并行遗传算法收敛性分析及优化

针对并行遗传算法（parallel genetic algorithms，PGA）容易出现收敛过快和陷入局部最优解的问题，综合多种不同进化策略遗传算法之所长，设计了一种混合的粗粒度并行遗传算法。该算法由多个独立的子群体组成，各个子群体并行的、独立的、按照不同的遗传进化策略进化，每隔一定的时间，在子群体之间进行最优个体的迁移，促进群体的共同进化，并抑制群体早熟。在PVM环境下，用该算法实现函数优化问题，仿真实验数据表明了其有效性．     

自适应变异的混合粒子群优化策略及其应用

提出了一种新的基于群体自适应变异和个体退火操作的混合粒子群优化（HPSO）算法．该算法将模拟退火过程引入到粒子群优化（PSO）之中，以PSO作为主体，先随机产生初始群体，并开始随机搜索产生新的个体．同时，使用自适应变异操作进行个体变异，对进化过的个体进行退火操作，以调整和优化群体．与模拟退火算法和基本PSO算法相比，HPSO保持了基本PSO算法简单、容易实现的特点，又能进行自适应变异．复杂函数优化和旅行商组合优化问题的实例验证表明，所提算法的全局收敛性较好，提高了摆脱局部最优的能力，有效避免了基本PSO算法的早熟问题．     

一种遗传算法优化的无味粒子滤波方法

提出了一种采用遗传算法（GA）优化无味粒子滤波（UPF）的新方法遗传无味粒子滤波器（GAUPF）．在无味粒子滤波（UPF）获得比传统粒子滤波（PF）算法更好的重要性采样分布函数的基础上将遗传机制应用于粒子重采样,以进化设计思想克服粒子退化现象,通过优化UPF算法更好地解决了非线性、非高斯领域的目标跟踪问题．仿真结果表明,该算法较好地解决了粒子退化问题,提高了滤波的精确性．     

基于免疫进化机制的多模态函数优化算法

基于免疫细胞中不同亲和度抗体具有不同的变异率，最终通过不断进化达到亲和度成熟机理的启示，设计并实现了一个多模态免疫优化算法．算法的主要操作算子包括超变异、正选择、记忆细胞产生和抗体相似性抑制．通过对典型的多模态测试函数进行仿真实验，证明算法可以快速搜索到多模态函数的全局最优解和多个局部最优解，同时也表明该算法具有较强的优化性能．     

解高维复杂函数优化问题的混合差分进化算法

鉴于传统方法用于高维复杂函数优化很容易陷入局部极小,为此提出了一类通用、易实现、具有全局优化特性的混合优化算法（CHADE算法）．该算法将混沌优化的随机性与差分进化算法（DE算法）相结合,利用混沌扰动算子增强算法的局部搜索能力;同时,随着搜索过程的进行随机地调整缩放因子和差分进化模式．多个典型高维复杂函数的数值仿真结果表明：CHADE算法寻优效率高、收敛速度快,尤其是具有避免局部极小的能力,其优化性能优于单一的DE算法．     

基于并行优进策略的差分进化算法

差分进化算法是一种新颖的进化计算技术,为减少用户选择算法控制参数的盲目性和提高算法收敛速度,设计了一种基于并行优进策略的差分进化算法（DEPES算法）．算法随着搜索过程的进行随机动态调整缩放因子和选取差分进化模式;在进行差分操作的并行运算过程中,利用当前代最优个体产生新的试验向量参与竞争选择过程．几个复杂函数的数值实验结果表明,DEPES算法寻优效率高、收敛速度快、对初值具有很强的鲁棒性、对维数具有较好的适应性,尤其是具有避免局部极小的能力,其优化性能优于标准DE算法．     

求解约束非线性优化问题的群体复合形进化算法

分析了SCE－UA算法的特性,指出该算法仍存在着一些缺陷,例如（1）SCE－UA算法的全局最优性依赖于随机选取的初始点集的多样性,若初始点集选取不当,搜索进化就会早熟而陷入局部最优解;（2）SCE－UA算法其求解效率有待于进一步提高,提出了群体复合形进化算法,能充分利用目标函数值的信息,优化搜索过程具有较强的方向性和目标性,收敛速度较快,且是全局优化算法,能有效地求解不等式约束非线性优化问题。     

基于免疫应答原理的免疫算法及其在多模态函数优化中的应用

基于免疫应答原理及小生境概念，采用实数编码策略，提出解决多模态函数优化的免疫算法。构建此算法的目的在于将其与遗传算法比较，分析二者的差异。算法设计的关键在于抗体评价规则及亲和突变算子，以及引入小生境技术、抗体浓度概念及免疫系统中群体多样性的机理，增强群体多样性。此算法具有自适应地调整进化群体规模、并行搜索最优解及强稳定性等特点，特别能搜索多个最优解(若存在)及大量局部最优解；同时其收敛性获证。事例仿真比较获该文算法的有效性，此暗示免疫算法的研究具有广阔前景。     

求解混流装配线调度的疫苗共生克隆选择算法

针对混流装配线的多目标调度优化问题,提出了一种疫苗协同进化的多目标免疫克隆选择优化算法.设计了疫苗种群及其相关操作,使其跟抗体种群相互影响并协同进化,提高了算法的性能;针对调度优化问题的离散性,选择同时从抗体的基因型和表现型评价抗体亲和度;依据抗体质量和进化代数,设计了自适应变异率;在每次迭代过程中,通过多次局部寻优加快算法收敛速度.最后通过两组实例仿真,与另3种多目标优化算法进行比较,结果证明该算法可得到更好的计算结果.     

低维函数的快速优化算法

基于群体的进化算法是求解函数优化问题的常用方法,但存在收敛速度慢和易陷入早熟的缺点．提出了一个基于（1＋1）-ES分块进化的低维函数优化算法,采用分块进化,引入丢弃不重要分块和二次优化求精的策略,实现了全局搜索过程和局部搜索过程的分离．通过算法分析,表明了算法比较适合于低维函数．仿真结果表明了提出的算法的抗早熟能力和求解效率均优于FEP．     

基于免疫机制的动态多目标优化免疫算法

作者针对一类决策空间的维数随时间变化的动态多目标优化问题,借鉴免疫应答蕴含的动态进化机制,提出了一种动态多目标优化免疫算法。算法设计中,依据抗体学习机理,设计几种具有自适应能力的免疫算子进化当前抗体群,以及借助免疫系统的识别功能设计环境识别规则,用于加速相似环境的寻优过程。另外,借助两个性能评价指标,经由比较性的数值试验,获得该算法具有较好的搜索效果以及较稳定的环境跟踪能力。     

改进免疫克隆算法的Job Shop调度

提出了基于种群协同进化的并行免疫克隆算法,将种群中个体的亲和度计算并行在多个计算节点上同时进行。引入免疫记忆机制,使抗体种群的演化过程和记忆单元的演化过程并行进行,更好地实现了抗体间的相互协作,保证了解集从可行域内部和不可行域边缘向着最优解逼近。采用了克隆增殖变异和交叉算子的操作,增加了种群中优秀个体获得克隆增殖实现亲和度成熟的机会,提高抗体群分布的多样性,在深度搜索和广度寻优之间取得了平衡。从而保证了算法较强的收敛性以及搜索空间的多样性。利用标准问题库对算法进行测试,并分析算法参数对算法结果的影响,仿真结果表明,该算法对待寻优空间的全局搜索能力和局部搜索能力以及算法的稳定性与计算速率都要强于简单免疫克隆算法和遗传算法等优化算法。     

基于免疫算法PID控制器参数的优化设计

根据生物免疫系统的特性,提出一种基于免疫进化计算PID控制器参数的优化设计算法。免疫进化算法引入记忆细胞的抗体浓度调节机制,具有种群的多样性,能确保快速稳定地收敛到全局的最优点。仿真实验表明该算法简便有效。     

免疫优化在QoS组播路由中的应用

提出了一种时延约束的最小代价组播源路由免疫算法．该算法的主要思想是：利用自然免疫系统中抗体和抗原的交互关系来模拟QoS组播路由中可行解（满足QOS约束的解）和不可行解（不满足QoS约束的解）之问协同演化过程,避免了传统的处理约束的方法——罚函数方法的局限性．算法的实现借鉴了前人提出的高效的克隆选择算子,可有效地提高算法的搜索性能．仿真实验证明：算法性能要好于被测试的著名路由算法．     

带宽优化的进化算法

介绍了实值优化问题的进化算法，自然进化是基于群体的优化过程，在计算机上模拟自然进化过程形成统计优化技术．同传统优化方法相比，进化算法具有全局优化的优点，而且适合复杂的实际问题．带宽优化是寻找结点编号的最佳排列，使得刚度矩阵的带宽最小．传统方法一般求得带宽的局部极小值，而带宽优化进化算法可求得带宽的全局最优解     

粒子群优化克隆算法在交流调速系统中的应用

提出了粒子群优化克隆算法(PSOCA),算法融合了免疫系统的克隆选择机制和粒子群优化算法的进化方程,具有全局寻优的能力.PSOCA改善了抗体种群的多样性,通过有效利用抗体的历史信息以及它们的合作提高了克隆选择算法的收敛速度.在PSOCA算法的基础上,设计了PID控制器(PCA-PID),可动态调整参数以适应时变对象.运用PCA-PID控制器进行交流调速,相对于采用粒子群优化算法和克隆选择算法设计的控制器,前者有更好的控制性能.     

A Hybrid Differential Evolution Algorithm Integrated with Particle Swarm Optimization

To implement self-adaptive control parameters, a hybrid differential evolution algorithm integrated with particle swarm optimization （PSODE） is proposed. In the PSODE, control parameters are encoded to be a symbiotic individual of original individual, and each original individual has its own symbiotic individual. Differential evolution （ DE） operators are used to evolve the original population. And, particle swarm optimization （PSO） is applied to co-evolving the symbiotic population. Thus, with the evolution of the original population in PSODE, the symbiotic population is dynamically and self-adaptively adjusted and the realtime optimum control parameters are obtained. The proposed algorithm is compared with some DE variants on nine functious. The results show that the average performance of PSODE is the best.     

基于遗传珊瑚礁优化算法的负载均衡问题

基于珊瑚礁优化算法, 通过在种群的每次进化过程中引入遗传算法中的交叉和变异算子, 提出一种遗传珊瑚礁优化算法, 并将改进的遗传珊瑚礁优化算法运用到负载均衡中， 有效解决了算法过早收敛的问题, 提升了算法的优化性能. 对比经典遗传算法、 珊瑚礁优化算法等群智能算法, 在CloudSim上仿真实验结果表明, 遗传珊瑚礁优化算法优化负载均衡策略取得了满意的结果, 提升了资源能耗利用率, 均衡了控制策略.     

基于遗传珊瑚礁优化算法的负载均衡问题

基于珊瑚礁优化算法, 通过在种群的每次进化过程中引入遗传算法中的交叉和变异算子, 提出一种遗传珊瑚礁优化算法, 并将改进的遗传珊瑚礁优化算法运用到负载均衡中, 有效解决了算法过早收敛的问题, 提升了算法的优化性能. 对比经典遗传算法、 珊瑚礁优化算法等群智能算法, 在CloudSim上仿真实验结果表明, 遗传珊瑚礁优化算法优化负载均衡策略取得了满意的结果, 提升了资源能耗利用率, 均衡了控制策略.     

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.