带有自适应变异和指数递增交叉算子的差分进化算法

针对基本差分进化算法的缺陷,融入指数递增交叉算子以增加算法的收敛速度.当算法陷入早熟后,对最优个体和随机选取的个体采用随机扰动的变异策略,帮助其跳出局部极值.数值仿真实验表明,该算法的收敛速度和精度都明显优于仅带有指数递增交叉算子的差分进化算法和仅带有随机扰动变异策略的差分进化算法.     

基于改进模式提取变异算子的遗传算法

在经典遗传算法的基础上，提出了一种基于改进模式提取（Algorithm of pattern extraction,Alopex)，种群个体的连续进化方向作为当前代个体的变异方向，并利用自适应来调整变异步长，通过控制参数来控制变异方向的概率从而跳过局部最优值。对几种典型函数的测试结果表明，基于该变异算子的遗传算法能较好地避免收敛到局部最优，收敛性能优于经典遗传算法。     

基于进化规划算法的图像聚类研究

将进化规划算法应用于图像聚类问题,对问题的解进行符号编码,采用群体智能模式实现问题解的搜索.利用进化规划算法的变异算子和选择算子可以有效提高算法的全局搜索能力,采用高斯变异算子保证了优秀解的多样性,降低了进化操作的复杂性.仿真实验证明基于进化规划算法的图像聚类算法具有可行性和准确性.     

一种新局部搜索策略的差分进化算法

为增强差分进化算法的局部搜索能力,一种新局部搜索策略引入到差分进化算法中,从而提出一种新局部搜索策略的差分进化算法。该算法用局部搜索得到新个体替换较劣个体,使其跳出局部最优,以此增强种群的多样性。数值实验选取4个测试函数,并与差分进化算法进行比较,结果表明算法的有效性。     

基于混合差分进化算法的VLSI布图规划

基于B*-tree布局表示法,结合差分进化算法的全局搜索能力和局部搜索,提出了一种用于VLSI布图规划的混合差分进化算法,并使用MCNC标准数据进行测试.实验结果表明该算法是有效的.     

基于免疫进化策略的神经网络优化方法

对神经网络的研究多年来主要集中于网络权值优化或结构优化上,却忽略了神经网络结构与权值之间密不可分的联系.针对上述问题,将免疫系统中的浓度机制和记忆机制引入进化策略,提出了一种基于免疫进化策略的神经进化算法,在优化网络拓扑结构的同时优化网络的连接权值.进一步地,用Cauchy变异算子代替传统的Gauss变异算子,以获得更为理想的全局收敛效果.理论分析和仿真结果表明,免疫进化策略能够很好地保持种群多样性,避免未成熟收敛,采用免疫进化策略设计神经网络具有良好的全局收敛性能和快速学习网络结构和网络权值的能力.     

基于单纯形局部搜索的自适应差分进化算法

针对标准的差分进化（DE）算法在高维复杂的函数优化中易早熟收敛,进而导致搜索精度低甚至优化失败的问题,提出一种基于单纯形局部搜索的自适应的差分进化算法（SSADE）．将DE算法的快速全局搜索能力与单纯形的强局部寻优能力有机结合起来,进一步提高了解的精度．参数自适应变化有效地维持了种群的多样性,自适应的变异策略扩大了个体的搜索范围,增强了算法寻优效果,仿真实验验证了新混合算法的有效性．     

基于互补变异算子的自适应差分进化算法

在参数自适应的差分进化算法的基础上,同时采用DE/rand/1和DE/best/2两种具有互补特性的差分变异算子,提出了多种采用不同分配策略的新型差分变异算法.2种变异算子的分配分别采用随机分配、基于种群规模的单调分配、适应性随机分配以及基于种群规模的适应性分配4种策略.基于标准测试函数的数值优化结果表明:双变异模式的自适应差分进化算法总体上明显优于2种标准DE算法.在4种分配策略中,单调分配策略效果最佳.所提出的DE算法利用了DE/rand/1型变异在保持种群多样性方面的优势,并继承了DE/best/2型变异局部收敛速度快的优点,较好地实现了探索与利用的平衡,而且需要人工调节的参数较少,便于在实际中使用.     

前向神经网络拓扑结构和权值的进化

基于进化规则（Bvolutionary Programmin)的方法，提出一种进化前向神经网络的新算法。该算法能同时进化网络的拓扑结构和连接权值（包括阈值），产生非常紧凑的网络结构，并且由于其全局搜索能力能够避免结构的局部。仿真结果证明了该算法的有效性。     

遗传算法中的交叉算子研究

阐述了基本交叉算子和交叉机理．通过一个具体的工程应用——项目投资决策，对比和分析了同一遗传算法在不同交叉算子作用下的性能。结果表明，依据置换群理论，算术交叉算子和线性序列交叉算子均可看作多点交叉算子的迭代．     

连续空间演化规划的收敛性

给出了求解全局优化问题的连续空间的演化规划，应用Ｍａｒｋｏｖ过程分析了演化规划，并且证明了该算法的全局收敛性．     

基于神经网络和进化算法的混沌序列产生方法

应用具有全局最优的进化规划算法建立产生混沌序列的优化神经网络模型。该模型利用神经网络权值调整的灵活性 ,能够在同一网络结构中产生的多种混沌序列。计算机仿真结果表明 :该模型比 BP算法训练的神经网络模型能更好地重构混沌吸引子 ,调整网络权值即可产生多种混沌序列。     

基于进化规划和神经网络的多用户检测器

利用两种方法的优点,并将它们应用于CDMA多用户检测中,提出一种基于并行遗传算法和Hopfield神经网络的多用户检测器．该检测器中,进化规划首先给神经网络提供较好的初始值,然后用神经网络实时快速地获得最优解．计算机模拟结果表明：本文所提出的检测器在误码率和“抗远近”效应方面均具有良好的性能。     

一类灰线性规划及其对偶理论研究

本文讨论了一类灰系数为区间的灰线性规划,定义了其第一和第二白化线性规划及其灰对偶规划,探讨了它们的解与原规划的解之间的关系,并得出了一些新的结论。     

电磁场位相算符的研究

分析了电磁场真空态性质,指出在量子电场中讨论真空电磁场的位相是无意义的.对任一量子态｜Ψ＞,我们引入投影算符∧＝｜0＞＜0｜后,电磁场算符是么正的.     

试论自然界演化过程的进化与突变

对自然界演化过程中的进化与演变,从历史发展的过程进行考察,并详细地予以阐述。指出康德首先将历史观引入到对自然界进行研究的;尔后达尔文和克劳胥斯分别从生物系统与非生物系统的角度出发提出了两种相矛盾的历史观,这就是进化的历史观与退化的历史观;普里高津建立的耗散结构理论初步解决了这一矛盾,他认为由大量子系统组织成的系统中的进化是由涨落的放大导致的,自组织系统中的断进化,本质上就是系统逐级突变的结果。     

广义动量算符与广义功能算符的构造

本文给出构造广义动量算符和广义动能算符的另一种方法,简单易懂,便于引入教学。其所得结果具有与文献[2]完全一致的普适形式。最后,对普适对应规则问题略陈管见。     

改进基因表达式编程算法及其应用研究

基因表达式编程是一种新型的自适应演化算法,它是在继承和发展遗传算法和遗传编程优点的基础上发展起来的知识发现新技术．笔者介绍了GEP的发展现状与关键技术,设计了逆淘汰策略和无树解码方式的改进方案,旨在维持种群多样性和提高算法效率,最后将改进方法应用与一元和多元函数挖掘的实验,得到准确度和拟合度良好的函数模型,收到了满意的效果．     

线性规划“少反而多”现象研究

本文给出了一般线性规划问题出现“少反而多”现象的一个充要条件和一个充分条件。第三部分给出了文［３，４］的一个注记。