一种基于极坐标的分布度保持策略

将极坐标的思想引入多目标遗传算法来保持解的多样性,由此提出了一种新的多目标遗传算法：PCGA2（Polar Coordinates Genetic AlgorithmsⅡ）;分析了基于极坐标的分布度保持策略的时间复杂度,并通过实验将PCGA2同当前流行的两种多目标遗传算法（NSGA2和SPEA2）进行了比较。实验数据表明该算法不仅在时间耗费上比较低,而且所得到的解具有非常好的分布度。     

二维目标下分布性与收敛性结合的种群维护策略

种群维护是多目标进化算法的重要组成部分。针对传统方法在维护过程中只考虑分布性的情况,提出一种分布性与收敛性结合的种群维护策略,该方法用一种邻近个体间的相对趋近关系来表示其适应值,弥补了单纯Pareto支配关系的“粗糙性”,并用一种可调邻域的方法对种群的密集程度进行控制。将其与NSGA-II和SPEA2进行对比,实验结果表明该算法在有效保持种群分布性的同时,拥有良好的收敛性和速度。     

一种基于聚集距离的多目标进化算法

在多目标进化算法的研究中,解群体的多样性和运行效率是最重要的两个指标。在进化算法中一般采用构造非支配集的方法来保持算法的运行效率和解集的分布性;采用聚类技术来计算和维持解群体的分布性和多样性。文章提出了用庄家法构造非支配集和基于个体距离的聚类方法的多目标进化算法。经试验证明,该算法能够趋近到Pareto最优解,并且能保证较好的分布度。     

基于新的网格存优策略的多目标归档算法

网格方法被多个进化算法用来保持解集的分布性。基于ε支配概念的ε-MOEA本质上也是基于网格策略的。虽然ε-MOEA通常情况下都能在算法性能的各方面之间取得较为合理的折衷,但是由于其存在固有缺陷,很多时候表现出不容忽视的问题——当PF_true对某一维的变化率在该维不同区域的差异较大时,解集中边界个体或代表性个体丢失——严重影响解集的分布性。针对这一问题,定义了一种新的δ支配概念和虚拟“最优点”的概念,提出了一种新的网格存优策略,并将之应用于更新进化多目标归档算法的归档集。实验结果显示,基于新的存优策略的进化多目标归档算法（δ-MOEA）具有良好的性能,尤其在分布性方面比NSGA2和ε-MOEA好得多。     

舰船艉管水润滑橡胶板条轴承与铜背衬的机械接触力学

基于对起伏和凹凸不平的表面微观几何学形貌统计分析,考查衡量微接触点的弹性和塑性变形区域,建立橡胶板条轴承与铜背衬接触的法向接触载荷、实际接触面积、弹性实际接触面积、塑性实际接触面积、橡胶塑性指数等的理论解。计算及分析结果表明：发生接触的突起期望数随着法向接触载荷的增加而增加,随着表观接触面积的增大而略微增加;橡胶板条轴承与铜背衬之间的间距随着法向接触载荷的增加而减小;在法向接触载荷一定时,橡胶板条轴承与铜背衬之间的间距随着表观接触面积的增大而增加;对于给定的表观接触面积,实际接触面积近乎恰恰与法向接触载荷呈正比,但不依赖于表观接触面积;平均实际接触压强随着法向接触载荷的增加而增加,随着表观接触面积的增加而减小;接触表面之间的接触电阻随着法向接触载荷的增加而降低;当橡胶塑性指数小于1.77或金属制品塑性指数小于0.6时,接触表面发生弹性变形;当橡胶塑性指数大于2.95或金属制品塑性指数大于1.0时,接触表面发生塑性变形。相关模型及仿真曲线图可为橡胶粗糙表面弹塑性接触的精确求解提供一定的理论基础。     

遗传算法和单体型组装加权最小字符翻转问题

单体型组装加权最小字符翻转（WMLF）问题指定个体联配的加权DNA片断数据,翻转权值和最小的SNP位点以推测出该个体的一对单体型。该问题是NP-难的,至今尚无实用的搜索寻优算法。根据DNA测序片段数据的特点提出了一种遗传算法。对于实际的生物实验数据,即使数据很大,该算法也可以在较短的时间得到WMLF问题的满意解,具有良好的可扩展性和较高的实用价值。     

基于多种群进化的遗传算法

针对单个种群的遗传算法容易陷入局部收敛而出现早熟的情况,提出了一种新的多种群遗传算法,用多线程并行处理的方法实现种群之间同步进化。实验证明,基于多种群的遗传算法能够有效地避免局部收敛问题,通过与简单遗传算法进行比较,所提出的新算法不仅收敛速度快,而且收敛效率高,是一种可行、有效的算法。     

多目标进化算法的一种基于生成树的分布性维护方法

针对多目标进化算法的种群维护和运行效率相矛盾的问题,提出了一种基于生成树的分布性维护方法,即对整个种群构造一棵生成树,定义一种密度估计指标--树聚集距离,并结合树中的最短树枝和个体度数对种群进行维护.由于树聚集距离和度数具有动态性,每移出一个个体,种群中与之相连个体的信息都会发生相应的变化,因而可即时反映出种群的分布情况.与三个著名的算法NSGA-Ⅱ、SPEA2和C-NSGA-Ⅱ的比较实验表明,该方法能在得到良好分布性解集的同时,能以较快的速度对种群进行维护,具有较好的时间效率.     

基于拟蒙特卡罗方法的进化算法搜索鲁棒最优解的性能提高研究

鲁棒最优解在工程应用中具有十分重要的意义,它是进化计算的重要研究内容,也是研究难点．进化算法搜索鲁棒最优解时,通常使用蒙特卡罗积分(MCI)近似估计有效目标函数(EOF),但由于现有的原始蒙特卡罗方法(C-MC)近似精度不高,导致进化算法搜索鲁棒最优解的性能较差．文中提出用拟蒙特卡罗方法(Q-MC)估计有效目标函数,通过大量的数值实验,结果表明,与C-MC相比,文中所引入的Q-MC 方法、SQRT序列、SOBOL序列和Korobov点阵能更精确估计EOF,进而较大提高进化算法搜索鲁棒最优解的性能．