一种求解混合整数非线性规划问题的演化算法--搜索空间自动收缩法

提出一种求解混合整数非线性规划问题的新的演化算法 -搜索空间自动收缩法 (ACSSOS) .在这种算法中 ,演化算法既用来定位最优解区域 ,实现搜索空间自动向全局最优解收缩 ,又用来最终求得最优解 .由于在遗传算子中引用了舍入操作 ,它不仅可用来求解混合非线性整数规划问题 ,也可求解纯整型或纯实型变量非线性函数优化问题 .数值试验结果表明本文的算法在解的质量、稳定性和收敛速度等方面优于一般的演化算法 .     

演化求解高维函数优化问题的独立编码策略

在用演化算法解高维函数优化问题时，一般采用传统的二进制整体编码策略．本文将函数的自变量独立分组，分别进行编码和演化操作，以突破传统二进制整体编码策略的束缚，将这种分组编码策略称为独立编码策略．同时，讨论了独立编码串行实现的灵活性，提出了一个基于变量分组的并行演化计算模型．大量的数值实验结果表明：在问题求解的精确度和求解速度方面，独立编码策略都优于传统的二进制整体编码策略．     

基于粒子群优化求解纳什均衡的演化算法

基于粒子群优化方法从群智能的角度建立了博弈的演化模型，为求解有限n人非合作博弈的纳什均衡设计了一种粒子群优化算法．通过随机初始点的可行化以及对迭代步长的控制，保证粒子群在算法的迭代过程中始终保持在博弈的可行策略空间内，避免了在随机搜索中产生无效的粒子，因此提高了粒子群优化算法求解纳什均衡的计算性能．给出了算法的数值例子并分析了该算法的计算性能，通过粒子群算法与遗传算法的比较显示了粒子群算法求解博弈纳什均衡解的高效性．     

一类推广的差异演化算法及其应用

针对差异演化算法的局部收敛性问题，从Minimax优化的角度，提出求解非线性多峰函数优化问题的一类推广的差异演化算法（EDEA），该算法利用均匀设计方法在可行域内产生初始群体，增加种群的差异性，具有大范围收敛的性质；并且动态收缩可行域，有效地抑制了粒子群优化算法易收敛到局部最优的缺陷；给出应用该方法到典型非线性优化和不稳定周期点的求解的具体步骤，通过仿真实验证明该算法是鲁棒的。     

一种求解组合优化问题的演化算法

从蚁群算法中得到启示，将信息素的观点引入到求解组合优化问题的演化算法之中，提出了一种基因优化算法，该算法直接在基因的层面上进行优化，能学习劣解的基因，并用信息熵用为结束条件的判据，最后用该算法解决了两个典型的组合优化问题，取得了较好的结果。     

改进的多目标粒子群算法

提出了一个改进的粒子群算法并将其用于解决多目标优化问题．该算法利用粒子群算法的信息传递机制，引入多目标演化算法常用的归档技术，采用SPEA2算法的环境选择和配对选择策略，使得整个群体在保持适当的选择压力的情况下收敛于Pareto最优解集．标准测试函数的数值实验结果表明，所提出的算法能够使找到的解集快速收敛到Pareto非劣最优目标域，并且解集沿着Pareto非劣最优目标域有很好的扩展性．     

多目标子空间搜索演化算法MOSSSEA

在研究已有的求解多目标函数优化问题的演化算法的基础上,提出了一个结合Rank排名和子空间搜索的新的以杂交为主的演化算法MOSSSEA(Multi-Object Sub-Space Search Evolutionary Algorithm),将MOSSSEA应用到求解静态多目标函数优化问题中.一组测试函数的结果表明MOSSSEA表现出了优于同类算法的收敛性和多样性.     

基于差分演化算法的双曲型方程参数识别

差分演化算法在求解复杂优化问题时具有简单、高效的优点.本文将差分演化算法用于求解一类双曲型偏微分方程的参数识别问题,并根据所求问题的特点对算法进行了若干改进:包括基于帽子函数的参数表示和个体编码方法,用于增强算法性能的一般反向学习机制和平滑算子,以及将Tikhonov正则化和全变差正则化相结合的个体适应度计算方法.数值模拟显示,本文的算法可有效求解一维双曲型偏微分方程的参数识别问题.该算法不仅获得了高质量的近似解,而且还具有较快的收敛速度.     

多启发式信息蚁群优化算法求解取样送检路径规划问题

蚁群优化算法是一种求解组合优化问题的通用算法框架.取样送检路径规划问题是一种带约束的组合优化问题,本文给出了一种求解该问题的数学模型.为求解该问题提出了一种多启发式信息蚁群优化算法(MACO),在选择下一访问节点的概率计算公式中增加了一项启发式信息——起点到被选择点之间距离的倒数,并从理论上分析了该算法的收敛性.在9个算例上进行了仿真实验和分析,说明了新增启发式信息的有效性和适用性,验证了MACO算法可以有效求解该问题,并能获得质量更好的解.     

一种求解不等式约束下函数优化问题的新算法

提出了一种求解不等式约束下的函数优化问题的新算法． 算法设计思想来源于演化计算的群体搜索技术,但又不同于现存的任何一种演化算法． 对一些典型的约束优化问题测试结果表明：新算法结构的简单性,搜索的高效性,收敛的全局性,应用的广泛性,算法的鲁棒性及结果的精确性,都优于现存的演化算法．     

自适应混合演化算法

为避免标准的演化算法演化速度慢，易收敛到局部极值的缺点，融合对梯度的随机模拟，免疫算子，模拟退火算法的思想，提出一种自适应混合演化算法，它在不同的演化阶段自适应的采用不同的演化算子，在演化初期具有较强的全局搜索性能，在演化中后期具有较强的精搜索性能，能迅速收敛于全局最优解；对标准测试函数的仿真结果表明，该算法具有精度高，收敛速度快，稳健性强的优点。     

求解函数优化问题的两种异步并行算法

对子空间搜索法（一类多父体重组搜索策略）与群体爬山法相结合的一种随机搜索新算法即郭涛算法的特点进行了分析与实例验证，并在此基础上提出两种异步并行算法，以适应各种类型的并行与分布计算环境。以Bump函数的优化问题为例在超级并行计算机上作了并行数值试验，得到了迄今最好的结果。     

基于变长编码求解一维下料问题的演化算法

针对一维下料问题的特点,将线性规划方法与演化算法相结合,提出了一种基于变长编码求解一维下料问题的演化算法,该算法设计了一种新颖的遗传算子,实现简单,求解快速,实验表明,运用该法求解下料问题,材料利用率高,平均达到97．5％以上,具有很好的实用价值。     

基于演化的信赖域方法

把全局搜索性能优良的演人算法与具有总体收敛性能的信赖域算法相颌合形成局部随机搜索与全局确定性搜索相结合的演变信赖域,经具有适应性广，收敛性能好和收敛速度快的特点，为解决复杂的非线性优化问题提供了一种有效算法，并证明了算法的收敛性。     

改进的粒子群优化算法在随机需求车辆路径问题中的应用

设计了一种求解随机需求车辆路径问题的改进的粒子群优化（PSO）算法．在算法后期将变异算子引入PSO算法，克服了基本PSO算法易陷入局部最优的缺点．数值模拟结果表明改进的PSO算法提高了全局搜索能力，求解效果优于基本PSO算法和遗传算法．     

选择算子与遗传算法的计算效率分析

指出了遗传算法的选择方式与其全局收敛性和收敛速度的关系．常用的选择算子不能保证算法的全局收敛性,在引入改进选择策略后轮盘赌选择方式能保证算法的全局收敛性．但收敛速度较慢．同时给出了遗传算法选择操作的若干策略．     

遗传算法在低能电子衍射结构分析中的应用

提出了一种在低能电子衍射( L EED)结构分析中自动搜寻最佳模型的优化方法——遗传算法和张量 L EED相结合的联合方法. 这种新方法的特点是能在全部参数变化范围内自动搜寻,避免了陷入“局域”优化模型的困难中. 本文给出了这一方法的应用实例 ,并且展望了这种方法在表面结构研究中的应用前景.     

基于立队竞争的演化算法

将竞争机制引入到变异算子中，从而使变异算子具有了很强的群体特性，同时为使算子更加简练和更具通用性，在这种竞争中作者更加注重个体适应值的相对次序而不是它们的绝对大小。基于这种思想提出了一种新的演化算法，在该算法中变异的作用已不仅仅是简单地恢复群体中损失的多样性，此时它已成为一种主要的搜索算子。通过实验发现新算法具有很高的搜索效率和求解精度。     

演化仿真优化的若干问题研究

针对仿真优化这一仿真领域提出了演化仿真优化的概念及其形式化语言描述，并给出了演化仿真优化的算法实现框架、分类，指出了仿真优化与演化算法相互取长补短的策略。为了提高速度和效率提出了一种混合演化仿真优化的算法：基于拉网的仿真优化算法（MESOAs）。该算法结合仿真系统的输出信息，构造出系统的响应曲面来指导演化算法，同时又不要求系统连接、可导，因此具有通用性、鲁棒性、隐含并行性等优点，它能有效地解决不确定环境（含随机系统和定性系统）的仿真决策优化，连续时间仿真控制优化问题等。最后，给 出了两类测试演化仿真优化算法的测试实例。一类是随机函数，另一类是GI／G／S排队模型，试验的结果表明在解的质量和速度两方面MESOAs都优于曲面响应法、随机搜索法。