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。     

基于思维进化算法的常微分方程组演化建模

在基本思维进化算法（MindEvolutionaryComputation，原名Mind-Evolution-BasedMachineLearning）框架的基础上，吸取遗传规划（GP）中的树形编码思想，提出了利用树结构进行信息抽取的方法，进而实现了用于常微分方程组演化建模的趋同、异化算子，并获取了优良的效果，使MEC在非数值优化领域中得到了进一步应用。最后的仿真实例的结果表明，同GP方法比较，MEC方法具有计算速度快、建模结果优和全局搜索性能好等明显优点。     

基于自适应思维进化算法的容错控制仿真研究

思维进化计算(Mind Evolutionary Computation,MEC)是一种新型的智能计算方法,能有效地克服遗传算法中存在的一些缺陷,但也存在着进化速度较慢的不足之处.为了提高思维进化计算的进化速度,在该算法中引入了三个自适应因子,建立了一种自适应思维进化算法(Adaptive Mind-Evolutionary Algorithm,AMEA).基于自适应思维进化算法,构造了一种自适应思维进化容错控制(Adaptive Mind-Evolutionary Fault-T0lerant Control,AMEFTC)系统,可实现控制律的在线重组,使系统在发生故障后仍能维持正常系统的静态和动态性能,从而实现了对系统故障的容错控制,最后通过仿真实例验证了这一控制律重组容错方案的可行性和有效性.     

退火进化规划算法及其收敛性

基于排序的选择方式在一定程度上会导致种群搜索范围变窄,进化规划算法过早收敛。针对此问题,将退火概率与适应度结合的选择方式引入进化规划算法的选择操作,形成了退火进化规划算法(AEP)。然后利用非时齐Markov链对退火进化规划算法进行了描述,并证明了其全局收敛性。数值实验表明,退火进化规划算法能保证种群的全局收敛性,且收敛速度较快,可较好地避免早熟收敛和局部极值。     

元胞蚂蚁算法的收敛性分析

提出一种新的优化算法，元胞蚂蚁算法，该算法将元胞自动机的邻居和规则引入传统的蚂蚁算法，实验结果证明该算法可行且有效，有良好的全局优化能力。定义元胞蚂蚁算法的求解迭代过程为一个概率测度空间中的随机算子，利用随机不动点理论，证明了该算子为连续压缩算子，存在唯一的随机不动点，从而给出了元胞蚂蚁算法的收敛性的论证，为算法奠定了相应的理论基础。     

基于临界自组织模型的进化算法

将临界自组织(self-organlzed criticality，SOC)概念引入到进化算法领域，提出了基于临界自组织的进化算法(SOCEA)，引入灾变机制来模拟临界自组织状态中的剧烈变化过程，采用临界自组织的模型构造进化算法的算子、通过实验测试可以得出SOCEA算法要优于同类的对照算法，并且计算量开销也比较小、     

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。     

进化算法中基于排序选择下的准确模式理论

进化计算中的模式理论是解释进化计算工作机理的一个有力工具．文章以遗传算法为例，通过引入红皇后假说及模式进化能力等概念，使用排序选择代替了依概率选择，证明了在进化算子采用排序选择、多点交叉和多点变异的情况下，具有较强进化能力的模式，将以指数阶增长，并给出了排序选择下准确的模式进化公式．     

快速约束多目标进化算法及其收敛性

针对进化算法收敛速度缓慢、容易陷早熟的问题,提出了约束多目标优化问题的一种新的快速进化算法. 设计了能够从可行解空间和不可行解空间同时搜索的交叉算子,将约束条件和目标结合在一起,引入一种新的偏序关系用于比较个体之间的优劣,提出一种新的Niche值计算方法作为维持种群均匀性的主要动力,并采用已搜索解集避免了算法的重复搜索. 在此基础上, 设计了具有全局搜索能力的进化算法, 并证明了算法的收敛性. 仿真结果表明,与同类进化算法相比, 该算法能够快速收敛到Pareto前沿,并能很好地维持种群的多样性.     

基于市场微结构模型和进化算法的资产分配

研究了一种离散时间金融市场微结构模型的估计以及基于此模型的资产分配控制问题.提出用进化算法来估计这种市场微结构模型,以得到其最优的结构和市场背后隐含的过剩需求和市场流动性过程.进一步,用估计的过剩需求信息而非预测价格来指导资产分配.资产分配策略的门限参数用约束优化进化算法来估计.对深证综合指数时间序列的实证分析结果表明了提出方法的有效性.     

混合混沌量子进化算法

针对量子进化算法计算量大、收敛速度慢以及容易出现早熟等问题, 提出混合混沌量子进化算法. 该算法采用混沌 初始化方法产生初始种群, 使种群具有较好的多样性;采用简单量子旋转门更新当前种群中的非最优个体, 降低算法的计算量; 提出混合混沌搜索策略以提高算法的收敛速度和全局搜索能力. 大量的测试表明, 与量子进化算法、实数编码量子进化算法和 混合量子遗传算法相比, 所提出的算法具有较快的收敛速度和较好的寻优能力. 大量的测试也表明, 若将混沌引入量子进化算法, 则混合混沌搜索策略的综合性能明显优于载波混沌策略, 在大多数情况下优于混沌变异策略. 本文提出的算法是惟一的每次测试 都收敛的算法, 且实现简单, 便于工程应用. 将其用于求解城市道路的交通信号配时优化问题, 实际效果令人满意.     

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.     

非线性盲源分离的多目标进化算法

针对在非线性混叠盲源分离中代价函数往往具有许多局部最优解,求解其全局最优解非常困难的问题。设计了多目标进化算法来求解代价函数的全局最优解,提出了非线性盲源分离的多目标进化算法。该多目标进化算法根据带权极小极大策略构造了一个同进化代数有关的变适应值函数,使种群中的容许解逐渐增多和保持个体的多样性,避免算法陷于局部最优。数值仿真表明算法是有效的。     

Web mining based on chaotic social evolutionary programming algorithm

With an aim to the fact that the K-means clustering algorithm usually ends in local optimization and is hard to harvest global optimization, a new web clustering method is presented based on the chaotic social evolutionary programming （CSEP） algorithm. This method brings up the manner of that a cognitive agent inherits a paradigm in clustering to enable the cognitive agent to acquire a chaotic mutation operator in the betrayal. As proven in the experiment, this method can not only effectively increase web clustering efficiency, but it can also practically improve the precision of web clustering.     

基于混沌社会演化算法的文本聚类新方法

用K均值算法进行文本聚类通常只能以局部最优结束,很难找到全局最优.文章提出了一种基于混沌社会演化算法的文本聚类新方法.在该方法中提出了认知主体在聚类中对范式继承的方式,在认知主体对范式的背叛中提出一种混沌变异算子.实验证明该方法不但能有效地提高文本聚类的效率而且能有效地提高文本聚类的精度.     

基于量子多目标进化算法的多任务Agent联盟生成

多Agent联盟生成是多Agent系统的关键问题之一, 主要研究如何在多Agent系统中动态生成面向任务的最优联盟. 为使Agent能稳定的组织起来完成单Agent不能完成的任务并在成本、资源、利益等方面达到一个良好的平衡性能并达到全局最优, 提出了联盟多目标综合评价模型, 并将量子进化多目标算法应用于多目标多任务Agent联盟问题, 运用编码的映射, 将资源组合和任务分配合并为一个过程, 降低了问题的复杂性. 对比实验结果表明该算法求得的解的质量高, 平衡性好, 能有效避免了联盟死锁和资源浪费.     

基于PSO神经网络的进化博弈研究

针对进化博弈中博弈人是有限理性的,提出了一种基于粒子群神经网络的进化博弈决策机制。该机制将神经网络技术引入到进化博弈中,并采用粒子群优化算法(PSO算法)来训练神经网络,因而可利用神经网络来模拟博弈人在进化过程中的学习和策略调整。利用该机制分别对有限理性条件下的鹰-鸽博弈和重复囚徒困境博弈进行了研究。实验表明:PSO神经网络可以准确地模拟进化博弈中博弈人的动态学习与决策过程,能有效地指导博弈人的策略选取,是进化博弈分析的有力工具。     

基于GA-RL的进化博弈求解主从博弈结构的供应链协调问题

供应链协调问题多数基于主从博弈结构建模,但如果研究对象是相对复杂的供应链结构.理论求解主从博弈问题就变得困难.因此从求解一对一的供应链协调问题开始,针对主从博弈问题的特点,利用个体学习的进化博弈仿真手段,设计了经销商利用经验分布的预期随机需求的信念更新模式与最优反应的决策模式,为生产商分别设计了基于强化学习的信念更新模式与基于遗传算法搜索策略空间的决策模式,并将两者有机结合,取得了博弈问题的均衡解并且验证该解与理论求解结果一致,为进一步求解复杂问题提供了新的途径.