基于动力学的多父体杂交算法

多父体杂交算法将种群中多个个体张成一个空间,然后在此空间中进行空间搜索,该算法具有很强的解搜索能力和较快的运行速度.动力学演化算法根据粒子群的统计物理特性,模拟粒子群在空间中的运动,提出了一种基于统计物理的粒子选择机制.数值实验表明,动力学演化算法是有效的.结合动力学演化算法的选择策略和多父体杂交算法的遗传操作,提出一种新的基于动力学的多父体杂交算法.该算法对多父体杂交算法中的替换策略进行改进,有效地提高了算法的求解能力,数值实验表明新算法可以很好的收敛,能够快速的找到问题的最优解.     

基因表达式程序设计的GRCM方法

基因表达式程序设计是一种基于基因组和表现型组的新型遗传算法,该算法在运行时具有很高的运行效率,实验表明在求解很多问题的时候比遗传程序设计在速度上优越两个数量级以上。在基因表达式的基础上,提出了基因阅读运算器方法,此方法不需要把染色体转换为表达式树,而是直接对染色体进行操作得到该染色体的适应值。实验表明,采用这种方法不仅简单有效,而且能提高运算的速度。     

一种邻域搜索的人工蜂群算法

提出采用邻域搜索机制来改进人工蜂群算法的解搜索方程,从当前食物源的环形邻域拓扑结构中选择较优的邻居食物源进行开采,平衡算法的勘探与开采能力。此外,为保存侦察蜂的搜索经验,提出采用一般反向学习策略生成被放弃食物源的反向解,提高算法的搜索效率。在20个典型的benchmark函数上验证算法的性能,并与6种知名的改进算法进行对比。实验结果表明:本文算法在收敛速度和解的精度上均有较大优势。     

重叠复用性建模方法

基因表达式程序设计是一种新的演化建模方法,试验表明在求解很多问题时该方法比遗传程序设计优越两个数量级以上。复用性是一个重要的概念,在众多领域得到了广泛的应用。通过对染色体中的基因的复用性进行研究,提出了重叠复用性建模（Overlap Reused Modeling,ORM）方法,也可以称为重叠复用性建模（Overlap Reused Modeling,ORM）方法。重叠复用性建模方法通过改进的染色体解码（翻译）规则来实现基因的复用性,从而有效地扩大了染色体的表达空间。同时提出了一种新的染色体适应值的计算方法,这种新的方法不仅简化了染色体适应值的计算过程,而且可以杜绝因基因复用所造成的计算量的增加。     

基于粒子能量的自适应粒子群优化算法

群优化是一种随机的群体搜索策略.针对粒子群算法易陷入局部最优和收敛速度慢等不足,提出了根据粒子的能量自适应调整参数的改进算法.该算法基于动力学和热力学的理论,计算每个粒子的能量值,并将优化过程中的群体视为热力学的某一状态,通过退火温度和粒子的能量动态调整算法中的惯性参数,达到对"惰性"粒子的原速度方向给予较大的牵引力的目的.优化过程中,随着系统温度的降低,惯性参数逐渐减小,有利于问题的收敛.算法中采用了带极值扰动策略,加速粒子跳出局部最优的能力.数值实验结果表明,该算法具有收敛精度高和收敛速度快的特点,可快速有效的求解约束和非约束优化问题.     

一种基于基因表达式程序设计的新算法

基因表达式程序设计是一种基于基因组和表现型组的新型遗传算法,该算法在运行时具有很高的运行效率,实验表明在求解很多问题时比遗传程序设计优越两个数量级以上.通过对基因表达式程序设计的变异算子进行分析,发现在个体变异过程中存在着大量的基因漂移现象,这些漂移的基因一方面造就了种群的多样性,但是另一方面也降低了算法的效率,阻碍了算法精度的提高.为此,构造了一种新的算子--漂移抑制算子,通过在基因表达式程序设计方法中加入此漂移抑制算子构造出一种新的算法-基因漂移抑制算法(Gene Drifting Suppression Algorithm Based on Gene Expression Programming, GDSA-GEP),该算法在保持种群多样性的同时,能有效地控制基因的过度漂移.实验结果表明,新算法能有效地提高问题的求解精度.     

遗传程序设计在统计建模中的应用

介绍一种利用遗传程序设计的方法来自动生成统计预测模型，并进行误差估计分析，改变过去只使用拟合曲线粗糙、预测结果不理想的几种传统固定统计预测模型的传统分析方法。通过对[1]和[2]的真实历史资料验证，结果表明，与传统的线性回归、指数回归、抛物线回归三种方法对比，遗传程序设计建立的模型所预测的数据准确度明显要高。     

基于等级熵的自适应粒子群优化算法

分析了粒子群耗散结构的特性,提出了基于等级熵的自适应粒子群优化(EPSO)算法.在演化过程的前期,针对粒子群优化(PSO)算法具有收敛速度慢、等级熵较大等特点,EPS0采用精英多父体杂交算子来提高算法的收敛速度,使群体形成有序的耗散结构.随着熵的减少.EPSO产生一个微小的混沌给予系统一个外界的负熵,使演化过程向更优适应值的方向发展.数值实验结果表明,该算法具有收敛精度高和收敛速度快的特点,可快速有效地求解某些优化问题.