基于多层染色体基因表达式程序设计的混合遗传进化算法

提出了一种新的基于多层染色体基因表达式程序设计的混合遗传进化算法:M-GEP-GA。 该算法在基因表达式程序设计的基础上引入了多层染色体，并采用与遗传算法相嵌套的二级演化方法。利用染色体构建的层次调用模型对个体进行表达，用基因表达式程序设计方法优化模型结构,遗传算法优化模型参数。通过对三组数据测试,与用单基因GEP、多基因GEP的结果进行对比,实验表明改进的算法具有更强的寻优能力和更高的稳定性。     

应用反向学习策略的群搜索优化算法

群搜索优化算法(Group Search Optimizer,GSO)是一类基于发现者-加入者(Producer-Scrounger,PS)模型的新型群体随机搜索算法。尽管该算法在解决众多问题中表现优越,但其依然面临着早熟和易陷入局部最优的问题,为此,提出了一种基于一般反向学习策略的群搜索优化算法(GOGSO)。该算法利用反向学习策略来产生反向种群,然后对当前种群和反向种群进行精英选择。通过对比实验表明,该方法效果良好。     

高维目标进化算法研究进展

主流的多目标进化算法在解决目标数目较少的优化问题时具有较好的性能,但当优化目标数目超过4维,即具有高维目标时,算法的性能很快下降,而且搜索的开销快速增长.高维目标进化算法的研究受到了进化计算与工程优化领域的高度关注.鉴于此,对高维目标优化问题的困难进行了分析,并对高维目标进化算法的研究进展进行了综述,总结了各类算法的特点与缺陷,并指出了未来进一步研究的方向.     

基因评估基因表达式程序设计方法

基因表达式程序设计(Gene Expression Programming,简称GEP)与遗传程序设计(Genetic Programming,简称GP)相比,具有更强的搜索能力、更简单的编码表示方法和产生更高复杂性函数的能力.但是它也存在一些缺点,例如缺乏学习机制,搜索过于盲目.针对这一缺点,本文提出了一种新的自动程序设计方法:基因评估基因表达式程序设计(Gene Estimated Gene Expression Programming,简称GEGEP).与GEP相比,GEGEP主要具有如下特点:(1)改变了GEP的基因表达式结构,将原来的“头 尾”结构改成了“头 身 尾”结构,以利于其引进学习机制;(2)同源基因也采用“头 身 尾”结构,以利于增强其搜索能力;(3)引入了分布评估算法(Estimation of Distribution Algorithm,简称EDA)的思想,以利于增加其学习能力并且加快其收敛速度.实验结果表明,与GEP和GP相比,GEGEP具有更高的拟合和预测精度、更快的收敛速度.     

群搜索优化算法中角色分配策略的研究

群搜索优化算法把群体中的个体分为三种角色:发现者,加入者和游荡者.算法选择最优个体作为唯一的发现者,采用随机决策策略分配加入者和游荡者.该策略过于盲目,算法性能也较差.针对这一缺点,本文考虑个体与发现者的分布关系,以发现者为球心,聚集在球心(或圆心)周围的个体均为加入者,散布于球外的个体为游荡者.而球的半径大小的确定,提出两种不同的方法:自适应半径策略和固定加入者个体数量策略.前者取个体到发现者的平均距离的K倍作为球的半径,后者规定离发现者最近的一定数量的个体被认为分布于球内的加入者.通过实验表明,这两种策略提高了种群多样性的同时,还保证了算法快速收敛到最优解.     

函数优化的一种高效演化算法

提出了一个求解函数优化问题的高效演化算法，其设计思想由混合选择策略与分类变异簟略构成。该算法使用锦标赛选择、轮盘选择相结合的混合选择策略。变异运算分为三类进行：对最好个体实施模式搜索。对适应值排名靠前的三分之一的个体采用柯西变异，而其它个体使用普通变异算子。针对15个测试函数的实验取得了相当好的效果，实验结果表明该算法不仅收敛速度快．而且所求得的解达到或者以相当高的精度逼近最优解。     

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.     

基因表达式编程的2种解码方法

在基因表达式编程的基础上提出2种新的解码方法,分析了它们的时间和空间复杂度。第1种方法完全遵照原始基因表达式编程中基因型与表现型之间的映射关系,直接在基因型上计算和求解表达式。第2种方法在基因结构保持不变的前提下,利用栈来计算和获取表达式,使得基因型与表现型之间的映射关系已不同于前者。这2种方法对重组算子有着不同程度的影响。在3组数据上的实验结果表明,2种新的解码方法可行而且高效,第2种解码方法更有利于优良子树模式的保护。