极度并行计算：演化算法和演化神经网络的研究发展

演化算法，神经网络以及两者的结合作为一种极度并行的计算，已引起人们极大的注意，本文首先对演化算法的不同流派作了比较和分析，然后对演化算法与神经网络的结构作了回顾与展望，并讨论了演经神经网络的并行实现模式，最后指出了演化算法及演化神经网络有待解决的几个关键问题，为后续研究指明了方向。     

基于空间收缩的种群灭亡差异演化算法

为避免演化算法在求解多峰函数优化问题时对冗余空间的过度搜索，提高差异演化算法的搜索效率，提出一种新的基于空间收缩的种群灭亡差异演化算法(DEESC)，通过最优个体收缩可行空间，用均匀设计方法反复初始化种群，并且讨论了DEESC的主要参数敏感问题。     

极度并行计算:演化算法和演化神经网络的研究进展

演化算法、神经网络以及两者的结合作为一种极度并行的计算,已引起人们极大的注意。本文首先对演化算法的不同流派作了比较和分析;然后对演化算法与神经网络的结合作了回顾与展望,并讨论了演化神经网络的并行实现模式;最后指出了演化算法及演化神经网络有待解决的几个关键问题,为后续研究指明了方向     

差异演化算法及其改进

针对一类非凸、多峰及非线性函数优化难的问题，本文提供了一种新的求解策略——差异演化算法，该算法比其它演化算法稳健性强、收敛速度快。同时，为进一步提高差异演化算法的优化性能，该文也提出了一些改进措施，包括自适应线性变异以及迁徒操作，最后的仿真试验验证了本改进算法的优越性。     

一种混合交叉策略的多目标演化算法及其性能分析

演化算法（EA）是求解多目标优化问题（MOP）重要而有效的方法，而应用演化策略、技巧是改善解性能的重要途径。作者叙述了多目标优化问题的有关概念，结合已有算法中的方法，设计了基于两种交叉操作相互结合的多目标演化算法（MOEADC），并且分析相关性能。该算法不仅具有较高的计算效率，而且具有较好的收敛性能，并且运用了有关方法维护了解集的分布性能。算例结果表明该算法的良好性能。     

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.     

一类新离散混沌系统动力学性质的差异演化仿真

用差异演化算法探索基于自然界进化思想的遗传算法所固有的混沌现象,介绍描述遗传算法的随机现象的一种新的带有有理分数的离散混沌系统,提出用一类推广的差异演化算法(DEESC)对其动力学性质进行仿真,如值域、不稳定周期点,进而设计一种新的差异演化控制策略(DECS),并仿真研究表明该方法的可行性和有效性.     

基于改进小生境演化算法的多峰函数优化算法

传统演化算法在求解复杂多峰函数优化问题时经常会出现早熟、收敛速度慢等问题,特别是对于有多个最优解的函数,往往只能找到个别的最优解.针对这些问题,提出了一种基于膈离机制与排挤机制相结合的小生境演化算法.利用隔离机制增强引导进化能力,利用排挤机制保证种群的多样性,同时,采用反序交叉算子进一步加强局部寻优能力.实验表明,使用该改进小生境演化算法求解函数优化问题能更有效地克服传统演化算法存在的收敛速度慢和容易陷入局部最优解等缺点.     

一种求解混合整数非线性规划的新算法

针对混合整数非线性规划求解难的问题,本文给出了一种新的求解策略--混合序列差异演化算法,该算法采取混合编码的形式以便处理连续变量、整数变量以及混合整数变量的优化问题.最后通过数例检验算法的优越性,仿真结果表明该算法求解效率高、收敛速度快、全局搜索能力强.     

混沌差分文化算法及其仿真应用研究

针时差分进化算法(DE)全局寻优能力差,无法有效的求解工程中复杂的高维非线性优化问题等缺点,提出一种混沌差分文化算法(CDECA).该算法模型将DE嵌入文化算法的框架作为主群体空间的进化过程,同时,引入具有较强局部搜索性能的混沌搜索来进行信念空间的进化,并通过设计一组联系操作实现文化算法模型中两个空间的互相影响互相促进,提高算法的寻优效率.几个典型测试函数的测试结果表明CDECA的搜索能力优于DE,将其应用于某大型水库的优化调度,也取得满意的效果.     

改进差分进化算法求解武器目标分配问题

针对武器目标分配问题求解收敛速度慢、搜索效率低、寻优精度差的问题,提出一种基于改进差分进化算法的武器目标分配方法.首先,建立多约束条件下武器目标分配优化模型,将动态武器目标分配问题离散为静态武器目标分配问题处理.其次,采用随机邻域变异策略平衡差分进化算法全局探索和局部开发能力,采用基于历史存档的自适应参数整定方法,根据...     

基于随机邻域策略和广义反向学习的自适应差分进化算法

全局探索和局部开发能力之间的平衡以及对控制参数的整定是影响差分进化(differential evolution, DE)算法性能的主要因素。针对这两个问题, 提出一种基于随机邻域策略和广义反向学习的自适应DE算法。首先, 在每一代进化过程中, 算法从当前种群为每一个体随机选择相应的邻域, 其中最优个体作为基向量执行变异操作, 邻域中个体数量随进化动态更新。其次, 采用基于历史存档的自适应参数整定方法, 进化进程中根据“精英”信息动态更新算法各参数。最后, 在初始化和每一代进化结束阶段, 执行基于广义反向学习策略的种群初始化和种群“代跳”操作。通过基于27个标准测试函数的3组仿真实验, 验证了所提算法具有寻优精度高、收敛速度快、鲁棒性强的优点。     

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.     

自适应加速差分进化算法

差分进化算法是一种新的进化计算技术,具有良好的优化性能,但是对于高维多模态函数,算法易早熟收敛;其优化性能受差分进化模式类型及演化控制参数取值的影响较大.为此,提出自适应加速差分进化算法,该算法利用混沌的遍历性产生初始群体,以克服种群体初始化时的盲目性和随机性;其次随着搜索过程的进行随机自适应地调整缩放因子和选取差分进化模式,以减少人为因素影响,增强搜索能力.通过对多个函数进行仿真试验研究,结果表明该方法寻优效果显著,明显减少了迭代次数,提高了计算效率.     

用模拟退火差异进化算法进行匹配场反演

分析了模拟退火算法与差异进化算法单独应用于匹配场反演时的局限性，构造一种结合两种算法优点的混合算法。模拟退火算法对差异进化算法的种群进行扰动，保留了差异进化算法的并行特性；在差异进化算法中引入模拟退火算法的重要性抽样思想，增强其逃离局部最优的能力，差异进化算法对目标函数梯度信息的利用仍然保留。仿真研究表明，混合算法在寻优时间与效率上达到了较好的平衡。     

差分进化算法结合正则化解算病态方程

针对卫星导航快速定位中的观测方程病态问题,提出一种利用自适应加权的差分进化(differential evolution,DE)算法结合Tikhonov正则化求解病态方程的方法。在深入分析DE算法寻优过程的基础上,通过自适应地改变当前个体的加权因子,并在目标函数中引入正则化项,快速稳健地求解病态方程。仿真实例表明:当法矩阵条件数为10⁵左右时,新方法的解算精度比传统的截断奇异值法、Tikhonov正则化法、遗传算法(genetic algorithm,GA)和DE算法分别高约5倍、2倍、1.5倍和1倍;迭代次数是DE算法的22.37%、GA算法的5.67%,寻优速度最快;加入粗差后,新方法的解算精度基本不变,即具有较好的稳健性。     

基于混合策略的引力搜索算法

为了提高引力搜索算法(gravitational search algorithm, GSA)在处理单目标优化问题上的综合能力,提出了一种基于混合改进策略的GSA。依照种群个体自身的进化情况,提出个体进化率的进化策略,以提高算法的收敛速度;采取方向性的变异策略,较好地平衡了全局搜索能力和局部开采能力,最大限度地降低了种群陷入局部最优的可能。基于标准测试函数的仿真实验表明,基于混合策略的GSA算法可有效避免早熟收敛,在收敛精度和收敛速度上与标准的GSA算法以及相应的改进算法相比有显著提高。     

自适应差分进化算法求解多平台多武器-目标分配问题

针对水面舰艇编队防空反导作战中的武器-目标分配问题,建立了编队防空火力分配模型,将自适应差分进化算法应用到模型的求解与仿真中,并根据参数优化,改善了问题求解的收敛特性。针对模型求解的特殊要求,采用适当的编码方案,使种群个体编码满足约束条件,利用混沌序列初始化种群,加强种群的搜索多样性,变异、交叉参数的动态自适应策略和混沌序列扰动避免算法陷入局部最优等方法对算法进行优化改进,较方便快捷地解决了多平台多类型武器-目标分配问题。实例证明,该方法能够获得满意的结果,与其他智能算法相比,在优化性能上有较大改进。     

分流机制遗传算法研究

提出了一种基于分流机制的新型遗传算法。该算法采用优种限量繁殖 ,达标种交叉和劣种变异的策略 ,突出遗传算子各自的优点和作用 ,根据进化质量自适应地调整交叉和变异概率 ,使种群具有很强的可进化性。分流机制遗传算法改变了遗传算法的传统结构 ,种群始终具有探测新的超平面 ,从而获得新的最优个体的能力 ;同时 ,对于进化中的个体不需进行所有遗传算子操作 ,提高了算法的全局收敛性 ,降低了时间复杂度。测试结果表明了所提方法的有效性。