50家海外公司的进化轨迹

进化无国界。世界上其他国家和地区在公司进化方面积累了丰富的经验和教训。他山之石,可以攻玉。对这些公司进化路径的梳理,可以为进化中的中国企业提供有益参考。纵观企业的进化,所采取的方式主要有以下几种：     

应急资源调度问题的改进进化规划算法研究

针对应急资源调度问题,建立一种多资源时间-成本调度模型。设计了进化规划算法的全局变异算子和局部变异算子,根据全局变异前后个体适应度值和分量值的变化趋势,实现定向变异。构建了具有惩罚系数的适应度函数,给出了改进的进化规划算法种群进化策略。计算实验表明,改进的进化规划算法具有较强的局部寻优能力,在收敛速度和求解精度方面优于比较的遗传算法、差分进化算法和进化规划算法,解决了标准进化算法的早熟收敛问题。     

进化博弈视角下移动服务商合作行为分析

基于进化博弈复制动态分析方法,建立移动服务商群体进化博弈模型,并对移动服务商合作行为进行分析。首先,扩展一般的进化博弈模型为成本分摊与收益共享的群体博弈模型,然后,探讨了服务商收益与惩罚力度不同大小关系下进化稳定策略。博弈分析结果表明,移动服务商群体进化博弈模型中,收益、成本与惩罚大小和群体初始比例等将直接影响博弈结果。合理的惩罚参数设置,能有效的规范服务商进化行为。     

基于指数分布的进化策略

典型的进化策略受自然进化过程的启发而成为求解全局优化问题的重要方法。传统的ES变异算子作为一个主要的进化技术是建立在正态分布的随机变量基础上的，本文提出了基于指数分布的进化策略由于采用了新的变异算子有效地减少了产生探试解的成本，从而优于传统的进化策略。     

进化博弈决策机制设计综述

进化博弈论是一门交叉性强的综合性理论,在国内外已得到广泛研究和应用.本文系统论述了进化博弈的决策机制及其特点,指出了进化博弈研究的趋势,进化博弈论可作为中国科技工作者学习、研究和应用的有力工具.     

一种改进的进化规划算法及其收敛性

1　引　言进化算法是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法 ,主要包括遗传算法 ( genetic algorithms,GA)、进化规划 ( evolutionary programming,EP)和进化策略( evolution strategies,ES) [1 ] .遗传算法 ,进化策略和进化规划分别由 J.H.Holland,I.Rechenberg和 L.J.Fogel提出[2 ,3,4] .这些算法有许多相似性 ,且近年来都被应用于实值连续函数全局优化问题 ,并取得了较好的效果 .一些学者对进化算法的收敛性进行了分析[5,6,7,8] ,但总的说来 ,有关进化算法的理论研究成果目前还不是很多 ,尤其是进化规划和进化策略几…     

进化规划与进化策略的变异算子

进化算法是研究全局优化算法中最重要的随机算法之一,本文给出了进化规划和进化策略的变异算子的数学描述,并提出变异函数的概念,在此基础上,给出了用均匀分布的随机数构造变异算子的几种方法和若干例子.结果表明.利用本文给出的方法,不仅可以构造出目前进化策略和进化规划算法普遍采用的几种变异算子,还可以构造出新的变异算子.针对一般的变异算子,在不要求目标函数连续的情况下,证明了保持最优个体的进化规划和进化策略,迭代产生的最优个体的函数值收敛到问题的最优值的ε-邻域的概率为1.     

O眼里的财务升级

公司进化的大潮中，集团企业财务管理的模式如何进化？种种探索正给出一条条参考路径。     

一种嵌入思维进化的新的进化算法

对于运筹学问题学中的函数优化问题,本文提出一种嵌入思维进化的新的进化算法,将思维进化计算(Mind Evolutionary Computation,MEC)的"趋同"和"异化"操作加入到进化算法中,充分利用其特有记忆机制、定向机制和探测与开采功能之间的协调机制的好性能,并加入K-meams聚类算法,保证群体多样性。最后,数值模拟验证了新算法的有效性。     

遗传算法的一种改进进化策略

在现有文献研究的基础上,对传统遗传算法的进化策略又作了进一步研究,提出了一种改进的进化策略.进化策略克服了传统遗传算法中交又得到的优秀个体有可能在变异过程中遭到破坏而不能生存的不足.另外取消了遗传算法中难以确定的交叉、变异概率,使交叉产生的新个体数增多,这样可增大产生更优秀个体的可能性,因而可使遗传算法的性能得到更好的改善.通过4个测试函数的测试计算,结果表明,给出的改进进化策略比传统遗传算法进化策略的运算速度明显提高,迭代次数明显减少,从而验证了提出的改进进化策略的有效性.     

公路客运监管的进化博弈分析

运用进化博弈理论研究公路客运监管问题,建立了公路客运监管问题的博弈模型,分析了公路客运车主和公路客运管理者之间的行为选择,得到了博弈方的复制动态方程,研究了博弈模型的进化稳定策略。探讨了影响进化稳定策略的因素。研究结果表明公路客运车主和公路客运管理者在有限理性基础上得到的进化稳定策略与博弈双方的收益、系统所处的初始状态有关,并根据所提出的博弈模型,提出了合理性建议。     

具有生态位构建作用的种群进化动力学模型及其应用研究

依据进化动力学的理论与方法,系统探讨了生态位构建的机理与模式．通过建立生态位构建的空间模式及其适合度计算公式和具有生态位构建作用的单种群与两种群的进化动力学模型,并对其种群进化动态、种间竞争共存机制进行的理论与数值模拟分析,揭示了生物与环境资源的协同进化关系．结果表明:种群动态受其主要生态因子及资源含量的正反馈作用．生态位构建作用通过对种群适宜度的影响而产生进化响应．单种群动力系统存在种群大小的阈值效应;在两竞争种群动力系统中,生态位构建可以导致进化动力系统的多个竞争结果,从而为解释种间竞争与稳定共存提供了一种新的理论机制．     

生物系统冗余结构的Type-2型数学模型

生态系统本身就是一个自组织的进化系统,生物与环境的交流和相互作用中,生物利用自身的冗余结构和冗余补充,使整个系统的进化始终朝着有利于生物发展的方向进化。本文利用Type-2模糊系统建立了生物群落冗余结构的数学模型,提出了生物群落稳定性的度量方法,研究了生物群落冗余结构与生物进化可靠性和稳定性的关系。     

种群模型在生物进化研究中的应用

介绍了进化动力学的基本知识和研究现状,把表型特征引入种群动力学模型,进而推导出进化适应动力学模型;总结了如何建立适应度函数以及分析研究进化动力学行为的一般理论和方法,并列举实例,模拟分析验证前面所陈述的理论方法,模拟结果说明收获对生物进化产生重要影响,并有效解释了物种多样性。     

一种基于进化策略的化学方程式配平新方法

对标准进化策略算法作一改进,根据质量守恒定律和化学方程式左右两边的原子来建立数学模型,将化学方程式配平问题转化为最优化求解问题.改进后的进化策略算法用于最优化求解问题,提出了一种基于进化策略的化学方程式配平新算法.该算法中的初始群体中的个体为整数,通过对群体的进化,来求化学方程式各物质前的最简系数.实验结果表明,这种改进后的进化策略算法能够有效地确定出任意一化学方程式各物质前的最简系数,最终完成化学方程式配平,其目的为任意一化学方程式配平问题提供了一行之有效的新方法.     

为了明天的盈利——你的公司进化了吗？

“明天的盈利能力来源于今天的进化能力”——这是Google贡献的最牛的理念之一尤其在当前的经济环境下，企业可能无法改变外部的环境，却能改变自己，选择进化。     

实数遗传算法进化策略的改进研究

在现有文献研究的基础上,对传统实数遗传算法的进化策略又作了进一步研究,提出了一种改进的进化策略.进化策略克服了传统实数遗传算法中交叉得到的优秀个体有可能在变异过程中遭到破坏而不能生存的不足,并取消了交叉概率,使交叉产生的个体数增多,这样可增大产生更优秀个体的可能性,因而可使实数遗传算法的性能得到更好的改善.另外,给出了一种计算种群中个体适应度的计算公式和计算方法.该方法不但使得遗传算法具有较强的局部搜索能力,而且具有较强的广域搜索能力和较好的种群多样性,不易陷入局部最优解,从而可快速收敛到全局最优解.5个测试函数的计算结果表明,给出的实数遗传算法的改进进化策略比传统实数遗传算法进化策略的运算速度明显提高,迭代次数明显减少,从而验证了提出的实数遗传算法改进进化策略的有效性.     

Stochastic evolution of strategies for asynchronous update processes based on grouping populations

在分组总体模型中,利用转移概率公式分别推导了弱选择下基于Moran过程、成对比较过程和局部更新过程的一般策略进化条件;然后基于成对比较过程,利用组内方差和组间离差的近似公式,得到了合作策略进化的条件,并进一步将突变、惩罚和报复机制引入分组总体模型中,讨论合作策略进化的条件.     

乳制品安全监管中的多阶段进化博弈分析

乳制品安全风险存在于生产与组织的多个阶段。在各个阶段中,政府监管部门虽统一监管,但由于采取的监管策略不同,使其与厂商之间的博弈情景存在差异,这将影响风险控制的成果。为探索多阶段监管的有效途径,找寻降低监管风险的方法,本文分析了乳制品安全监管中的多阶段进化博弈。首先阐述多阶段厂商监管的相关组织关系,构建进化博弈模型;其次基于模型进行进化博弈分析,分别得出了不同监管情景下的演化稳定策略,识别了多阶段策略选择的稳定条件;最后归纳了进化博弈分析结果,通过模拟仿真以及案例分析加以验证。     

动态种群规模协同进化算法求解多目标投资组合优化问题

为了解决仅含预算约束的投资组合优化模型,提出一种基于种群密度的多目标协同进化算法.算法采用种群竞争的策略自适应的产生不定规模的种群,避免了固定种群规模的缺点.在进化过程中每个种群都会参考自身的最优个体以及竞争种群对自身的影响,超级个体集合存储进化过程中产生的最优解,通过最优个体的引导使算法快速收敛至Pareto前沿.实验结果表明,与NSGA-2算法相比,提出的算法在稳定性和收敛性都有很好的表现,是一种有效的多目标进化算法.