基于混合智能的彩色图像的边缘检测算法研究

以费用函数最小化方法为基础,提出一种基于粒子群和量子进化算法为基础的混合智能算法用于进行图像的边缘检测．提出了基于混合智能的进化算法,用于进行图像边缘检测．仿真结果表明,新算法得到了令人满意的检测效果．     

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.     

基于双种群差分进化算法的输电网规划

提出双种群结构的差分进化算法,子种群通过个体迁移实现信息共享,达到平衡算法探索与开发能力的目的。将所提双种群差分进化算法用于输电网规划的结果显示,该算法能够快速精确搜索到输电网规划全局的最优解和最优方案。     

基于改进差分进化算法的无人机在线低空突防航迹规划

为了解决无人机在部分未知敌对环境中的低空突防航迹规划问题,提出了一种改进的差分进化算法.该算法的进化模型采用冯.诺伊曼拓扑结构,并对其进行拓展,使种群在进化初期保持多样性,避免进化早期陷入局部最优,而进化后期加快收敛速度.该算法改进了差分进化算子中的变异操作,从而加快算法的收敛速度,快速找到多目标优化问题的最优解;同时,采用将绝对笛卡儿坐标和相对极坐标相结合的编码方式以提高搜索效率.将该算法用于无人机在线航迹规划仿真实验,并和未改进的算法结果作比较,验证了该算法的有效性.     

免疫遗传算法及其对资源受限工期最短问题的应用

依据免疫机理及遗传算法,设计免疫遗传算法解决项目计划管理中资源受限、工期最短问题。算法设计中,记忆池用于搜集算法进化获得的优秀个体,并使记忆池中的个体参与交叉;基于群体多样性特征,设计浓度方案调节进化群体的多样性,并用于群体更新;利用自适应变异及修补思想增强进化群体的散布性和修正非可行解。数值实验及比较表明,该算法具有很好的搜索性能,在搜索效果上较为稳定。     

无参数变异的二进制差分进化算法

鉴于差分进化算法在解决复杂连续问题上的优良性能,针对0-1变量的特点,提出了一种用于求解0-1规划问题的二进制差分进化算法(BDEPM).与采用离散变换和逻辑运算的改进算法相比,BDEPM算法中的变量采用二进制编码方式,在进化过程中无需变异率,即可根据个体间的差异直接在离散域内进行变异,算法的思路清晰、结构简单、控制参数少、易于理解和实现.将BDEPM用于求解0-1背包问题,针对其约束提出了一种二次贪婪变换的修复策略,两个背包实例的仿真对比实验验证了BDEPM算法的优越性.     

遗传算法引入进化方向算子的一个改进及应用

为了有效找到全局最优,将“进化方向”引入到遗传算法中被认为是非常有用的。文中提出了一个新的进化方向算子,用于对标准遗传算法进行改进,该算子依据父代个体和当代个体的进化方向产生子代个体,进化方向的求取无须计算梯度。算子的作用对象是个体中的变量而不是染色体中的基因,因而适合于采用任何形式编码的遗传算法场合,包含该方向进化算法被用于二维多峰函数的极大值搜索问题,进行了对比验证,将新算法进一步应用于离心压     

求解交货期可变动态调度问题的差分进化算法

针对差分进化算法求解动态优化问题时存在多样性缺失、寻优效率低的问题,提出一种多种群差分进化算法,将这种用于求解连续解空间优化问题的进化算法应用于顺序编码的动态调度问题求解中.该算法利用随机键编码表示法将连续位置向量转化为顺序编码,提出自组织多种群策略,将种群按动态空间特征自动分成主种群与子种群;由主种群不断探索峰值所在...     

PBIL进化算法及其应用

进化计算是近年来发展起来的一种搜索方法，广泛用于求解各类问题，ＰＢＩＬ算法与传统的进化算法不同，将进化获得的知识－学习概率用以指导后代的产生，使搜索更具方向性，因而往往能取得更好的效果。     

差分进化算法在机组组合问题中的应用

基于差分进化算法求解机组组合问题,差分进化算法具有全局寻优能力,通过群体内个体间的合作与竞争产生的群体智能指导优化搜索。给出了10台机组算例系统优化结果,验证了该算法用于求解机组组合问题时不易陷入局部最优解,有较好的收敛性和效率。     

一种求解多目标优化问题的混合演化算法

提出了一种混合演化算法求解多目标优化问题.演化算法是解决多目标优化问题的有效方法,在全局优化问题中具有很好的鲁棒性,但其局部搜索性能有待改善.Hooke and Jeeves方法是一经典的局部搜索算法,将其与演化算法结合求解多目标优化问题,提高了解的收敛质量,因而从整体上提高了算法的性能,并且测试结果也说明了该算法的可行性.     

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。     

Novel evolutionary algorithm for global numerical optimization with continuous variables

Evolutionary algorithms (EA) are a class of general optimization algorithms which are applicable to functions that are multimodal, non-differentiable, or even discontinuous. In this paper, a novel evolutionary algorithm is proposed to solve global numerical optimization with continuous variables. In order to make the algorithm more robust, the initial population is generated by combining determinate factors with random ones. And a decent scale function is designed to tailor the crossover operator so that it can not only find the decent direction quickly but also keep scanning evenly in the whole feasible space. In addition, to improve the performance of the algorithm, a mutation operator which increases the convergence-rate and ensures the convergence of the proposed algorithm is designed. Then, the global convergence of the presented algorithm is proved at length. Finally, the presented algorithm is executed to solve 24 benchmark problems. And the results show that the convergence-rate is noticeably increased by our algorithm.     

Novel evolutionary algorithm for global numerical optimization with continuous variables

Evolutionary algorithms (EA) are a class of general optimization algorithms which are applicable to functions that are multimodal, non-differentiable, or even discontinuous. In this paper, a novel evolutionary algorithm is proposed to solve global numerical optimization with continuous variables. In order to make the algorithm more robust, the initial population is generated by combining determinate factors with random ones. And a decent scale function is designed to tailor the crossover operator so that it can not only find the decent direction quickly but also keep scanning evenly in the whole feasible space. In addition, to improve the performance of the algorithm, a mutation operator which increases the convergence-rate and ensures the convergence of the proposed algorithm is designed. Then, the global convergence of the presented algorithm is proved at length. Finally, the presented algorithm is executed to solve 24 benchmark problems. And the results show that the convergence-rate is noticeably increased by our algorithm.     

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．     

基于进化算法的拟可行方向法及其收敛性

在传统优化算法中嵌入一拟步骤 ,改善了算法的收敛性质 ;并用进化算法计算拟步骤 ,提高了算法的全局搜索能力 ,又不改变原算法的收敛性 .且研究了参数变化对算法的影响 ,并对算法进行了数值实现     

基于思维进化算法的变压器局部放电源定位新方法

为准确对变压器局部放电源的位置定位,寻求先进的优化计算方法是解决该问题的有效途径。把思维进化算法(MEC)用于变压器局部放电源"声-声"定位。实验结果表明,与基于标准遗传定位算法比较,基于思维进化方法的定位具有精度高、收敛速度快、避免早熟等特点,做到对放电源位置实时在线定位。     

基于粒子群统计规律的PSO算法

粒子群优化（particle swarm optimization，PSO）算法是一类基于群体智能的全局优化算法，以其计算迅速和易于实现而得到广泛的应用．但作为一种进化算法，它在很多问题中却容易过早收敛，陷入早熟．这与粒子群采用单一的进化策略有关，因为过于单一的进化策略使粒子群整体上有一种趋同性．针对标准PSO算法的这个问题提出了一种改进方法，改进后的PSO-σ算法实质上是Kennedy讨论过的认知模型、社会模型和完全模型的混合算法．从算法的收敛性、准确性和稳定性等方面对这种改进的算法作了试验和分析，发现均优于标准PSO算法．     

Design for a Novel Framework of Hyper-Heuristic Algorithm

A novel framework of hyper-heuristic algorithm was proposed to improve the adaption of evolutionary algorithms （EAs） in optimization. The algorithm could be changed during the evolutionary progress according to their performances. In addition. a large number of elite individuals were employed in the algorithm and the elite individuals helped algorithm achieve a better performance. while such number of elite individuals stagnated the global convergence in conventional single algorithm. The time complexity was analyzed to demonstrate the novel framework did not increase the time complexity. The simulation results indicate that the proposed framework outperforms any single algorithm that composes the framework.     

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.