多目标进化算法研究综述

简要介绍了多目标进化算法(MOEAs)的基本框架、研究历史、总体分类和主要方法,同时讨论了进化算法(EAs)在多目标优化的应用中的几个关键性问题及今后需进一步研究的工作.     

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。     

基于免疫策略的进化算法

给出了免疫策略的进化算法的具体步骤和收敛性.442个城市TSP问题的仿真计算结果表明,该算法对减轻退化现象具有明显的效果,从而提高了算法的性能与搜索效率,加快了收敛速度.     

混合性能指标进化优化算法研究综述

在设计优化问题领域，结合定性指标的系统优化是非常有意义的。本文首先，给出定性指标和定量指标的定义及特点；然后，综述显式和隐式性能指标进化方法；最后，综述解决含有混合性能指标问题的已有优化理论、方法，应用及存在不足。     

引入自检策略的进化K-means算法

从自检的角度对进化K-means聚类算法进行了改进,在分裂后通过评价函数评价聚类结果,保证正确的分裂能够连续进行,同时对不正确的分裂进行阻止.在UCI数据库中的Iris和Wine数据集上进行实验,验证了引入自检策略的进化K-means算法比进化K-means算法优越.     

动态多目标优化进化算法研究综述

动态多目标优化进化算法主要研究如何利用进化计算方法求解动态多目标优化问题,其已成为进化计算领城一个新的研究课题.本文首先介绍了动态优化问题的分类,然后描述了动态多目标优化问题的基本概念、数学表述,最后在当前对动态多目标优化进化算法的基本原理、设计目标、研究现状及性能度量讨论的基础上,提出了对动态多目标优化问题需进一步研究的关键问题.     

目标空间分割多目标进化算法研究综述

进化算法具有求解多目标优化问题的优点。本文首先对多目标优化问题进行了描述;然后讨论了目前几种主要的基于进化算法的多目标优化方法;最后介绍了基于目标空间分割的多目标进化算法的研究现状以及面临的问题。     

选择策略对进化算法性能的影响

在进化过程中,可能会出现过早收敛现象,这主要是因为种群中出现了超级个体,按照一定的选择策略,该个体很快会在种群中占据绝对优势,从而使算法过早的收敛于一个局部的最优解,现在解决的方法有对超级个体的适应函数进行调整,从而控制该个体的选择概率,或增加个体的变异率来增加种群的多样性。同时,选择策略对算法性能的影响起到举足轻重作用。     

基于进化策略的K-means聚类算法

针对K-means聚类算法易陷入局部极小以及K值选取的问题，提出一类基于进化策略的聚类算法，可以有效地搜索最优聚类中心和聚类个数K；还提出了确定K值范围的经验公式，以减小搜索空间，提高搜索效率，并给出了理论分析．相对遗传算法而言，本方法鳊码简单，种群较小．对Fishers iris数据集的仿真实验表明，该方法得到最优解的可能性比经典算法大得多．     

求解数值微分的进化策略新算法

数值导数的公式对开发求解常微分方程和偏微分方程边值问题的算法很重要.数值微分的例子通常采用已知的函数,这样数值近似值可以与精确解进行比较,主要是提出了一种求解数值微分的进化策略新算法,该算法在求解微分值时,表现出精度高、收敛速度快等优点.     

进化算法及进化理论初探

从进化法则和遗传学的角度出发,讨论了进化算法的生物学原理,找到了其充分的生物学依据,参照自然选择机制,提出了进化算法中的随机选择和竞争性选择机制,最后,总结了进化算法的特点,对其存在问题和发展方向作了综述。     

微进化算法

人类能够根据所积累的经验与知识,有效地引导人类社会的不断进化.受此启发,基于人类社会中趋同与趋异行为过程的有机结合,提出了一种新型的群体智能优化方法——微进化算法.采用若干benchmark函数进行了数值实验,结果表明,微进化算法求解速度快、计算精度高、鲁棒性强.此外,算法控制参数少,易于使用.该算法是一种新型有效智能优化算法.     

基于多准则寻优策略的差分进化算法

在差分进化算法的基础上,提出一种基于多准则寻优策略的改进差分进化算法。该算法可以动态调整变异因子和交叉概率,基于文中提出的多准则寻优策略,通过个体适应度、个体间距离等评价指标判断个体的优劣程度,并且可以降低种群的高密度程度,增强种群多样性。这种判断机制可以有效避免种群过早收敛,易陷入局部最优的风险。通过具体的测试函数对算法进行测试,并与标准差分进化算法进行比较,结果显示算法寻优效果较好,可以较快地得到全局最优解。     

动态参数调整的多策略差分进化算法

针对差分进化算法在处理函数优化问题时存在的收敛速度较慢和过早收敛的问题,提出了一种动态参数调整的多策略差分进化算法.先将种群随机分为3个独立的子种群,分别采用3种不同的变异策略来避免种群陷入局部最优,并通过动态参数调整机制提高算法的收敛性能.经过一定代数的进化后,将种群中的优秀个体进行择优保留.采用CEC2005的25个标准测试函数对算法进行仿真,实验结果表明,新算法能够有效避免过早收敛,具有较好的优化性能.     

基于并行优进策略的差分进化算法

差分进化算法是一种新颖的进化计算技术,为减少用户选择算法控制参数的盲目性和提高算法收敛速度,设计了一种基于并行优进策略的差分进化算法（DEPES算法）．算法随着搜索过程的进行随机动态调整缩放因子和选取差分进化模式;在进行差分操作的并行运算过程中,利用当前代最优个体产生新的试验向量参与竞争选择过程．几个复杂函数的数值实验结果表明,DEPES算法寻优效率高、收敛速度快、对初值具有很强的鲁棒性、对维数具有较好的适应性,尤其是具有避免局部极小的能力,其优化性能优于标准DE算法．     

基于微分进化算法的多目标交会策略

采用微分进化算法研究了考虑J2摄动影响的多目标远程最优交会问题。首先,采用虚拟目标点摄动修正策略,提出了考虑J2摄动影响的远程交会轨迹求解方法。然后,建立了多目标远程最优交会的性能指标函数,采用微分进化算法,对燃料最优与任务时间最优的多目标远程交会进行了寻优计算,得到了相应的优化结果和多目标最优交会策略。研究工作可用于多目标在轨服务和拦截任务的远程交会策略制定和和轨道设计。     

基于多样化进化策略的基因表达式编程算法

针对传统GEP(Gene Expression Programming )算法的未成熟收敛以及陷入局部最优问题,提出一种基于多样化进化策略的基因表达式编程算法(DS-GEP:Gene Expression Programming based on diversified development strategy)。该算法通过基因空间均匀分布策略,自适应地交叉和变异算子以及淘汰算子等方法,对种群给予不同的进化策略,以保持种群的多样性,从而增强算法的寻优能力。通过对函数挖掘的实验证明,多样化进化策略各个部分均对改善挖掘效率发挥了作用,提高了DS-GEP函数挖掘算法的成功率。与传统GEP算法相比较,该算法的平均成功进化代数缩短了11%,成功进化时间缩短了8%,进化成功率提高了20%。     

合作进化模型综述

作者综述了合作进化模型的最新研究成果。合作进化模型以“囚徒困境”博弈模型为基础, 为合作中的个体提供了一种与个体本身无关的策略优化机制, 以此探讨合作策略能够稳定进化的条件。基于直接或间接互惠理论的合作进化模型验证了在小规模社会中建立声誉机制有助于实现稳定的互惠合作; 互惠可以看做是对合作行为的奖赏, 开放的社会网络有助于实现较大范围内的合作; 对非合作行为实施惩罚有助于实现多人合作, 在一定条件下, 由非合作者实施惩罚时的合作进化相较于由合作者实施时更稳定; 群组竞争有利于合作文化或制度的传播, 但无法解释群组融合后的合作问题。