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.     

解决位置管理问题的混沌混合差分进化算法

位置管理问题是移动计算环境中的一个重要问题.提出了一种解决位置管理问题的混沌混合差分进化算法,给出了将浮点编码的种群个体映射为问题解的方法,给出了解决标准差分进化算法早熟收敛问题的混沌搜索算法.仿真结果表明,混沌混合差分进化算法能有效解决移动计算中的报告小区规划问题,且算法的搜索质量优于遗传算法、禁忌搜索算法、蚁群算法和传统差分进化算法.     

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。     

求解整数规划问题的微粒群算法

针对整数规划问题的特点,提出了一种在整数空间中进行进化计算的PSO算法,使微粒群的进化限于整数空间.仿真实验结果验证了方法的正确性与有效性.     

一种有效的进化规划算法

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速度，而且能够有效地保证种群的多样性，并用该方法求解具有多个极值点的函数优化问题，计算机仿真实验结果表明该方法是非常有效的。     

改进的进化规划算法及其在采购方案优化中的应用

采用高斯变异算子的进化规划算法存在早熟现象,根本原因是高斯变异产生的变异量较小,导致个体分量乃至整个个体不发生变异.文中从变异算子、个体分量值的计算和搜索空间三个方面改进了进化规划算法.设计了能产生较大变异量的离散余弦变换算子,并且采用动态比例变异法动态调整个体中的每个分量,多个体竞争策略扩大了算法的搜索空间. 针对复杂采购业务模型,运用改进的进化规划算法求解. 实验证明,改进的算法在求解精度上优于采用高斯变异和随机变异的进化规划算法,解决了进化规划算法的早熟问题.     

基于种族优生的进化规划用于混合非线性整数规划

混合非线性整数规划是在许多工程应用中经常遇到的重要问题。本文提出一种基于种族优生的进化规划算法用于求解混合非线性整数规划。一方面，该算法基于多种群并且每一代都选择各种群的最优秀个体作为下一代的种群祖先。另一方面，该算法的进化步长、种群规模和处理约束条件时所取的参数在进化过程中是动态变化的。实验表明该方法求解混合非线性整数规划问题的仿真结果优于现有的研究成果(GA，ES，SA)。     

基于多目标优化算法的多无人机协同航迹规划

多无人机协同航迹规划是无人机协同作战的关键技术之一。本文提出的一种针对多无人机协同航迹规划的多目标优化算法,即协同非支配排序进化算法(cooperated non dominated sorting genetic algorithms II,CO-NSGA II),针对多架无人机的航迹距离、安全性、时间以及空间的协同性进行规划。运用多目标优化算法,克服了传统航迹规划中需要为各目标函数取权值的不足,并且可以生成多组可供选择的解。同时引入协同进化策略,将各无人机的航迹规划视作子种群,各子种群间进行合作,子种群内采用非支配排序进化算法(non-dominated sorting genetic algorithms II,NSGA II)进行独立优化。考虑到各机间的协同约束,用时间空间协同系数替代传统算法中的“拥挤距离”参数。仿真结果表明通过本文算法能够有效实现多无人机协同航迹规划。     

带集结区的协同航迹规划方法研究

通过调控飞行器在各介航运段的速度,提出了一种基于进化算法的带集结区的多飞行器协同航迹规划方法.该方法通过将协同时间误差引入进化算法的代价函数中,使得规划出来的航迹能够满足集结区的时间和空间约束,同时使得协同到达目标点时间误差尽可能小.仿真实验结果表明该方法能够达到很好的效果.     

模拟进化算法研究进展

自然进化是基于种群的一种优化过程,基于生物界的自然选择和遗传机制,产生了若干优化技术,主要包括遗传算法（ＧＡ）、进化规划（ＥＰ）、进化策略（ＥＳ）。本文对这三种主要的模拟进行算法的研究进展进行了综述,探讨了三者之间的关系,并对三者的发展前景进行了展望。     

一种改进的自适应免疫进化规划方法及其应用

结合免疫系统的机理和进化规划原理,对免疫进化规划进行改进。即引入多样性函数和群体局部退化相结合的方法,对克隆细胞进行选择和更新,增强群体信息的多样性,克服近亲细胞过度繁殖而引起早熟收敛;利用双曲正切函数,无须区分亲和度界限,决定个体细胞的变异率,实现细胞群的自适应变异;选择亲和度高的一半细胞作为记忆细胞,利用其替换原始细胞群亲和度低的细胞。对各部分改进的原因和优点进行了分析,给出了算法的主要步骤,并对自适应免疫进化规划的收敛性进行了说明。最后用不同的测试函数进行仿真实验,结果表明了方法的有效性。     

一种基于种群竞争与交流模型的多群进化规划算法

进化不仅是一个环境通过自然选择对物种施加影响的过程，同时也是种群间相互竞争和交流的结果。基于此种考虑，提出了一种基于种群竞争与交流模型的多群进化规划算法。在该算法中，种群的规模取决于种群间的竞争，种群的变异压力来自其生存空间。种群间的信息交换通过种群的个体交流实现，而种群间个体的交流则来自种群规模的变化。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。     

一类遗传退火算法的函数优化性能分析

针对复杂函数的最优化的遗传退火算法,此文提出了一种基于邻域函数的尺度参数自寻优和多操作的基于概率接受思想的变异操作及竞争生存的种群数量控制策略的改进遗传退火算法.基于典型算例的仿真结果验证了本文算法对高维复杂函数最优化的有效性和高效性,其性能明显优于传统遗传退火算法、改进的进化规划方法以及遗传-ALOPEX算法.     

求解多目标二层规划的多目标进化算法

提出了一个求解多目标二层规划问题的多目标进化算法.用传统优化算法求解下层规划中用权向量线性加权后得到的单目标问题,而对上层的多目标规划问题则采用基于NSGA-II的选择机制的多目标进化算法求解.数值试验表明所提出的算法是有效的.     

进化规划中防治早熟收敛的方法

对进化规划中容易出现的早熟收敛现象做了分析，定义了刻划早熟收敛现象的两个量，针对预防和处理早熟收敛现象，将小生境技术引入EP的竞争选择机制预防早熟收敛的发生，并使用重开始策略来解决早熟收敛发生后搜索如何继续有效进行的问题，引入这两种方法后的进化规划能够很好地克服早熟收敛带来的不利影响，性能得到明显提高，对典型函数的数值仿真实验证明了这两种方法的有效性。     

混合相依目标群瞄准点优选方法研究

针对多枚导弹打击由多个目标组成的混合相依目标群时的瞄准点优选问题,提出了一种利用级数法快速计算毁伤概率而改进循环循序优选瞄准点的算法。级数法计算毁伤概率本质上是一种递归方法,易于编程实现且计算速度快。给出了应用该方法的具体步骤。通过仿真实例计算,用该方法获得的最优瞄准点相对于任选瞄准点的毁伤效果提高了1.42倍,证明该方法简洁、有效,是导弹武器系统火力运用的一种有效方法。     

基于进化规划的FCMBP模糊聚类改进方法

分析了基于摄动的模糊聚类方法(fuzzyclustering method based on perturbation, FCMBP),指出指数复杂度的遍历过程是目前PC计算环境下难以处理十阶以上较高阶数模糊相似矩阵的原因.把寻求具有最小"失真"的最优模糊等价矩阵看作优化问题 来求解,提出了一种基于进化规划的FCMBP模糊聚类改进方法. 与FCMBP相比,该方法通过引入基于进化规划的优化技术避免了遍历过程,使其能够对高阶模糊相似矩阵进行处理. 得到的等价矩阵"失真"小于传递闭包法所得结果,从而获得更为精确可靠的聚类效果, 将FCMBP模糊聚类方法推广到能够处理高阶模糊相似矩阵的情形, 满足应用需要.     

一种有时间约束的多车辆协作路径模型及算法

分析了有时间约束的基于多车辆协作的随机路径问题。提出了问题的随机规划期望值模型。设计了问题中的两车辆协作的随机路径问题的遗传算法，在遗传算法中采用时间惩罚过滤算子优化了初始种群，提高了收敛速度。给出了算法的应用示例。表明了模型和算法是多车辆协作随机路径问题的一种有效算法。为研究多车辆协作的随机路径问题提供了新的理论和方法。     

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     

用多目标进化算法求解二层规划双目标模型

传统单目标二层规划模型得到的最优解往往无法使上下级双方都满意.为此,通过在上层规划中同时考虑下级的目标函数,建立了原问题的上层为双目标规划的一个新模型.上下级可通过协商在该模型的Pareto-最优解集中找到双方满意解.对此模型设计了求解的多目标进化算法,用传统优化算法求解下层规划的单目标问题,而对上层的双目标规划问题则采用基于NSGA-Ⅱ的多目标进化算法求解.数值试验表明我们所提出的算法是有效的.