演化算法的收敛性分析及算法改进

文章利用马尔可夫随机过程刻画了演化算法,证明了标准演化算法是不收敛的,说明了演化算法收敛于最优解的必要条件:非完全遍历性。并论证了采取精华保留策略的标准遗传算法以概率1收敛于最优解,并据此分析了一个典型实例———GTGA算法的收敛性及其算法改进方案。     

利用演化算法自适应选取正则算子

提出一种新的技术，它自适应地选取正则算子以取得较理想的恢复效果．通过理论分析和实验发现当恢复图像残差的频谱能量分布较均匀时恢复效果较好．这种分布均匀性可以用正则图像残差的各子频段能量偏离平均能量的程度最小来衡量，这个最小化问题以各种各样的正则算子组成的空间为搜索空间．由于一般的优化算法对此优化问题无能为力，演化算法用来求解此问题，从而自适应地选择正则化算子．实验表明新方法选取的正则算子恢复效果较好．     

常微分方程组并行演化建模的实验研究

以常微分方程组的演化建模问题为主要研究对象,设计了分布式异步并行演化算法,并以128台PIII 500微机通过10Mbps的以太网互联而成的机群系统作为模拟实验环境进行了大规模的并行实验,系统地测试了算法中的一些重要的并行控制参数,包括处理机间的连通度、个体的迁移率和迁移代频等对算法性能的影响,得到了一些崭新的实验结果,给出了一些结果分析,特别是对串行算法和并行算法的最好建模结果进行了比较.     

二次背包问题的一种快速解法

在分析了二次背包问题(QKP)精确算法的计算效率随利润矩阵密度下降的原因的基础上，提出了不受密度影响的QKP快速解法——利润欺骗法．在线性化QKP的目标上界估计中，利润欺骗法通过引进一适当正常数对称扩展Lagrangian乘子的变化范围，亚梯度优化算法能较快地找到-Lagrangian乘子矩阵，使对偶问题的解逼近线性化QKP问题的等式约束条件．通过提高目标函数的估计精度，利润欺骗法可以提高变量约简效率，降低分支决策深度．实例计算表明，快速算法的效率远高于精确算法，而且计算精度并不降低．     

基于均匀设计的GEP算法研究与应用

提出了一种基于均匀设计的基因表达式编程算法(UGEP)，该算法对经典的GEP算法做了以下改进：利用混合水平均匀表的构造对初始种群的产生进行改进，保证了解分布的均匀性；引入自适应多亲杂交算子，用均匀优化代替随机进化。从理论上分析并证明了UGEP更具有全局收敛性，且收敛速度也优于经典的GEP。试验结果也证明，在求解函数拟合和时间序列预测等实际问题时，对比同类算法，UGEP算法体现出了较大的优越性。     

基于改进Inver-over算子的并行TSP演化算法

设计了基于近邻点初始化和改进Inver-over(反序杂交)算子求解旅行商问题的并行演化算法.该算法执行时,主进程每当收集到各个种群的最好个体并形成精英种群时,就对该种群执行一次Inver-over算子,然后将其中最好的个体发送给各个种群.在PVM(并行虚拟机)并行环境下的实验结果表明,并行后能取得更好的解,并且在主进程中建立精英种群的演化有助于更好更快的收敛.     

关于认知演化计算分支领域的研究简报(II)

科学地认知演化计算分支领域对演化计算的研究与发展具有重要的意义.对演化计算分支领域发展的主线、特点和内在规律进行了回顾与总结,从科学哲学的角度阐述了如何对演化计算分支领域进行科学认知,并概要介绍了演化计算方法论研究的主要进展,讨论了演化计算方法论研究进展对计算机科学与技术学科未来发展可能产生的影响.     

遗传算法求解完全欺骗性问题的平均计算时间

讨论了一类遗传算法求解完全欺骗性问题的平均计算时间,证明了这类算法的平均计算时间是问题规模的指数次方,同时指出存在一种基于多重结构的遗传算法,它求解这个问题的２计算时间是问题规模的多项式次方。     

PJVM系统

ＰＪＶＭ是基于Ｉｎｔｒａｎｅｔ异构网络环境下的面向对象分布并行处理系统。作者采用Ｊａｖａ语言开发ＰＪＶＭ系统,利用Ｊａｖａ跨平台和平面对象的编程方法,通过扩充Ｊａｖａ对象库,在Ｉｎｔｒａｅｎｔ异构网络环境下实现了并行计算和分布式ＣＳＣＷ协同工作。最后讨论了进一步的研究,提出了利用智能Ａｇｅｎｔ支持多机群、多层次演化计算的分布并行处理的想法。     

动态系统的演化建模

针对采用传统方法解决动态系统的微分方程建模问题所遇到的困难和存在的不足,语文中设计了将遗传程序设计与遗传算法和相嵌套的混合演化建模算法,以遗传程序设计优化模型结构,以遗传算法优化模型参数,成功地实现了动态系统的常微分方程组建模过程自动化。