基于自适应学习群体搜索技术的集成进化算法

为了提高连续数值优化算法的普适性和鲁棒性,提出了基于自适应学习群体搜索技术的集成进化算法.该算法集成了3种自适应学习群体智能优化算法作为子算法,其中1种子算法是本文设计的,另外两种子算法来自相关文献.相应地,整个进化种群被分成了3个子种群,在进化过程中,算法以并行的方式采用每种子算法独立地进化各自的子种群,而在进化过程的不同阶段,每种子算法的进化策略及其参数可以自适应地调整.在实验部分,首先定义了算法性能度量标准,然后在26个较新的测试函数上做了算法性能对比实验,实验结果表明所提出的算法具有较高的普适性和鲁棒性.     

基于自适应学习群体搜索技术的集成进化算法

为了提高连续数值优化算法的普适性和鲁棒性,提出了基于自适应学习群体搜索技术的集成进化算法. 该算法集成了3种自适应学习群体智能优化算法作为子算法,其中1种子算法是本文设计的,另外两种子算法来自相关文献. 相应地,整个进化种群被分成了3个子种群,在进化过程中,算法以并行的方式采用每种子算法独立地进化各自的子种群,而在进化过程的不同阶段,每种子算法的进化策略及其参数可以自适应地调整. 在实验部分,首先定义了算法性能度量标准,然后在26个较新的测试函数上做了算法性能对比实验,实验结果表明所提出的算法具有较高的普适性和鲁棒性.     

模拟进化算法研究进展

自然进化是基于种群的一种优化过程,基于生物界的自然选择和遗传机制,产生了若干优化技术,主要包括遗传算法（ＧＡ）、进化规划（ＥＰ）、进化策略（ＥＳ）。本文对这三种主要的模拟进行算法的研究进展进行了综述,探讨了三者之间的关系,并对三者的发展前景进行了展望。     

微分进化算法的研究综述

微分进化(DE)是比较新的基于群体的随机优化方法.它具有简单、快速、鲁棒性好等特点,已经得到广泛关注.不同于其它进化算法,它的变异算子是由种群中任意选取的多对向量的差值得到的.微分进化主要用于实参数优化问题,在非线性和不可微的连续空间问题上优于其它进化方法.近些年,微分进化的应用领域也是不断扩大.研究目的是总结微分进化的研究进展和应用领域,并对它的进一步研究进行展望.     

基于分布式免疫进化算法的函数优化

针对遗传算法在寻优过程和多峰值函数求解中出现的“早熟”问题以及免疫算法收敛速度较慢问题,将免疫算法和进化算法进行优势融合,并结合改进的进化算法的并行模型,提出一种新的算法--分布式免疫进化算法（distributed immune evolutionary algorithm,DIEA）。新算法主要包括记忆种群进化模块和子种群进化模块两个部分,子种群的主要功能是找出各个区间的局部最优解;主种群主要是进行全局搜索,寻找全局最优解。仿真实验表明,该算法具有很高的全局寻优能力和很快的收敛速度,适合求解复杂多峰函数优化问题。     

动态环境中的多智能体进化算法

针对动态环境,提出了一种基于多智能体的进化算法(MAEA).智能体模拟生物机制特征,相互合作来寻求最优解.智能体生存于网格环境中,为了增加自身能量,智能体可以与其邻域展开竞争,并依据统计信息来获得知识进行学习.为了保持种群多样性,同时引入随机移民和对偶映射策略.通过对一系列动态优化函数的仿真实验可以得出,相比之下,基于多智能体的进化算法可以在动态环境中获得更好的性能.     

一种有效的进化规划算法

提出一种新的进化规划算法,该方法不仅能够加快普通进化规划算法的收敛速度,而且能够有效地保证种群的多样性,并用该方法求解具有多个极值点的函数优化问题,计算机仿真实验结果表明该方法是非常有效的。     

基于文化知识的量子进化算法

量子进化算法在实数优化时存在局部寻优能力不佳、收敛速度较慢等缺陷.为克服这些缺陷,本文引入文化算法思想提出一种基于文化知识的量子进化算法,该算法具有量子进化层和知识进化层双层进化框架,引入的文化算法能较好地协调全局与局部寻优,并避免算法陷入局部极值.由于新的算法框架及量子观测方式的引入,提出的算法不但保留了量子编码的优点,而且有效解决了求解实数优化问题时存在的缺陷.实验表明,提出的算法不但比量子进化类型算法性能有较大提升,而且与其它相关的几种算法相比具有更好的求解精度和速度.     

约束多目标优化问题的进化算法及其收敛性

提出了带约束多目标优化问题的一种新解法。首先定义了个体的序值和个体的约束度,利用这两个定义给出了一种新的适应度函数和开关选择算子,从而对种群中的个体进行评估或排序时无需特别关心个体是否可行,避免了罚函数选择参数的困难。用概率论有关理论证明了算法的收敛性。用标准的Benchmark函数进行了仿真实验,仿真结果表明,新算法对约束多目标优化问题的求解是有效的。     

进化策略中基于柯西分布的变异算子改进探讨

本文针对进化策略在解决比较复杂问题时出现收敛速度缓慢这一问题的原因进行分析,提出将原来变异算子中的用高斯随机变量产生的随机扰动量改用柯西随机变量产生的随机扰动量来代替的一种新的变异方法。     

基于群体智能的基础矩阵估计算法

为了降低噪声和误匹配点对基础矩阵估计算法的影响,提出了一种基于群体智能的基础矩阵估计算法。该算法首先采用归一化8点法估计出基础矩阵的初值,再利用该基础矩阵计算每个匹配点的估计余差,对匹配点的估计余差进行基于群体智能的聚类,并剔除错误匹配点,最后,使用正确的匹配点重新计算基础矩阵。实验结果表明,该算法能有效的检测和删除误匹配点,提高基础矩阵估计的鲁棒性和精度。     

基于蚁群算法的群机器人自组织聚集行为建模

针对群机器人聚集行为模式的形成,建立了基于质点系力学系统、以及感知状态加权的自组织运动模型,实现了机器人运动状态的自主转移。建立了关于聚集行为的聚集度、均匀度等评价指标,通过实验分析比较不同模型的聚集性能,为群机器人自组织聚集行为模式的形成奠定了基础。使用分析选定的模型,对有边界约束和无边界约束2种情况进行了自组织聚集行为仿真试验,实现了不同群体规模的最大范围的有效覆盖感知,验证了模型的正确性。     

一种新的进化算法——蚁群算法

介绍一种崭新的求解组合优化问题的方法一人工蚁群算法．该方法通过模拟蚁群搜索食物的过程,达到求解比较困难的组合优化之目的．该方法的主要特点是：正反馈、分布式计算、与某种启发式算法相结合．正反馈过程使得该方法能很快发现较好解;分布式计算使得该方法易于并行实现;与启发式算法相结合,使得该方法易于发现较好解．研究表明该方法是一种基于种群的鲁棒性较强的算法．     

随机装卸工问题的新型变异蚁群算法

提出了随机装卸工问题及其求解策略.针对这一问题,在蚁群算法的基础上给出了引入内外变异的新型蚁群算法.通过数值算例对两种算法的求解结果进行了对比分析,验证了新型变异蚁群算法的有效性和可靠性.     

基于微分进化算子的量子粒子群优化算法及应用

分析了量子粒子群优化算法(Quantum-behaved Particle Swarm Optimization,QPSO)的进化方程,指出其存在的局部收敛问题,通过将微分进化(Differential Evolution,DE)的基本操作思想引入到QPSO中,提出了改进的QPSO算法(QPSO-DE);算法改进的方法是在粒子搜索过程中,以一定的概率对粒子的每一维执行微分进化操作,以增加粒子的随机性,从而减少了粒子群体因多样性缺失而易于陷入局部最优或停滞的情况,增强了粒子群体的搜索能力,提高了算法的优化性能;对多个标准测试函数及在IIR数字滤波器优化设计中的仿真实验结果表明,与PSO算法和QPSO算法相比,QPSO-DE算法能够取得更好的优化结果。     

基于粒子群算法的选矿日综合生产指标优化方法

选矿日综合生产指标对组织每日选矿生产具有重要作用，当前选矿日综合生产指标通常由选矿工程师凭人工经验给出，导致对每日选矿生产的指导带有很大的模糊性与随意性。为优化确定每日选矿综合生产指标，在引入精矿产量均衡系数条件下，建立了以精矿产量均衡系数之和最小化和累积精矿库存最小化为目标的多目标规划模型，并提出了一种改进的多目标粒子群算法用于模型的求解．最后通过现场数据的实验研究验证了模型和算法的有效性。     

基于群体智能的森林火灾蔓延仿真模型

针对传统森林火灾蔓延模型的计算复杂度高、仿真精度低等缺点,提出一种基于群体智能的森林火灾蔓延仿真模型。在模型中通过建立可燃物因素影响因子矩阵和地貌因素影响因子矩阵,并结合实时检测的气象信息,降低计算复杂度;将森林火灾的蔓延行为抽象为每一个模块火点的集群行为,考虑模块之间的关联性,提高森林火灾蔓延仿真模型精度。将模型与王正非模型和二维元胞自动机模型进行对比实验,结果表明模型具有较高精度,能够更加准确地仿真出森林火灾蔓延趋势。     

基于粒子群算法的城市单交叉口信号控制

在简要介绍基本PSO算法的基础上，提出一种在速度变迁公式中增加用组内的局部最优值未指导飞行的项的改进算法，并将其运用到单交叉路口的信号控制。通过对本周期及前一个周期的车流量进行实时测量，采用一个周期的滞留车流量评估，从而确定一周期的相位配时方案，最终以路口各周期滞留车辆量的变化作为控制性能评价。采用Matlab语言编程进行实时仿真实验，仿真验证了此算法对交叉路信号控制的有效性。     

回收钢破碎机理的计算机仿真

利用非线性有限元法，以ANSYS/LS-DYNA为工具，对不同锤头形状、不同锤重、不同锤击速度的回收钢破碎过程进行了计算机数值仿真，得出了回收钢最佳破碎速度的结论。为回收钢破碎机的设计制造提供了一定的理论依据，所述方法具有一定意义。     

一种无线网络仿真中的业务分布预测算法

提出了一种基于聚类分析的无线网络仿真中的业务分布预测算法。通过分析无线通信网络业务分布的特点,结合电子地图和基站业务统计数据,提取影响业务分布的因素作为基站进行聚类分析的属性,对聚类分析后的基站簇,采用模拟退火算法来计算不同基站簇中覆盖区域的业务密度值。采用实际业务统计数据仿真分析表明,该方法能够有效地预测无线网络中的业务分布。