用进化规划算法求解多目标平面选址问题

现实生活中,若要建立新的超市、工厂、医院等公共基础设施,面临的一个首要问题即为选址问题。针对某大学城超市的选址问题,用改进的进化规划算法对此问题进行求解,给出了可行方案,为决策提供了依据。     

基于近似技术的双层规划进化算法

双层规划涉及上层和下层两个最优化问题,上层规划问题的约束域由下层规划问题隐式确定,双层优化以上层目标为主,而下层目标在下层变量方面必须达到最优。双层规划问题的递阶结构使其具有很高的计算复杂度,特别是频繁计算下层问题会累计很大的计算量。为了有效求解这类问题,提出一种基于近似技术的进化算法。首先,采取多种群协同进化,分别利用交叉和变异算子平衡算法的开采和勘探能力;其次,基于灵敏度分析理论,设计了新个体的近似评价方式以减少算法的下层求解次数。一个算例的近似效果演示结果表明,由近似技术得到的近似后代个体与精确后代个体的位置大部分是重合的。除此之外,在10个常用算例上的结果显示,所提算法比多值映射算法获得了更好的最优解;并且根据CPU时间比较,说明近似技术有效地提高了找到最优解的速度,减少了运行时间,验证了所提算法采取的近似技术的有效性。     

基于学习的进化规划算法

提出基于学习的进化规划算法，用以改进普通进化规划算法的性能，该算法－方面通过学习种群整体的进化信息用以改善种群整体性能，具有大范围快速搜索的特点，另一方面该算法强调学习种群中个体的进化信息，单一个体以当前代的最优化个体作为学习目标，用以加大当前最优解附近的搜索力度，具有局部“细搜”的特点，该进化规划算法不仅能够加快算法的收敛速度，而且能够有效地保证种群的多样性，用该方法可求解具有多个极值点的函数优化问题，计算要仿真实验结果表明该方法是非常有效的。     

一种求解数值优化问题的进化规划算法

针对进化规划算法收敛速度慢、容易早熟收敛等问题,提出一种基于探测变异的进化规划算法。该算法通过降维得到多个探测变异量,对个体进行探测变异,使个体始终向适应度好的方向进化,并利用自适应高斯变异标准差伸缩搜索空间,使个体跳出局部最优解。通过3个经典算例对其性能进行测试,实验结果证明该算法收敛速度快,求解质量高,可以解决早熟收敛等问题。     

群体启发进化规划

本文提出了一种群体启发进化规划(Population Heuristic Evolutionary Programming,PHEP)方法,在进化过程中,通过群体的四个参数,把握群体中个体的分布情况,并通过这些信息有效地调整个体的变异步长,使用标准测试问题对PHEP方法进行了测试和比较,试验数据表明：PHEP方法能够较好地平衡群体压力和选择压力,搜索到的结栗要明显优于先前的一些方法。     

基于模糊推理的进化规划用于神经网络设计

将模糊技术和进化计算技术融合,提出一种新的进化规划算法.该方法不仅能够加快普通进化规划算法的收敛性,而且能够有效地保证种群的多样性.将该方法用于神经网络的优化设计,计算机实验结果表明该方法性能稳定并减少了学习时间,较前人的研究成果更为有效.     

基于进化策略的TSP问题求解

ＴＳＰ问题是ＮＰ完备问题，在本文中提出基于进化策略的启发式ＴＳＰ问题求解算法。计算机模拟结果表明在较短的时间内，利用本文提出的算法能够得到满意的结果。     

基于进化规划的区间系统卡尔曼滤波

对不确定系统的最优鲁棒滤波问题, 提出了一种新的方法———进化规划(EP)卡尔曼滤波. 该方法采用EP全局寻优技术, 搜索最优估计区间; 也采用EP全局最优技术, 确定工程中可实现的最优估计标称值. 这种新方法的假设条件与标准的卡尔曼滤波完全相同, 并具有标准的卡尔曼滤波相同的递推结构、相同的最优性. 最后, 给出计算仿真的例子, 并与文 [1]的仿真结果进行了比较. 结果表明, 本文提出的新方法更精确, 有较少的保守性.     

Steiner Tree问题的研究进展

Steiner树问题是经典的NP难解问题,在计算机网络布局、电路设计以及生物网络等领域都有很多应用。随着参数计算理论的发展,已经证明了无向图和有向图中的Steiner树问题都是固定参数可解的(FPT)。介绍了无向图和有向图中Steiner树问题的近似算法和参数算法,分析了一些特殊Steiner树问题的研究现状,还讨论了顶点加权Steiner树问题的研究进展。最后,提出了该问题的进一步研究方向。     

基于拉马克进化的差分进化算法求解KPC问题

具有单连续变量的背包问题(knapsack problem with a single continuous variable,KPC)是标准0-1背包问题的自然推广,在KPC中背包容量不是固定的,因此其求解难度变大.针对现有差分进化(differential evolution,DE)算法在高维KPC实例上求解精度不...     

生长森林的蚁群优化算法在Steiner树问题上的应用

Steiner树问题是一个经典的优化问题.已被证明是NP-complete问题.对于此问题已经有了很多经典的求解方法,然而在这些方法中一些算法的时间复杂度太高,另一些算法则得不到较好的解.因此,本文提出一种生长森林的蚁群优化算法求解Steiner树问题.在此算法中,蚂蚁行动过程中形成的是森林,每只蚂蚁走出的每一步都只是使当前的森林进一步生长,蚂蚁行动的目标就是使森林中的所有的树连接成一棵树且这棵树包含了所有的目标节点.仿真实验结果表明,算法在寻优能力、收敛速度方面都有良好的表现.     

一种基于混沌变异的双群进化规划算法

易早熟收敛是传统进化规划算法的致命缺点。该文在分析了导致进化规划算法早熟原因的基础上,提出了一种基于混沌变异的多群进化规划算法。在该算法中,进化在两个并行的子群间同时进行,一个种群使用混沌变异算子对解空间进行充分的探索,另一个种群使用指数衰减的高斯变异算子对局部进行详尽搜索,种群问的信息交换通过种群的个体交流实现。对典型算例的数值仿真表明,该算法能够改善传统的进化规划算法易早熟收敛的弱点,同时具有良好的快速收敛性和参数鲁棒性。     

基于进化算法的SFSN神经网络

提出一种基于进化算法的ＳＦＳＮｔＳａｍｐｌｉｎｇＦｒｅｑｕｃｈｅｙ０ｓｅｎｓｉｔｉｖｅ Ｎｅｔｗｏｒｋ）神经网络分类量化方法,该算法把并行全局寻代的进化算法ＥＰ（Ｅｖｏｌｕｔｉｏｎａｒｙ Ｐｒｕｇｒａｍｍｉｎｇ）融合进ＳＦＳＮ神经网络,使神经网络的结构优化与参数优化同时完成。即同时解决了最佳分类数与最佳矢量量化问题。实验结果证实了算法的有效性。     

基于Q学习的适应性进化规划算法

进化规划中, 个体选择变异策略特别重要. 适应性变异策略因在进化过程中动态选择个体变异策略, 能够取得较好的性能. 传统适应性变异策略都依据个体一步进化效果考察个体适应性, 没有从多步进化效果上对变异策略进行评价. 本文提出一种新的基于 Q 学习的适应性进化规划算法QEP (Q learning based evolutionary programming), 该算法将变异策略看成行动, 考察个体多步进化效果, 并通过计算 Q 函数值, 学习个体最优变异策略. 实验表明, QEP 能够获得好的性能.     

基于双群体进化规划的动态优化算法

动态优化问题的优化环境随时间变化导致了最优解随时间移动.为了有效地跟踪最优解,提出了一个基于双群体进化规划的动态优化算法.局部搜索群体运用高斯变异算子,并接受已有信息;全局搜索群体运用柯西变异算子,与已有信息隔离并传送较优个体至局部搜索群体.在进化过程中,它们的群体规模动态地变化.算法有效地利用了已有信息,实现了全局搜索与局部搜索的分离,适合于求解环境变化方式未知的动态优化问题.对三个动态优化模型进行了测试,并与随机初始化群体法进行了比较,仿真结果表明r提出的算法是有效的.     

Levy变异进化规划算法的计算时间分析

连续型进化算法的计算时间分析是目前国内外研究的难题,对此研究了I_cvy变异进化规划(evolutionary programming based on Levy mutation, LEP)算法的计算时间分析理论。具体的分析步骤如下:首先在将LEP算法建模为吸收态Markov过程的基础上,证明了LEP算法的收敛性;然后,结合LEP算法选择算子的特点,以首达最优解的期望时间作为计算时间分析的主要指标;最后,利用I_cvy分布的近似变形给出LEP算法计算时间的估计式。研究结果表明,最优解空间的Lebesgue测度、算法的种群规模和搜索范围对计算时间有直接影响。     

基于MPH的时延约束Steiner树算法

为了在时延约束条件下进一步优化组播树代价,并降低算法计算复杂度,研究了时延受限的Steiner树问题.分析了MPH(minimum path heuristic)算法的计算复杂度;在此基础上设计了一个时延约束Steiner树算法DCMPH(delay constrained MPH)用于构造时延约束最小代价组播树.该算法中每个目的结点通过与当前组播树有最小代价的路径加入组播树;若时延不满足要求,则通过合并最小时延SPT(shortest path tree)树进而产生一个满足时延约束的最小代价组播树.仿真实验表明,DCMPH算法生成的组播树在保证时延要求的情况下,与同类算法相比取得了很好的代价性能和较低的计算复杂度.     

基于免疫进化规划的多层前馈网络设计

文章用一种免疫进化规划来设计多层前馈神经网络.该免疫进化规划在保留传统进化规划的随机全局搜索能力的基础上,引进生物免疫中抗体通过浓度相互作用的机制和多样性保持机制.免疫进化规划的全局收敛性更优,并且具有很强的自适应环境的能力.实验结果验证了免疫进化规划在设计神经网络时的高效能.