偏微分方程的演化建模方法

考虑抛物型方程的参数反演问题，给出了一类偏微分方程的演化建模方法，根据样条插值理论，把无穷维空间上的反问题转化成有限维空间上的反问题来近似，利用演化算法来估计参数的反演值，数值结果证明了此方法的有效性。     

一种求解函数优化的混合差分演化算法

为了解决传统遗传算法易陷入局部最优解的问题,在多父体杂交算法和差分进化算法的基础上,提出了混合差分演化算法.该算法的核心在于,采用多父体杂交算子保证算法的遍历性,通过淘汰相同个体来保持群体的多样性,并以较小概率随机选取部分个体进行差分进化操作,从而充分利用最优个体的信息达到了加快收敛速度的目的.对复杂函数的寻优实验验证了混合差分演化算法的有效性.     

演化求解高维函数优化问题的独立编码策略

在用演化算法解高维函数优化问题时，一般采用传统的二进制整体编码策略。本将函数的自变量独立分组，分别进行编码和演化操作，以突破传统二进制整体编码策略的束缚，将这种分组编码策略称为独立编码策略，同时，讨论了独立编码串行实现的灵活性，提出了一个基于变量分组的并行演化计算模型，大量的数值实验结果表明，在问题求解的精确度和求解速度方面，独立编码策略都优于传统的二进制整体编码策略。     

演化硬件平台的数字电路仿真算法

在构建演化硬件的软硬件协同设计平台中,提出了一种数字电路仿真算法。这种仿真算法根据数字电路的拓扑结构,将电路的仿真过程分为两个阶段:第一阶段主要是对数字电路结构化,并将每个宏实体(模块)置于激活或挂起状态;第二阶段则使用两种方法仿真激活的宏实体。此外,根据软硬件协同设计平台的需求,对电路进行优化度和复杂性评价。实验表明这种数字电路仿真算法能较好地满足该系统平台的要求,有效地指导下一步的演化策略。     

演化参数反演方法

给出了一类基于演化计算的演化参数反演方法，此类方法既可以给定参数的函数类，用遗传算法（Genetic Algorithms)来反演参数的最优估计值，也可以不指定函数类形式，用遗传程序设计（Genetic Programming）的方法反演出最优的函数模型，使参数反演实现客观化、自动化、由此建立反演系统后，在使用过程中可以根据最新获得的数据对模型中的物理参数作适时校准，一旦发现预报误差较大，就利用演化算法及时修正方程中的参数以改进预报，运用该方法于椭圆边值问题的物理参数反演的数值模拟，证实了此方法的有效性，为物理模型和的反演提供了一种崭新的实用方法。     

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.     

演化硬件及其进展

回顾了演化硬件的历史渊源，并讨论了演化硬件涉及的主要问题，包括作为其物质基础的大规模可编程逻辑器件和应用于其上的化算法，以及具体实现时的设计思路等。最后本文扼要介绍了演化硬件的研究及应用现状和进一步的工作。     

带杂交算子的自适应蚁群算法的聚类分析

数据聚类是数据挖掘中的一个重要课题.聚类问题可以归结为一个优化问题.文中针对常规聚类算法所存在的缺点,根据人类进行聚类判断所遵循的原则,模拟蚂蚁寻找食物源的行为,提出了一种基于蚁群算法的多种群聚类学习的新方法.仿真实验结果表明,该方法具有本质并行性、计算效率高、聚类学习能力强等优点,可用来最终获得全局最优解.     

一维下料问题的自适应广义粒子群优化求解

针对现有粒子群优化算法在求解组合优化问题时粒子速度迭代难以定义的问题,首先将粒子群优化算法与遗传算法相结合,利用交叉算子、变异算子,提出一种广义粒子群优化算法来求解一维下料问题;然后引入模拟退火算法作为自适应策略,避免算法陷入局部最优.仿真实验结果表明,采用自适应广义粒子群优化算法求解一维下料问题具有高效性和鲁棒性.     

粒子动力学演化算法及其在求解SOP上的应用

根据粒子输运理论中粒子相空间能量最小原理和熵增法则提出一类粒子动力学演化算法，并在数据实验中用该算法求解了一些传统演化算法难于求解的单目标优化问题(SOP)，比如求解凸函数和多峰函数等最小优化问题。由于这种新的动力学演化算法能使几乎所有的个体参加杂交和变异，因此，与传统的演化算法相比，该方法不仅能较快速地求解线性和非线性优化问题，而且还能容易地求出达到最优解的多个坐标点。