基于协同进化的航天测控资源优化调度

航天测控资源调度是一个具有很强工程背景的复杂问题,针对其特点,研究了一种基于协同进化的优化调度算法。在描述问题并给出调度模型的基础上,基于协同进化的思想,设计了和问题特征结合的遗传算法编码,对算法的算子和进化策略进行了描述,给出了算法的完整流程。通过算例表明,该算法整体上优于先到先服务（first coming first serving, FCFS）算法、任务综合优先度（task synthesis priority, TSP）算法和简单遗传算法（simple genetic algorithm, SGA）。     

基于免疫算法自调节变异率的FNNC参数优化及其应用

针对复杂钢坯加热过程，提出了一种自调节变异率的免疫进化模糊神经网络控制（IE—FNNC）算法。首先根据现场样本数据建立过程神经网络模型；然后基于该模型，采用规则优化算法，确定模糊神经网络控制器（FNNC）的最佳规则数；最后由FNNC的规则优化所得参数构造初始种群的一个解，采用自调节变异率的免疫进化（IE）算法对FNNC参数优化。该算法具有全局寻优和局部求精能力，仿真结果证实了其有效性。     

微分进化算法的研究综述

微分进化(DE)是比较新的基于群体的随机优化方法.它具有简单、快速、鲁棒性好等特点,已经得到广泛关注.不同于其它进化算法,它的变异算子是由种群中任意选取的多对向量的差值得到的.微分进化主要用于实参数优化问题,在非线性和不可微的连续空间问题上优于其它进化方法.近些年,微分进化的应用领域也是不断扩大.研究目的是总结微分进化的研究进展和应用领域,并对它的进一步研究进行展望.     

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。     

动态环境下基于可进化性的多目标化进化算法

可进化性是对进化系统中进化过程动态性能的表征,个体可进化性直接影响种群进化的质量与效率.选择个体适应值改进的比率和基因型的差异对个体可进化性进行度量.以个体可进行性的度量为附加函数,提出分别基于两种可进行性度量的多目标化进化算法.在不同复杂度动态环境下进行算法性能验证.结果表明新算法具有良好的动态优化性能.     

梯级水库短期发电优化调度的协进化粒子群算法应用研究

针对传统优化算法在求解高维、复杂的梯级水库短期发电优化调度时多约束条件难以处理、 计算机时长、易陷入局部最优解等缺陷, 提出了基于协进化的粒子群优化算法, 并建立了相应罚因子的评价机制, 在此基础上对协进化粒子群优化算法进行了改进. 通过实际算例验证了该方法的合理性和可靠性, 从而为高维、复杂梯级水库发电优化调度提供了一种新的求解途径.     

基于进化规划的新型生物地理学优化算法研究

生物地理学优化算法是一种新的全局优化算法,但该算法存在搜索能力不强的缺点. 针对此不足,提出一种基于进化规划算法的实数编码混合生物地理学优化算法,新算法将进化规划的搜索性与生物地理学优化算法的利用性进行有机结合,从而达到搜索性与利用性的平衡.通过13个高维标准测试函数对算法进行测试, 验证了新算法的有效性.与基本生物地理学优化算法和两种经典的进化规划算法进行比较,结果表明新算法优于所比较的三种算法. 此外,新算法在收敛速度上优于基本生物地理学优化算法.     

基于最小二乘支持向量机的自适应差分进化算法

差分进化(DE)算法具有操作简单,控制参数少,鲁棒性好等特点,但在对某些连续空间复杂函数进行优化时存在搜索盲目性较大、效率不高的问题.为此提出一种基于最小二乘支持向量机(LS-SVM)的自适应DE算法,该算法改进了标准DE算法的差分变异和交叉等关键遗传操作,引入了基于LS-SVM的种群进化引导策略,基于LS-SVM对种群n最优训练集数据进行回归函数逼近和优化,分析了种群进化引导策略的自适应应用条件,给出了算法的整体流程及各关键步骤的复杂度.对标准测试函数的对比优化结果表明,改进算法相比标准DE算法具有更好的全局寻优能力和更高的优化效率,可以满足对连续空间复杂函数优化问题的可靠、高效求解.     

基于进化规划的OCST问题求解

提出基于进化规划求解ＯＣＳＴＰ（ＯｐｔｉｍａｌＣｏｍｍｕｎｉｃａｔｉｏｎＳｐａｎｎｉｎｇＴｒｅｅＰｒｏｂｌｅｍ）的新方法。通过对原有启发式算法和遗传算法的分析，指出原有方法的不足和难点，并对进化规划算法应用于该问题的可行性进行了分析，最后给出了仿真结果和分析     

应用混合进化策略辨识Wiener-Hammerstein模型

提出了一种基于进化策略的多输入单输出Wiener-Hammerstein模型辨识新方法。该方法的基本思想是将模型辨识问题转化为非线性不可微函数优化问题,然后采用进化策略获得该优化问题的解。为了进一步增强进化策略辨识的性能,提出一种混合进化策略方法。混合进化策略采用如下方法以提高算法的全局寻优能力:基本排序的高斯-柯西自适应混合变异算子;策略参数的中间重组和均匀扰动;混合选择方案。仿真结果验证了上述混合进化策略辨识方法的有效性。     

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。     

进化博弈模型中有限理性个体学习机制设计框架

进化博弈突破了传统博弈理论完全理性的限制，提出了一种动态分析方法，模型中的动态产生的根源就是个体的学习行为，因此学习机制的设计是分析进化博弈问题的基础。本文在划分决策过程的基础上提出学习机制的设计框架，并针对不同的决策阶段具体设计了不同的学习机制模型，为进一步研究进化博弈问题提供了理论依据。     

极度并行计算:演化算法和演化神经网络的研究进展

演化算法、神经网络以及两者的结合作为一种极度并行的计算,已引起人们极大的注意。本文首先对演化算法的不同流派作了比较和分析;然后对演化算法与神经网络的结合作了回顾与展望,并讨论了演化神经网络的并行实现模式;最后指出了演化算法及演化神经网络有待解决的几个关键问题,为后续研究指明了方向     

一种基于子群杂交机制的粒子群算法求解旅行商问题

粒子群算法是在借鉴海鸥群落觅食行为基础上发展起来的仿生学优化算法，为求解复杂的组合优化问题提供了一种新的思路。本文提出一种结合粒子群算法结构和求解TSP问题蚁群算法特点的新算法，将多用于连续空间优化的粒子群成功扩展到TSP领域。算法通过杂交粒子选择机制，运用两种不同设计的杂交算子，成功模拟了自然界同物种不同种群间的协作与交流，将多子群策略和子群问杂交操作引入粒子群结构之中，增强算法的寻优能力。实验结果表明，该算法能有效地保证粒子问多样性差异，通过优化信息在子群间顺畅交流，有效地促进整个群落的进化收敛。该算法在解决TSP问题时．无论在收敛性和鲁棒性方面都优于一般的单群体、非杂交算法。是一种优秀的TSP问题解法。最终优化结果均达到TSPLIB中记录的已知最优解。     

一种新的免疫进化算法及其性能分析

基于免疫系统中的进化机理，提出了一种免疫进化算法。首先引入了邻域概念，并通过定义扩展半径和突变半径两个新算法参数而构造了较小和较大两个邻域。进而给出了扩展和突变操作分别利用这两个邻域进行局部和全局搜索，实现了从全局到局部的两层邻域搜索机制。分析了算法的优化机理和收敛性。仿真结果表明该算法具有不易陷入局部最优、解的精度高、收敛速度快等优点。     

Optimization of Additively Decomposed Function with Constraints

We propose a modified evolutionary computation method to solve the optimization problem of additively decomposed function with constraints, ft is based on factorized distribution instead of penalty function and any transformation to a linear model or others. The feasibility and convergence of the new algorithm are given. The numerical results show that the new algorithm gives a satisfactory performance.     

用进化-模拟退火算法求解Lambert方程

Lambert方程在轨道拦截和初始轨道确定起着重要作用。求解Lambert方程的传统算法主要有Newton迭代方法和超几何级数展开方法等,但这些算法都有一定的局限性(如有可能出现迭代收敛过慢,级数展开收敛性问题)。采用进化-模拟退火算法(EA-SA)算法求解Lambert方程,其中进化算法具有全局搜索能力,而模拟退火具有局部锁搜索能力。该方法克服了某些情况下梯度下降法有时收敛过慢和超几何级数不收敛的缺点,并具有通用性,便于操作和理解。通过仿真计算对比表明,EA-SA具有普适性,而且精度优于其它两种算法。     

重叠复用性建模方法

基因表达式程序设计是一种新的演化建模方法,试验表明在求解很多问题时该方法比遗传程序设计优越两个数量级以上。复用性是一个重要的概念,在众多领域得到了广泛的应用。通过对染色体中的基因的复用性进行研究,提出了重叠复用性建模（Overlap Reused Modeling,ORM）方法,也可以称为重叠复用性建模（Overlap Reused Modeling,ORM）方法。重叠复用性建模方法通过改进的染色体解码（翻译）规则来实现基因的复用性,从而有效地扩大了染色体的表达空间。同时提出了一种新的染色体适应值的计算方法,这种新的方法不仅简化了染色体适应值的计算过程,而且可以杜绝因基因复用所造成的计算量的增加。     

一种求解整数-非线性规划问题的演化算法

混合整数非线性规划问题为一类富有挑战性的难解问题。本文设计一个混合演化算法求解混合整数非线性规划问题，对于不同变量分别使用二进制和实数编码策略，将约束优化问题转换为多目标优化问题。数值实验验证了算法的有效性、稳健性和通用性。     

基于动力学的多父体杂交算法

多父体杂交算法将种群中多个个体张成一个空间,然后在此空间中进行空间搜索,该算法具有很强的解搜索能力和较快的运行速度.动力学演化算法根据粒子群的统计物理特性,模拟粒子群在空间中的运动,提出了一种基于统计物理的粒子选择机制.数值实验表明,动力学演化算法是有效的.结合动力学演化算法的选择策略和多父体杂交算法的遗传操作,提出一种新的基于动力学的多父体杂交算法.该算法对多父体杂交算法中的替换策略进行改进,有效地提高了算法的求解能力,数值实验表明新算法可以很好的收敛,能够快速的找到问题的最优解.