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.     

基于模拟退火机制的精英协同进化算法

为了获取更好的全局寻优性能,同时保持较快的收敛速度,文中结合精英策略、协同进化思想和模拟退火机制,提出了一种基于模拟退火机制的精英协同进化算法( SACEA)。算法维持三个种群：精英种群、普通种群和随机种群。精英个体组团,并和其他组员个体协作或对其引导来达到进化目的。 SACEA算法在精英组团过程中引入随机种群以增加种群多样性,同时随机个体和精英个体的合作采用快速模拟退火机制来实现,使算法获得了更好的全局寻优性。通过对15组标准测试函数的仿真,并和已有的算法进行对比,很容易得出：SACEA算法具有更强的全局寻优能力,同时收敛速度也有所提高。     

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.     

基于双种群的进化策略算法

针对进化策略算法收敛速度较慢、容易早熟的问题,提出一种新的基于双种群的改进进化策略算法。将种群划分为规模较小的精英子群和规模较大的普通子群。精英子群用于存放种群中最优秀的个体,普通子群用于存放种群中的普通个体。对不同的子群采用不同的变异策略,使种群在解空间具有尽可能分散的全局搜索能力的同时在局部具有尽可能精细的局部搜索能力。通过理论分析证明了算法的正确性,对几个典型的函数应用该算法进行模拟进化实验,也取得了良好的效果。     

一种改进的双精英协同进化遗传算法

提出一种改进的双精英协同进化遗传算法。在该算法中,种群被划分为两个精英小队,二者协同进化;精英是小队中的最优个体,并且两个小队的精英具有较高的差异度。精英分别与被选的个体进行交叉,增强了种群个体和全局最优解的亲和度;同时,当精英小队中的个体间的差异度下降到规定的预警值时,引入变异操作,有效地保持了种群的多样性,避免了早熟问题。算法中还给出一种δ-表现型多样性测度计算方法,使之可以对个体适应值为实数的群体多样性进行准确计算。针对参数多、大范围的复杂计算环境,算法的搜索能力明显提高。     

基于多精英协同进化遗传算法的云资源调度

传统的遗传算法(GA)在解决云资源调度问题时会随着问题规模的增大而出现早熟收敛、搜索效率低下、寻优能力差等现象.为了克服这些缺陷,提出一种基于多精英协同进化的遗传算法(MECGA).该算法通过多精英保留技术将适应度值大的个体选入精英子种群,通过与普通子种群进行协同交叉操作,可引导整个种群向最优解的方向移动;通过定义个体评价策略,将差异度高的个体也选入到精英子种群,这些个体又能够保证种群的多样性,使种群更容易跳出局部最优解.实验结果表明,ME C GA相较其他GA具有求解效率高、收敛速度快和寻优能力强等特点.     

基于远缘杂交的精英进化算法

文中主要以提高进化算法求解TSP问题的效率为研究目标,借鉴人类社会进化中具有远缘杂交优势的理论和进化算法中的精英策略,提出一种基于远缘杂交的精英进化算法。该算法在初始阶段将种群分为精英种群和普通种群,对精英种群则不经过交叉直接进入下一代,对普通种群则基于远缘杂交原则进行交叉,并将子代与精英种群一同组成新子代。仿真实验证明算法能增强优秀个体遗传的机会,提高种群基因的多样性,在深度搜索和广度寻优之间取得了平衡。针对TSP实验结果表明,算法具有可靠的全局收敛性及较快的收敛速度。     

基于精英协同的多种群分布估计算法

针对传统分布估计算法局部搜索能力弱,易陷入早熟收敛的问题,在分布估计算法的基础上引入精英策略并采用划分子种群独立进化的方式,提出一种基于精英协同的多种群分布估计算法。该算法混合了两种后代产生的策略:一种是进化过程采用精英协同操作用于进行局部搜索并开辟出新的搜索空间,另一种是采用划分子种群独立进化方式保证种群间个体的多样性。基准测试函数实验结果表明,该算法在收敛性和多样性方面均表现出明显优势。     

协同进化策略的粒子群优化算法

为了进一步提高粒子群优化算法的寻优精度,并改善收敛速度慢的问题,本文基于传统的粒子群优化算法,借鉴协同进化的思想和共生机制,提出了将协同进化算法和粒子群算法相结合的算法模型(CEA-PSO)。群体内部采用精英保留策略保留精英个体,将个体的进化和群体之间发生信息交换,达到优势互补的效果。实验结果表明,协同进化策略的粒子群优化算法精度更高,优化性能更佳。     

基于精英种群策略的协同差分进化算法

针对差分进化算法在处理函数优化时存在的过早收敛和易陷入局部最优的问题,提出了一种基于精英种群策略的协同差分进化算法。在优化过程中,首先对种群进行适应度值评估和排序,提取前N个优秀个体组成精英种群,其余个体随机分为3个等大的子种群,每个子种群采取不同的进化策略,以此来保证种群的多样性;然后每隔一定代数,根据新的适应度值更新精英种群和其余3个子种群,这样可以有效地避免算法陷入局部最优;最后,将所提出的算法与4个先进的差分进化算法在CEC2014的30个标准测试函数上进行对比实验。实验结果表明,所提出的算法能够有效提高收敛速度,具有较高的收敛精度和较好的优化性能。     

基于预取策略的高效移动邮件系统研究

伴随3G推广应用,智能手机有了很大的技术进步,对于其邮件系统的更新设计也成为必要。结合当前智能手机及电子邮件领域的相关技术,在Ophone平台下设计了电子邮件平台,依照MOSS协议完善邮件客户端收发过程的安全保障,并利用最先访问算法实现邮件预取策略下邮件的快捷接收,达到了智能手机的高效邮件系统的设计和实现。     

基于CSCW环境的协同质量管理系统的研究

首先对CSCW在质量管理系统中的应用进行了讨论，对CSCW框架及其内部的逻辑结构以及Agent对象的逻辑模型进行分析和讨论。最后，介绍本系统的设计及实施过程，以及系统中采取MAS方式解决多模块的信息共享和动作协同问题的处理方法。     

基于隧道技术的客户端策略路由研究

目前很多校园、小区、企业单位的网络,除了接入一条主干的ISP运营商提供的网络外,还同时接入多个不同的ISP运营商提供的网络.其目的是根据收费情况的不同最大程度地节省开销外,还使得原来比较脆弱的单一出口有了备份,不会因为一个ISP发生故障而中断和因特网的连接.但是,这种多出口网络体系结构必须解决策略路由的配置问题.探讨了如果通过隧道技术实现在客户端进行策略路由的方法.     

基于旅行计划图的移动Agent迁移策略研究

移动Agent为完成指定的任务,通常需要移动到多个主机上。迁移策略为移动Agent规划出最佳迁移路径,保证移动Agent正确、高效地完成任务。在分析现有迁移策略的基础上,提出一种基于旅行计划图的迁移策略,该迁移策略能根据当前网络的软硬件环境和其他负载信息,利用服务评估为移动Agent动态地规划出一条最佳迁移路径,充分体现了移动Agent的自主性和反应性。该策略还可避免网络断连、主机故障及服务失效引起的迁移失败。     

网络蠕虫目标发现策略研究

要有效地防止蠕虫攻击,了解它的传播是很关键的.主要对蠕虫的目标发现策略进行研究,分析目标发现策略在蠕虫传播中的作用,给出了一种蠕虫目标发现策略的分类并对每种策略进行探讨.     

基于SSL协议的表单数字签名模型研究

以电子商务软件开发为背景，研究在SSL协议基础上实现表单数字签名模型的原理与方法。首先给出SSL协议与应用集成模型，提出一种协议实现策略；进而探讨数字签名基本原理以及DSA数字签名算法，给出基于SSL协议的表单数字签名模型软件构架；最后针对提出的SSL协议实现策略给出具体实现方法，并采用体系结构描述语言ACME定义表单数字签名模型的构架模板，所提出的模型有效地克服SSL协议缺乏数字签名能力的缺陷，为电子商务提供更高的安全保障。     

基于空间分解并行策略的演化算法研究

在分析已有的演化算法并行化实现策略的基础上，基于自强3000高性能计算机，设计实现了一种基于空间分解并行策略的演化算法（SP-PEA）。SP-PEA采用可分解／可拼接编码方式，使用了多种杂交和变异算子，获得了较好的收敛性能和可扩展性。在自强3000上的试验结果表明，SP-PEA在处理多维函数优化问题时与基于群体分组并行策略的演化算法相比有较好的收敛性能，能够以更快的速度收敛到最优解。     

基于时间戳索引的日志文件并行检索技术研究

对当今两种主流检索引擎进行分析和比较,针对日志文件检索系统的特殊性,选择合适的高效检索引擎。提出了一个适合日志文件系统有效的时间戳索引策略。最后在前两步的基础上,设计一个完整的日志文件检索系统,并对串行和并行两种检索技术进行分析和比较。     

一种基于强化学习的学习Agent

强化学习通过感知环境状态和从环境中获得不确定奖赏值来学习动态系统的最优行为策略,是构造智能Agent的核心技术之一,在面向Agent的开发环境AODE中扩充BDI模型,引入策略和能力心智成分,采用强化学习技术实现策略构造函数,从而提出一种基于强化学习技术的学习Agent,研究AODE中自适应Agent物结构和运行方式,使智能Agent具有动态环境的在线学习能力,有效期能够有效地满足Agent各种心智要求。     

基于模拟退火的空域扇区优化方法研究

为了搜索空域扇区优化中的满意解,结合计算几何和模拟退火算法对空域扇区优化问题进行了研究。根据管制空域结构和交通流量空间分布,建立空域扇区分割的模糊多目标函数和约束条件函数,提出划设空域的二分策略,并结合模拟退火算法对扇区优化划设问题进行求解。实例分析表明,结合二分策略的模拟退火方法可获得满意解,扇区划设多目标优化的总体满意度比仅考虑均衡扇区平均流量时提高了2.1%。