改进的协同进化遗传算法在机器博弈中的应用

阐述了一种典型的协同进化遗传算法（SANE）,在机器博弈中,用前馈神经网络（FNN）表示局面估值函数,该算法采用两个种群合作协同的方式进化该FNN。对上述算法在种群的初始化方面进行了合理改进：用粒子群算法（PSO）先对种群进行预处理。实验表明,在协同进化的过程中,经过预处理的种群会比随机生成的种群效率更高。     

多空间协同进化的自然计算方法

在自然计算方法中,种群规模大,计算复杂度高;种群规模小,容易陷入局部最优.本文提出多空间协同进化(Multispace Coevolution,简称MSC)的自然计算方法,该方法适用于各种基于种群进化的优化算法,不依赖于算法进化的具体步骤,具有普适性.在传统的生物种群进化的基础上,将大种群分解为个数有限的小种群,部分小种群组成进化空间,另一部分构成指导空间,两个空间拥有不同的功能,指导空间通过特定的信息传递方式将经验概括信息传递到进化空间,从而使整个种群协同进化.将该策略分别应用到粒子群优化算法(PSO)和遗传算法(GA)中,并与标准粒子群算法、遗传算法以及目前主流的针对大规模问题进行优化的7个算法对比,在高维测试函数中,结果表明,寻优性能方面新的种群进化算法相比其他算法提高80%左右,具有普适性.     

融合微粒群的多种群协同进化免疫算法

提出一种融合微粒群的多种群协同免疫优势克隆选择算法(PMCICA).该算法将生态学中的协同进化思想引入人工免疫算法中,各子种群内部通过免疫优势克隆选择操作加快了种群收敛速度;所有子种群共享经过改进微粒群优化的高层优良库,实现了整个种群信息共享与协同进化.针对旅行商问题(TSP)的多个实验结果表明,该算法在收敛速度与最优解等方面均取得了较好的效果.     

M-精英协同进化数值优化算法

为了解决高维无约束数值优化问题,借鉴协同进化和精英策略的思想,提出了M-精英协同进化算法.该算法认为,适应度较高的个体群(称为精英种群)在整个种群进化中起着主导作用.算法将整个种群划分为由M个精英组成的精英种群和由其余个体组成的普通种群这样两个子种群,依次以M个精英为核心(称为核心精英)来选择成员以组建M个团队.若选中的团队成员是其他精英,则该成员与核心精英利用所定义的协作操作来交换信息;若团队成员选自普通种群,则由核心精英对其进行引导操作.其中,协作操作和引导操作由若干不同类型的交叉或变异算子的组合所定义.理论分析证明,算法以概率1收敛于全局最优解.对15个标准测试函数进行的测试显示,该算法能够找到其中几乎所有被测函数的最优解或好的次优解.与3个已有的算法相比,在评价次数相同时,该算法所求解的精度更高.同时,该算法的运行时间较短,甚至略短于同等设置下的标准遗传算法.此外,对参数的实验分析显示,该算法对参数不敏感,易于使用.     

复杂模糊分类系统的协同进化设计方法

提出一种基于协同进化算法的复杂模糊分类系统的设计方法．该方法由以下3步组成:1)利用Simba算法进行特征变量选择;2)采用模糊聚类算法辨识初始的模糊模型;3)利用协同进化算法对所获得的初始模糊模型进行结构和参数的优化．协同进化算法由三类种群组成;规则数种群,规则前件种群和隶属函数种群;其适应度函数同时考虑模型的精确性和解释性,采用三类种群合作计算的策略．利用该方法对多个典型问题进行分类,仿真结果验证了方法的有效性．     

双精英协同进化遗传算法

针对传统遗传算法早熟收敛和收敛速度慢的问题,提出一种双精英协同进化遗传算法(double elite coevolutionary genetic algorithm,简称DECGA).该算法借鉴了精英策略和协同进化的思想,选择两个相异的、高适应度的个体(精英个体)作为进化操作的核心,两个精英个体分别按照不同的评价函数来选择个体,组成各自的进化子种群.两个子种群分别采用不同的进化策略,以平衡算法的勘探和搜索能力.理论分析证明,该算法具有全局收敛性.通过对测试函数的实验,其结果表明,该算法能搜索到几乎所有测试函数的最优解,同时能够有效地保持种群的多样性.与已有算法相比,该算法在收敛速度和搜索全局最优解上都有了较大的改进和提高.     

免疫协同微粒群进化算法的永磁同步电机多参数辨识模型方法

针对永磁同步电机多参数辨识问题,提出一种基于免疫协同微粒群进化(Immune co-evolution particle swarm optimization, ICPSO) 算 法的永磁同步电机(Permanent magnet synchronous motor, PMSM) 多参数辨识方法.算法由记忆种群与若干个普通种群构成, 在进化过程中普通种群中优秀个体进入记忆库种群.普通种群内部通过精英粒子 保留、免疫网络以及柯西变异等混合策略共同产生新个体,个体极值采用小波学习 加快收敛速度,免疫克隆选择算法对记忆库进行精细搜索,迁移机制实现了整个种群 的信息共享与协同进化.永磁同步电机参数辨识结果表明该方法不需要知道电 机设计参数先验知识,能够有效地辨识电机电阻、 dq轴电感与转子磁链,且能有效追踪该参数变化值.     

竞争合作型协同进化免疫算法及其在旅行商问题中的应用

为提高人工免疫算法的收敛性能,提出了一种竞争合作型协同进化免疫优势克隆选择算法(CCCICA).把生态学中的协同进化思想引入到人工免疫算法中,考虑了环境和子群间相互竞争的关系,子种群内部通过局部最优免疫优势,克隆扩增,自适应动态高频混合变异等相关算子的操作加快了种群亲和度成熟速度.把信息熵理论引入到算法中完善了种群的多样性.所有子种群共享同一高层优良库,并将其作为抗体子种群领导集合,对高层优良种群进行免疫杂交操作,通过迁移操作把优良个体返回到各子种群,实现了整个种群信息交流与协作.针对旅行商问题(traveling salesman problem,TSP)多个实例结果表明:与其它智能算法相比较该算法具有较好的性能.     

协同进化扩展紧致量子进化算法

为了提高量子进化算法的全局收敛性能, 基于协同进化的思想, 并结合扩展紧致遗传算法, 提出了协同进化扩展紧致量子进化算法(CECQEA). 该算法利用多粒度机制进行量子染色体的旋转, 并依据边缘积模块(MPM) 进行交叉和变异以避免优良模式的破坏; 在每一个子种群内对个体依据MPM进行自调整操作, 同时进行种群的分裂、合并及优良个体的迁移操作. 通过对算法收敛性的分析可看出, CECQEA 能够收敛到满意解集; 经基准函数以及背包问题的仿真测试分析可看出, 算法收敛效果更加明显.     

基于Pareto协同进化算法的TS糊模型设计

提出一种可同时构造多个精确性和解释性较好折中的TS模糊模型的设计方法.该方法由以下两步组成:1)采用模糊聚类算法辨识初始模型;2)利用Pareto协同进化算法对所获得的初始模型进行结构和参数优化.Pareto协同进化算法由规则前件种群和隶属函数种群组成, 其目标函数同时考虑模型的精确性和解释性,采用一种新的基于非支配排序的多种群合作策略.利用该方法对一类合成非线性动态系统进行建模,仿真结果验证了该方法的有效性.