基于多智能体系统的协同交互式进化计算模型

协同交互式进化计算由于缺乏通用模型而限制了其应用范围。针对该问题，结合多智能体系统结构的灵活性和异构特点，提出基于多智能体系统的协同交互式进化计算模型。模型由交互式进化计算单元和协同单元构成，并给出了每个部分的详细功能描述。采用面向智能体的程序设计方法，提取不同功能组件，给出相应组件的语义描述及派生关系。以网络环境下的服装设计系统为例，给出系统结构及组件派生实例。结果表明该模型的合理性，为协同交互式进化计算的广泛应用奠定了基础。     

遗传算法与神经网络的结合

阐明了遗传算法和神经网络结合的必要性和可行性,提出用多层前馈神经网络作为遗传搜索的问题表示方式的思想。用遗传算法和神经网络结合的方法求解了短期地震预报问题,设计了用遗传算法训练神经网络权重的新方法,实验结果显示了遗传算法快速学习网络权重的能力,并且能够摆脱局部极点的困扰     

基于遗传算法的进化神经网络

提出一种基于遗传算法的多层前向神经网络的自动化设计方法(genetic multiplayer feedforward neural network，GMFNN)，用以同时完成对网络结构空间和权值空间的搜索。该算法利用双种群权值优化、结构进化自适应变异率等方法来加快算法的收敛速度，改善解的性能。仿真结果显示本文提出的算法能够有效抑制遗传算法初期收敛的发生，有效地提高多层前向神经网络的收敛精度，并可获得更为简洁的网络结构。     

基于优良育种的进化计算

模仿生物界培育优良品种的优良育种过程，提出了基于优良育种的进化计算。根据所研究的具体问题，用进化计算方法求出一个或若干个全局最优解或局部极值，以此建立种子集，对种子集加以研究，进行数据挖掘，获得有用的信息，从而更加有利于问题的求解。基于所提出的优良育种的进化计算做了两方面的研究：一是多模态函数的数值优化问题，另一是旅行商的组合优化问题。研究结果表明该算法是有效可行的。     

基于多物种进化遗传算法的神经网络进化设计方法

针对神经网络结构设计的问题与一般结构学习方法的不足，提出了多物种进化遗传算法(SEGA)，并以MLP为例给出了基于此算法的神经网络结构进化设计方法。该方法融合了遗传算法与神经网络，具有模型搜索空间广泛、算法适应性强的特点。仿真结果表明该方法是有效的。     

交互式多智能体进化算法及其应用

将多智能体技术应用于交互式进化计算领域，提出一种新的交互式多智能体进化算法。该方法让固定在网格上的相邻智能体之间展开竞争和熏优智能体本身的自学习，来提高智能体的能量，从而使得算法获得较强的全局收敛能力和局部搜索能力。算法以较快的进化速度收敛，并且用户每次只需要选择2个左右最感兴趣的个体，使得评价具有易操作性和轻松性，从而有效缓解用户的疲劳。服装设计的仿真实验证了算法的可行性和有效性。     

杂合遗传算法与计算智能

基于遗传算法的杂合系统是将遗传算法引人已有的系统算法、启发式优化策略及领域知识获取与优化等问题时,产生的一种新型的综合性算法结构设计策略．本文对遗传算法与神经网络、遗传算法与模糊逻辑,以及遗传算法与专家系统的杂合等问题进行了系统的研究与评述.     

采用并行协同进化遗传算法的文本特征选择

现有的文本特征选择方法都是串行化的, 应用于海量文本数据集时时间效率较低, 因此利用并行思想来提高文本特征选择的效率, 已成为文本挖掘领域的一个研究热点. 本文将 遗传算法和并行协同进化算法结合起来, 在粗糙集的基础上设计了一个并行协同进化遗传算法 并将该算法用于文本特征选择. 该方法采用遗传算法搜索特征, 利用并行协同进化算法来提高 时间效率, 从而较快地获得较具代表性的特征子集. 实验结果表明该方法是有效的.     

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.     

一种新的免疫进化算法及其性能分析

基于免疫系统中的进化机理，提出了一种免疫进化算法。首先引入了邻域概念，并通过定义扩展半径和突变半径两个新算法参数而构造了较小和较大两个邻域。进而给出了扩展和突变操作分别利用这两个邻域进行局部和全局搜索，实现了从全局到局部的两层邻域搜索机制。分析了算法的优化机理和收敛性。仿真结果表明该算法具有不易陷入局部最优、解的精度高、收敛速度快等优点。     

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     

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。     

免疫进化模型及其在优化计算中的应用

在深入研究免疫系统的智能进化机制和两种典型免疫计算模型的基础上，基于进化计算模型和免疫调节理论，结合免疫记忆机制提出了一种通用免疫进化算法(GIEA)的—般框架，论述了其运算机理，分析了其收敛性和收敛速度。针对多模态优化问题，按照该框架设计了一个具体的多模态免疫优化算法(MIOA)，并进行了仿真研究和计算复杂性分析。分析与仿真结果表明，该算法不仅比同类算法计算量小、具有更好的搜索性能，而且无须任何先验知识，实现了真正的自适应搜索。     

遗传算法及其在系统仿真中的应用

本文介绍遗传算法的基本原理，给出其在系统仿真中的几个应用实例，阐述其发展趋势及有待解决的问题。     

基于遗传算法的非线性参数估计器

提出非线性参数估计的遗传算法方法。遗传算法是一种基于自然选择和自然遗传学机理的全局搜索学习算法。文中介绍了遗传算法的基本原理和参数估计算法。仿真实例验证了该方法的良好特性。     

一种基于自适应遗传算法的聚类分析方法

本文研究了基于自适应遗传算法进行聚类分析的基本原理和实现方法。自适应遗传算法不同于一般遗传算法之处是其交叉互换率与突变率这两个参数随串的适应度值而变化，极大地增强了算法的性能。实验结果表明，遗传算法应用于聚类分析能够搜索到更为精确的聚类中心值，在模式识别、数据压缩等领域有着广泛的应用前景。     

遗传算法的适应度函数研究

本文针对复杂函数的最优化问题,首先分析了遗传算法中常见的几种适应度函数的不足,论证了适应度函数在遗传算法中的重要性。进一步提出了设计适应度函数应满足的五条标准,在此基础上给出了一类适应度函数公式,并对性能进行反复测试。结果表明,本文的适应度函数的性能明显优于其它函数,对提高遗传算法的整体性能也有重要意义。     

正交试验遗传算法及其在函数优化中的应用

针对遗传算法参数多且配置困难的问题，本文提出一种利用正交试验优化选择参数的方法，它使得对于不同领域的优化问题只需用正交试验进行一次参数配置，然后用遗传算法进行具体寻优即可取得较好效果。这种正交试验遗传算法易于编程实现且在一定程度上避免了遗传算法参数配置的盲目性。     

—基于遗传算法的铁路客车地板结构优化设计与仿真

本文提出了基于遗传算法对工程结构进行截面尺寸优化设计和仿真的新方法。利用遗传算法在寻优过程中不要求梯度计算这一优良的特性，将它与结构有限元分析和ＣＡＤ技术有机地结合在一起，实现了在ＣＡＤ环境下对铁路客车一种地板结构截面尺寸设计计算、优化及结果仿真。本文所提出的方法不仅简单易行而且容易推广到更复杂的工程结构截面尺寸优化问题。     

用单亲遗传算法求解有序组合优化问题

本文提出一种用于求解有序组合优化问题的单亲遗传算法（ＰＧＡ）。ＰＧＡ的突出特点是不使用传统遗传算法（ＴＧＡ）常用的交叉算子,而是通过基因换位算子隐含交叉算子的功能来实现进化操作。本文首先介绍了ＰＧＡ的基本概念,然后分析ＰＧＡ的运行机理,最后给出了用ＰＧＡ求解旅行商问题的仿真结果。