快速实现数字仿生电路设计的自适应遗传算法

采用演化硬件技术快速实现数字仿生电路的设计是演化硬件一个重要的研究方向;对演化算法的改进是提高演化速率和减少计算机计算负荷的重要方法;借鉴演化策略和模拟退火算法的思想以及Levi提出的HereBoy算法,提出了具有自适应能力的增强型演化算法;通过实验发现,该算法在演化相同的数字逻辑电路中,明显地提高了演化的速度,缩短了演化时间,提高了进化设计的速度、规模和优化程度.     

M eta- heur ist ic 算法研究进展

对模拟退火、遗传算法和禁忌搜索法等代表性ｍｅｔａ－ｈｅｕｒｉｓｉｃ算法在理论与应用方面的研究进行综述,探讨自满结构和研究体系上的统一性,并归纳指出其发展方向。     

多目标差分演化算法研究综述

多目标差分演化算法是一种简单有效的演化算法,已引起学术界的广泛关注,并在许多领域得到应用。首先描述了差分演化算法的基本思想;接着分析了有代表性的多目标差分演化算法,并给出了改进多目标差分演化算法的一些措施;然后讨论了多目标差分演化算法的性能度量指标,并介绍了多目标差分演化算法的一些应用领域;最后,指出了多目标差分演化算法今后的研究方向。     

基于GPU的瑕疵检测

提出了使用廉价的图形卡来实现基于SOM的图像处理算法,达到检测产品瑕疵的目的。算法基于GPU的fragment shader程序,并使用了最新出现的浮点缓冲区技术,使算法达到了与CPU运算一致的精度,并对检测自满进行了优化。在廉价的硬件上实现了5.6帧/s的处理速度。     

基于"stretching"技术的动力学演化算法

动力学演化算法是一种随机的全局优化搜索新方法.本文系统的介绍了动力学演化算法和"Stretching"技术并提出了基于"stretching"技术的动力学演化算法,然后用标准测试函数对新算法进行了实验.实验结果表明新算法在解的收敛性和稳定性等方面优于基本的动力学演化算法.     

基于偏序关系的演化算法

在演化算法中引起卢偏序关系（称为优适应关系）,把评估个体适应性能的机制从适应值函数一般化为优适应关系,在此基础上定义演化算法求解的问题一般形式并修正了演化算法的基本结构,从而使演化算法概念更清晰,在理论上澄清了一些演化算法概念上的分歧,为演化算法应用于更广泛的领域提供理论指导。     

演化算法在非线性方程求解方面的应用

介绍了演化算法的基本原理和步骤,并用演化算法来进行非线性方程求解方面的应用。计算结果表明,演化算法在非线性方程求解方面可以获得较好的结果。     

求解VSPSTW问题的混合差分演化算法

在描述带软时间窗车辆调度问题数学模型基础上,提出将模拟退火算法与差分演化算法相结合的混合优化算法求解该问题。该算法利用了模拟退火算法具有的较强局部搜索能力和差分演化算法的强全局搜索能力,克服了差分演化算法的“早期收敛”问题。实验结果表明,该算法比单一的差分演化算法计算效率高,收敛速度快,计算结果也比较稳定,是解决车辆调度问题的有效方法。     

求解供应链伙伴选择的泛遗传差异演化算法

伙伴选择是供应链组建过程中的关键问题,也是一个难题,针对该问题,构造了融入特殊自然演化规则的泛遗传算法,并且与差异演化算法结合,得到了泛遗传差异演化算法,克服了差异演化算法局部收敛的缺陷,提高了其全局收敛的能力。实验表明,针对供应链伙伴选择问题,泛遗传差异演化算法优于传统的遗传算法和差异演化算法。     

多目标演化算法的收敛性研究

基于群体搜索的演化算法求解多目标优化问题有独特的优势，多目标演化算法已有的研究大多为算法的设计和数值试验效果的比较，理论研究往往被忽视．该文讨论了多目标演化算法的收敛性问题，针对一种网格化的简单易于实现的多目标演化算法模型定义了多目标演化算法强收敛和弱收敛等概念，给出了判断算法收敛性的一般性条件；在变异算子为高斯变异、目标函数连续的条件下，证明了提出的算法强收敛．数值实验验证了算法的可行性和有效性．     

The Fast Evaluation Strategy for Evolvable Hardware

An evolutionary algorithm implemented in hardware is expected to operate much faster than the equivalent software implementation. However, this may not be true for slow fitness evaluation applications. This paper introduces a fast evolutionary algorithm (FEA) that does not evaluate all new individuals, thus operating faster for slow fitness evaluation applications. Results of a hardware implementation of this algorithm are presented that show the real time advantages of such systems for slow fitness evaluation applications. Results are presented for six optimisation functions and for image compression hardware.     

A fast evaluation strategy for evolutionary algorithms

Evolutionary algorithms (EAs) are a popular and robust strategy for optimization problems. However, these algorithms may require huge computation power for solving real problems. This paper introduces a “fast evolutionary algorithm” (FEA) that does not evaluate all new individuals, thus operating faster. A fitness and associated reliability value are assigned to each new individual that is only evaluated using the true fitness function if the reliability value is below a threshold. Moreover, applying random evaluation and error compensation strategies to the FEA further enhances the performance of the algorithm. Simulation results show that for six optimization functions an average reduction of 40% in the number of evaluations was observed while obtaining similar solutions to those found using a traditional evolutionary algorithm. For these same functions, by completion, the algorithm also finds a 4% better fitness value on average for the same number of evaluations. For an image compression system, the algorithm found on average 3% (12%) better fitness values or compression ratios using only 58% (65%) number of evaluations needed by an EA in lossless (lossy) compression mode.     

A filter-based evolutionary algorithm for constrained optimization

We introduce a filter-based evolutionary algorithm (FEA) for constrained optimization. The filter used by an FEA explicitly imposes the concept of dominance on a partially ordered solution set. We show that the algorithm is provably robust for both linear and nonlinear problems and constraints. FEAs use a finite pattern of mutation offsets, and our analysis is closely related to recent convergence results for pattern search methods. We discuss how properties of this pattern impact the ability of an FEA to converge to a constrained local optimum.     

复杂曲面混合网格的生成算法

有限元网格质量的好坏对金属成形模拟的精度和效率有很大影响。提出了一种复杂曲面混合网格自动生成算法，该算法根据所要划分的网格密度形成初始化边界节点，逐步向内铺砌混合网格，直至布满整个区域。应用实践表明．该算法具有稳定、准确和速度快的特点，生成的网格在相邻曲面边界处不会产生裂缝与覆盖，很好地满足了金属成形模拟分析软件对网格划分的要求。     

一种基于近邻策略求TSP问题的改进演化算法

针对贪心演化算法(GEA)在旅行商问题中存在的求解规模小、成功率低的缺点,引入Inver-over倒异算子、贪心算子,改进近邻优化、映射算子、变异算子等策略,提出一种新的改进演化算法来求解中等规模旅行商问题(TSP)。通过仿真实验,验证了该进化算法收敛速度快、求解成功率高的优点,稳定性也更好。     

Multi-objective optimization of an auto panel drawing die face design by mesh morphing

In order to facilitate the tryout or simulation process at the end of a manual auto panel drawing die face design process, we use finite element analysis (FEA) and a multi-objective genetic algorithm (MOGA) to find all the Pareto optimal solutions in one go and to achieve the optimal design of an auto panel drawing die face instead of transforming multi-objective functions into a single objective function, and employ a novel mesh morphing technique to achieve fast modification of parametric or non-parametric addendum surfaces and binder surfaces on drawing die faces without going back to CAD for reconstruction of geometric models or to FEA for remodeling. We use an auto panel drawing die face design process as an example to illustrate the application and effectiveness of this proposed approach, and come to the conclusion that the proposed approach is more effective than the traditional manual FEA method and the ‘trial-and-error’ approach in optimizing an auto panel drawing die face design.     

一种改进的快速医学图像分割方法*

为了确定医学图像的最佳灰度直方图熵,提出了一种基于改进演化算法的快速分割方法,能够自适应调整交叉和变异概率,既保证了种群的多样性,又克服了传统演化算法局部最优、收敛过快的缺点。搜索到的最佳阈值不仅比传统演化算法稳定性好,还有效地缩短了搜索时间,快速地实现了医学图像分割,而且分割后的图像可读性强。实验结果表明,该方法速度快、分割效果好。     

量子进化算法在生产调度中的应用综述

量子进化算法是量子计算和进化计算相融合的产物,具有种群多样性好、全局搜索能力强、收敛速度快等优点。综述了量子进化算法在Job-Shop调度、Flow-Shop调度、车辆路径规划、项目调度等生产调度领域中的应用现状,讨论了面向生产调度的量子进化算法的编码转换方式和进化策略以及存在的问题,并指明了其进一步的研究方向。     

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。     

求解多目标优化问题的分级变异量子进化算法

分析量子进化算法和免疫算子的特点,提出一种分级变异的量子进化算法,用于求解多目标优化问题,算法主要基于两个策略:首先,利用快速非受控排序和密度距离计算种群抗原-抗体的亲和度;然后,基于亲和度排序将个体进行分级,最优分级中的个体作为算法中的最优个体,大部分实施量子旋转更新和免疫操作,而剩余分级中的个体实施免疫交叉操作以获得新的个体补充种群,求解多目标0/1背包问题的实验结果表明了该算法的有效性.