基于遗传算法的单个脉冲测速系统的数值处理

在传统的遗传算法中,交叉算子探索新的解空间与保存个体中的优良模式的性能不能同时达到最优,且在一定程度上破坏群体多样性。提出智能交叉算子改进了传统遗传算法,用于单个脉冲测速系统的数值处理。结果表明算法具有较高的精度,且计算速度较快;并指出复制信号个数为64时计算效果较优。     

基于多智能体的新型遗传算法及其在复杂系统中的应用研究

通过对简单遗传算法及其研究现状的分析研究，及对复杂系统与简单遗传 算法特点的比较分析，针对简单遗传算法的不足，提出了一种基于多智能体的新型遗传算法，定义了新型遗传算法中的环境、智能体结构、遗传算子、目标/评估函数和流程图，最后用一个测试函数和复杂环境下的多峰函数对它进行了验证分析. 结果表明，新型遗传算法具有明显的优点和优势，特别适合于复杂系统中的问题求解．     

基于模式学习的文化遗传算法研究

针对遗传算法的缺陷,提出了一种基于模式学习的文化遗传算法,该算法将遗传算法纳入文化算法框架,组成基于GA的主群体空间和信念空间两大空间,主群体空间在进化过程中定期组织最差个体向信念空间提供的种群最优模式学习,从而充分利用了优秀个体所包含的特征信息,在很大程度上提高了收敛速度。实验结果表明,该算法是一种提高遗传算法性能的有效算法。     

冲突环境下中立Agent群体趋向分析与预测

分布式智能系统基本研究领域之一就是多Agent系统．在MAS协作过程中冲突难以避免，在实际应用的许多情况下，冲突都是在群体层面展开，同时冲突双方都需要特别关注持中立态度Agent的未来发展导向，这在双方势均力敌情况下尤为重要．因此，根据已有信息，建立基于中立Agent群体的智能分析与计算模型，对中立群体可能的趋向进行必要评估和预测，在冲突研究与应用当中具有基本意义．通过对MAS中Agent相互关系的形式描述，引入中立Agent群体模型，建立了对中立Agent未来状态进行智能分析和预测的计算模式，并设计了相应算法和实验．理论分析和实验结果表明了所建立模型的合理性与有效性。     

普及计算中多种代码迁移模式的集成模型研究

通过分析普及计算新环境资源受限、动态多变的特征，以及代码迁移技术和策略机制在普及计算中应用的理论基础和系统框架，提出了以策略组件为核心，包括策略库、感知模块、迁移模块的多种代码迁移模式的集成模型。指出，在多种迁移模式集成的方法中，策略机制具有较强的灵活性和可复用性，并提出．运用定量和定性的方式制定策略的选择方法。最后，结合智能病房的实例和一些具体的应用任务，验证了多种代码迁移模式集成与选择优化的可行性。     

会层型遗传算法及其在专用集成电路算法层综合中的应用

一种新的遗传算法框架－分层型遗传算法，具有独特的层次化种群结构，钼层码链作为内层码键的约束。通过把问题的各类变量放在不同层次里启发搜索，可避免遗传操作产生无理解，不破坏优良遗传信息的继承。该算法所需存储空间远小于已有遗传算法，这一特点大大改善了遗传算法作为大存储密度型算法的缺陷。该法可用于求解多型号处理器的调度问题，经用一于集成电路算法层综合系统中，证实分层型遗传算法是合理而有效的。     

遗传算法综述*

遗传算法来源于进化论和群体遗传学，是计算智能的重要组成部分，正受到众多学科的高度重视。本文系统综述了遗传算法的发展历程，理论研究和应用研究，并进行了分析和评价。     

具有年龄结构的遗传算法

该文提出了一种基于年龄结构的遗传算法。标准遗传算法(SGA)已经被成功地应用到很多进化优化问题上，但是对于复杂的多模态函数寻优时，会出现早熟收敛现象。为了解决这个问题，该文结合自然规律和遗传算法的特点，提出了具有年龄结构的遗传算法的框架以及实现。通过对不同年龄个体的不同操作，克服了早熟收敛问题且保持了群体的多样性，使算法能顺利地收敛到全局最优值。     

遗传算法中群体多样性的研究与应用

遗传算法中,初始群体的特性对计算结果和计算效率均有重要影响,要实现全局最优解,初始群体在解空间中应尽量分散,标准遗传算法是按预定或随机方法产生一组初始群体,这样就导致初始群体在解空间中分布不均匀。本文阐述了用相似度和适应度值对群体中每两个个体进行逐位比较,剔除相似个体,选择不同模式的个体组成新的群体,增加了群体的多样性,尤其在计算初期,能够有效的避免早熟问题的产生。最后,通过实例应用matlab7.0编程测试说明了这种方法的可行性。     

基于遗传算法的PID参数优化设计

本文应用遗传算法对ＰＩＤ控制器参数进行了优化设计，在构造遗传算法框架时，采用了最佳保留选择机制、两点交叉、重新生成个体策略以及由简易经验公式生成初始群体等方法。经过数字仿真，验证了该算法的有效性和合理性。     

多粒子群协同进化算法

针对遗传算法收敛速度慢且易于陷入局部最优,而微粒群算法存在早熟的现象,提出了一种多粒子群协同进化算法,在多个粒子群协同进化的同时,通过构建基因库,使较劣的粒子根据基因库进行遗传操作,用4个基准函数进行实验表明,算法MPSOE3性能明显优于基本PSO算法,最后对该算法进行了推广,给出了一种基于计算智能的多群协同进化模型。     

Coordinating metaheuristic agents with swarm intelligence

Coordination of multi agent systems remains as a problem since there is no prominent method suggests any universal solution. Metaheuristic agents are specific implementations of multi-agent systems, which imposes working together to solve optimisation problems using metaheuristic algorithms. An idea for coordinating metaheuristic agents borrowed from swarm intelligence is introduced in this paper. This swarm intelligence-based coordination framework has been implemented as swarms of simulated annealing agents collaborated with particle swarm optimization for multidimensional knapsack problem. A comparative performance analysis is also reported highlighting that the implementation has produced much better results than the previous works.     

多聚焦图像融合算法

多聚焦图像融合,是将两幅(或多幅)对同一场景的各个目标,聚焦不同的图像融合成一幅清晰的新图像.在多聚焦图像融合中,典型的群智能算法图像融合方法取得了较好的效果,如遗传算法、粒子群算法等.目前,对群智能算法的优化改进,加快图像的融合速度是一个主要的研究方向.     

群体智能算法在图像分割中的应用综述

图像分割的通用方法一直是图像处理领域中的热点和难点。随着人工智能的兴起和发展,群体智能算法成为当下热点研究的方向,将图像分割技术结合群体智能算法成为一种新型有效的改进方法。群智能算法通过模拟自然界的事物或生物的行动规律,将传统的人工智能和群体生物结合,在解空间中搜索最优解,为解决复杂问题提供了新的解决思路。阐述群体智能算法的研究现状和发展过程,将早期的蚁群算法（Ant Colony Optimization,ACO）、经典的粒子群算法（Particle Swarm Optimization Algorithm,PSO）以及较新的麻雀搜索算法（Sparrow Search Algorithm,SSA）为例详细介绍其算法原理方法,并简要表述蝙蝠算法（Bat Algorithm,BA）、鲸鱼优化算法（Whale Optimization Algorithm,WOA）、人工蜂群算法（Artificial Bee Colony Algorithm,ABC）、萤火虫算法（Firefly Algorithm,FA）、布谷鸟搜索法（Cuckoo Search,CS）、细菌觅食算法（Bacterial Foraging Optimization,BFO）和最新的蜉蝣算法（Mayfly Algorithm,MA）的原理,在此基础上,结合国内外文献对上述算法的改进方法和结合图像分割技术的综合改进及应用进行分析总结。将群体智能算法结合图像分割技术的代表性算法提取出来进行列表分析总结,随后概述总结群体智能算法的统一框架、共同特性、不同的差异并提出存在的问题,最后对未来趋势做出展望。     

基于遗传粒子群和粗糙集的最小属性约简算法

阐述了粗糙集理论、遗传约简算法和粒子群约简算法。属性约简是知识发现的关键问题之一。传统的属性约简算法都是串行搜索的,算法效率低且收敛速度慢。将计算智能和粗糙集相结合,提出了一种基于遗传粒子群和粗糙集的最小属性约简算法。该算法利用属性依赖度计算属性核,并在种群初始化时引入属性核作为限制条件,动态调整适应度函数,以达到求得最小属性约简的目的。实验表明,对于数据量大、属性维度高的属性约简问题,该算法具有高效的处理能力。     

基于免疫粒子群算法的多用户检测技术研究

将免疫系统的免疫机制引入到粒子群优化算法的设计中,模拟免疫系统、群集智能和神经网络的信息处理机制,提出了免疫粒子群优化算法。这种免疫粒子群算法结合了粒子群的近似全局优化能力和由Hopfield神经网络构成的免疫系统的快速信息处理机制,加快了算法的收敛速度,并提高了粒子群算法的全局收敛能力。然后利用此算法对CDMA系统的多用户检测性能改进问题进行实验研究,证明了本文的方法有较快的收敛速度,并且无论是抗多址干扰能力还是抗远近效应能力都优于传统方法和一些应用优化算法的多用户检测器。     

群体智能典型算法研究综述

群体智能是指无智能的或具有简单智能的个体通过协作表现出群体智能行为的特性,它在没有集中控制且不提供全局模型的前提下,为寻找复杂的分布式问题求解方案提供了基础。群体智能潜在的并行性和分布式特征使之成为计算机领域一个重要的研究方向。在介绍群体智能模型的基础上,分别对基于该模型的蚁群优化算法和粒子群优化算法这两类代表性算法进行较为详尽的归纳阐述并进行比较,最后就目前应用最为广泛的蚁群算法对群体智能的发展趋势进行展望。     

Bacterial Foraging Optimization Approach to Portfolio Optimization

In this paper we propose a heuristic approach based on bacterial foraging optimization (BFO) in order to find the efficient frontier associated with the portfolio optimization (PO) problem. The PO model with cardinality and bounding constraints is a mixed quadratic and integer programming problem for which no exact algorithms can solve in an efficient way. Consequently, various heuristic algorithms, such as genetic algorithms and particle swarm optimization, have been proposed in the past. This paper aims to examine the potential of a BFO algorithm in solving the PO problem. BFO is a new swarm intelligence technique that has been successfully applied to several real world problems. Through three operations, chemotaxis, reproduction, and elimination-dispersal, the proposed BFO algorithm can effectively solve a PO problem. The performance of the proposed approach was evaluated in computational tests on five benchmark data sets, and the results were compared to those obtained from existing heuristic algorithms. The proposed BFO algorithm is found to be superior to previous heuristic algorithms in terms of solution quality and time.