多群体优良模式自学习遗传算法

针对经典遗传算法存在的问题,提出了多群体优良模式自学习遗传算法.引入了迁移与学习算子,以提高遗传算法的有效性与收敛性.通过对Goldstein和Price函数的优化计算,说明了该方法具有良好的全局搜索能力和较快的收敛速度.     

改进的遗传规划研究

针对遗传规划中群体规模较大。收敛效率较低等特点,提出了对传统遗传规划中初始群体的生成方法的改进．使生成的初始群体具有良好的性能,从而提高遗传规划的收敛效率．通过对两个函数进行符号回归验证,说明此方法是合理可行的．     

群体中Agent基于内部状态的行为选择

以自然鱼群为原型,研究它们的行为选择机制,提出了一种群体环境中基于内部状态的Agent行为选择方法.建立分布式行为模型,赋予Agent感知、交互能力;用R-A模型描述Agent 之间的相互作用;定义Agent的自然能力限制为硬约束,定义Agent间相互作用为软约束;采用基于约束满足的随机搜索算法模拟Agent的交互与行为选择,运用Breakout思想确保算法跳出局部最小;通过对Agent内部状态值的调节改变搜索参数,达到内部状态控制行为选择的目的.     

群体机制的一种涌现现象——互惠利他行为的产生

利用"囚徒困境"模型分析了利他行为者在与利己行为者的个体生存博弈中的不利处境.对于扩展的群体的生存博弈模型,从理论上证明了只要利他行为的回报充分大,群体的利他行为就会存在.利用元胞自动机的仿真验证了这一现象.对个体和群体两种生存博弈的分析表明,互惠利他行为是群体机制的一种涌现现象.     

基于二维密度加权算子的群体评价信息集结方法

群体评价中已有的信息集结算子都没有考虑到信息分布的疏密情况,且其评价信息又通常为二维数据,为此,提出了一种基于二维密度加权算子的群体评价信息集结方法.定义了二维密度加权算术平均(TDWA)算子和二维密度加权几何平均(TDWGA)算子2种新的集结算子.将新算子应用于群体评价的信息集结中,并分别给出了群体评价(二维)数据的分组与群体密度权向量的具体确定方法.最后,给出了一个具体的集结算例.     

空间轨迹问题的粒子群仿真研究

空间轨迹的搜索问题具有多个全局最优解,一种有效的解决方法是采用粒子群算法进行搜索.然而与一般的优化问题不同,轨迹问题要求算法中粒子适应值与粒子位置同时收敛.为此,针对已有的粒子群算法在轨迹搜索上的不足,提出了一种减速粒子群优化算法(Slowdown ParticleSwarm Optimization,简称SPSO),从位置角度改善粒子群的收敛性能.该算法利用独立子群技术保证粒子收敛于不同的位置,并根据粒子适应值情况减半更新粒子飞行速度,以达到位置收敛的目标.仿真实验的结果表明了减速粒子群算法在位置收敛效果上的优越性.     

基于社会势场的群体机器人聚集队形控制

将社会势场与基于行为控制相结合,使得群体机器人形成聚集队形,避开未知环境中的障碍物并到达目标区域.设置了两类阈值,以减少机器人在均衡位置的抖动,提高群体机器人向目标区域趋近的速度;提出了柔性社会势场机制,以提高机器人的避障效率.个体机器人根据局部感知自主产生队形控制向量,因此该队形控制策略具有良好的可扩展性.仿真实验表明了队形控制策略的可行性和有效性.     

研讨群体创新及其绩效的研究评述与展望

群体研讨和群体创新是现代企业组织解决复杂问题、保持竞争优势的重要保证.回顾了目前国内外在研讨群体创新及其绩效的影响因素方面的研究,从群体特征、技术特征、环境特征、研讨组织方式、任务特征及其要素组合方面进行了归纳和总结,并进行了具体评述和展望.     

An analytic hierarchy process model of group consensus

In group decision making, a certain degree of consensus is necessary to derive a meaningful and valid outcome. This paper proposes a consensus reaching model for a group by using the Analytic Hierarchy Process （AHP）. It supports people to improve their group consensus level through an updating of their judgments. In this model, a moderator suggests the most discoraant aeclslon manet to update his judgment in each step. The proposed consensus reaching model allows decision makers to accept or reject the suggestion from the moderator. This model ensures that the judgment updating is effective and the final solution will be of acceptable consistency. Finally, a numerical example is given to illustrate the validity of the proposed consensus reaching model.     

一种新的混合聚类算法

聚类是数据挖掘的主要技术之一,是一种无导师监督的模式识别方式。聚类分析就是按照数据间的相似程度,依据特定的准则将数据划分成不同子类。K-平均算法是经典的聚类算法。蚂蚁聚类算法是近来涌现的新的聚类算法,它通过模拟蚁群的智能行为进行聚类分析,已经在数据挖掘中得到应用。通过分析蚂蚁聚类算法和K-平均算法两种不同聚类算法的基本思想,将两种算法结合得到混合聚类算法,仿真实验证明混合聚类算法的算法性能优于蚂蚁算法和K-平均算法。