与随机新种群的竞争操作,使算法易于跳出局部最优点,以提高全局搜索能力.采用4个经典的测试函数对算法进行验证,结果显示:该算法的收敛速度与收敛精度在一定程度上优于基本差分进化算法,同时也优于基于代数进行自适应变异的差分进化算法.     

基于多种群的自适应差分进化算法

在分析了经典和改进变异操作算子的属性以及种群统计信息的基础上,按照个体适应度的差异,将个体分成不同的子种群并针对不同的个体适应度值,采用不同的变异算子,以保证在加快算法收敛速度的同时有效地跳出局部极值点.在参考经验值的基础上,加以自适应调整,使算法达到全局搜索能力与局部搜索能力的平衡.针对13个标准测试函数的仿真实验结果表明,所提出的算法与其他算法相比较具有较好的效果.     

一种基于差分进化和灰狼算法的混合优化算法

针对差分进化易陷入局部最优和灰狼算法易早熟停滞的缺点,提出了一种基于差分进化(DE)算法和灰狼(GWO)算法的混合优化算法(DEGWO)。该算法利用差分进化的变异、选择算子维持种群的多样性,然后引入灰狼算法与差分进化的交叉、选择算子进行全局搜索。在整个寻优过程中,反复迭代渐进收敛。选取此3个测试函数进行仿真验证,结果表明,混合优化算法相比于DE算法和GWO算法,其求解精度、收敛速度、搜索能力都有了显著提高。     

增加搜索能力的多目标进化算法

提出了一种增加搜索能力的多目标进化算法。该算法是针对如何收敛到真正的Pareto最优集进行处理的。在自适应变异步长进化策略的基础上,引入变异率的概念,使得该算法在进化前能进行全局搜索,而在进化后期进行局部调节,使得算法能够快速的收敛到真正的Pareto最优集。仿真实验表明该算法的有效性。     

连续空间演化规划的收敛性

给出了求解全局优化问题的连续空间的演化规划，应用Ｍａｒｋｏｖ过程分析了演化规划，并且证明了该算法的全局收敛性．     

动物精子形态的进化趋向

动物从低等至高等,从水生至陆生精子形态有较大变化,主要表现在以下几个方面：（１）不生无脊椎动物行体外受精,一般具有典型的顶体;（２）陆生动物为了适应陆地生活与本内受精,精子层中逐渐加长,此外还形成了尾部其他细胞骨架器官;（３）其中最 高等声形式为鞭毛逐渐加长、变强,此外还有一个极端即畸形轴丝或无鞭精子的出现,动物精子进化是与环境相适应的。     

进化计算的创发性模型

提出了一种新的进化计算创发性模型，该模型以２维个体空间形式和混沌动力学机制有机地构造了进化计算的自适应过程，并有丰富的非线性特性和较强的创发计算能力。该模型和相应计算方法有助于复杂系统的自适应建模和线性信号处理。     

基于信息论测度的进化计算策略

提出了一种新的进化计算策略，综合了信息论测度与最优决策过程，提出并证明了该计算体系的有关性质和定理．该进化计算策略有助于非线性系统的自适应辩识和预测，具有较为广泛的应用前景．     

基于进化计算的机器人操作器等强度优化设计

机器人操作器等强度优化设计是一个强非线性优化设计问题，文章将遗传算法与进化编程有机结合起来，形成一种既能处理复杂约束条件，又能收敛于全局最优点的优化方法；并将该方法应用于机器人操作器的等强度优化设计问题，得到操作器等强度设计的最优形状。     

计算工程优化问题的进化策略

本文研究用进化策略结合非光滑精确罚函数求解工程优化问题，提出了一种新的进化策略。理论分析和大量实验表明，新算法具有收敛速度快和稳定性好的优点，可用于各种实际工程的优化计算。     

一种进化Agent计算模型

提出了一种具有进化功能的多Ａｇｅｎｔ 计算模型。Ａｇｅｎｔ 作为自主活动的实体,在求解空间内具有自复制、扩散及死亡等进化行为。通过Ａｇｅｎｔ 的不断进化,获得问题的最优解。详细叙述了Ａｇｅｎｔ 的进化行为,给出了实现该模型的算法流程,并讨论了该算法在图像边缘检测中的应用。实验结果表明,该模型算法具有快速、高效等优点,特别适用于特征提取及检测问题     

多波形信号发生仪中正弦波形的进化策略

提出了一种新的进化策略,并用于多波形信号发生仪中正弦波形逼近的优化设计。该方法的主要优点是实现了优化、运算量小、通用性强。通过模拟计算验证了该方法的有效性。     

基于自适应免疫进化算法的多用户检测

本文采用自适应免疫进化算法来解决多用户检测问题．通过计算机仿真，无论是抗多址干扰还是抑制远近效应，此方法都明显优于传统检测方法，并且具有与最优检测器接近的误码率性能。     

基于进化规划和神经网络的多用户检测器

利用两种方法的优点,并将它们应用于CDMA多用户检测中,提出一种基于并行遗传算法和Hopfield神经网络的多用户检测器．该检测器中,进化规划首先给神经网络提供较好的初始值,然后用神经网络实时快速地获得最优解．计算机模拟结果表明：本文所提出的检测器在误码率和“抗远近”效应方面均具有良好的性能。