一种新的多目标演化算法--稳态淘汰演化算法

提出一种新的多目标演化算法，稳态淘汰演化算法（Steady Elimination Evolutionary Algorithm），该算法利用稳态淘汰策略，能够在不需要额外计算量和存储空间的情况下，自发地保存精英个体(elitist），试验结果表明该算法优于当前的多目标演化算法。     

基于黎曼球面的多目标演化算法

对于求解多目标优化问题提出了一种基于黎曼球面的多目标演化算法(RSEA).它的特点在于:先在目标空间中采用无穷远点作为采样基点来对Pareto最优前沿进行采样;再将无界的多目标函数空间同构映射到黎曼球面上,进而在黎曼球面上对产生的新个体是否加入精英文档进行判定,以此提高了算法的均匀性与多样性,加快了算法的收敛速度.数值实验表明,新算法与NSGA2,SPEA2算法相比,性能有明显的提高.     

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.     

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．     

一种改进的求解多目标优化问题的蚁群算法

针对传统蚁群算法在求解多目标优化问题过程中的一些缺陷提出了一种改进的多目标优化蚁群算法。该方法在一定程度上避免了传统算法中解群体单一、收敛速度慢等缺点,并以实例加以证明。     

求解动态车辆路径问题的演化蚁群算法

在Evo-Ant算法的基础上提出了多目标的算法,即利用Evo-Ant算法来产生新的解,并利用一个额外的存储空间来存放Pareto候选解,用新产生的解来更新Pareto候选解,消除被支配的解,依次循环,从而得到近似的Pareto解.为了验证演化蚁群算法,采用2种测试手段：一种是Solomon的测试数据;另一种是在仿真环境下的测试.实验结果表明该算法很具有竞争能力.     

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。     

一种基于空间结构的数值优化演化算法

提出一种求解数值优化问题的演化算法－－基于空间结构的演化算法(Space GA），在这种算法中，作者将演化种群中的每个个体放在固定的位置上，杂交操作在其邻居上的几个点进行，因此不用选择遗传操作的父体，从而避免了确定选择压力的问题，同时空间结构保证了搜索的全局性，遗传操作保证了较优解在其空间中的扩展，从而达到了全局寻优的目的。文章还讨论了不同的空间结构算法的影响，此算法可以求角数学规划问题、约束函数优化问题，如果对实型变量采用取整的操作，算法还可以求解混合整数非性规划问题，数值试验的结果表明了算法在求解的速度，稳定性，质量等方面都优于一般的演化算法。     

基于目标相关性的一种高维目标演化算法

针对高维目标问题中非支配解数量随目标数量增加而剧增的问题,提出一种基于目标相关性信息的降维方法.该方法利用非支配解的目标值分析目标之间的相关性,对正相关较强的目标进行合并,从而降低目标数量,使部分非支配解之间产生支配关系,达到减少非支配解数量的目的.该方法可与基于Pareto支配的演化算法结合.实验结果表明,结合该目标降维方法的演化算法可以取得收敛性更好的结果.     

基于可扩展多目标蚁群算法的土地利用优化配置

传统的土地利用优化配置模型无法灵活应对现实场景中多变的优化目标要求,也无法实现土地利用在空间布局上的优化.根据常见的优化目标进行抽象建模,建立了可扩展的多目标体系,并与蚁群算法有机结合,构建了基于可扩展多目标蚁群算法的土地利用优化配置模型,使土地利用配置在不同目标的指导下能够灵活优化,同时实现了土地利用配置在数量结构和空间布局优化上的统一,为土地利用规划提供了更具现实意义的参考方案.最后对该模型,以杭州市萧山区2015年土地利用格局为基础数据进行实例验证.结果表明:模型能够在多目标体系的指导下,合理配置研究区域的土地利用结构与布局,促进区域土地利用的可持续发展,并针对不同的多目标体系,给出具有不同侧重点的优化方案.     

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。     

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。     

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。     

简单量子进化算法及其在数值优化中的应用

提出了一种简单量子进化算法，它仅用一个实数值表示一个量子位，并设计了特别的旋转、变异算子和评估量子染色体的方法，只用一个个体就可在很短的时间内搜索到最优解．求解数值优化问题和NiH问题的对比试验结果显示了此算法优异的性能．     

具有物理模型数据处理的多目标优化及其算法

针对具有物理模型参数的辨识,提出了新的多目标优化模型及遗传算法.它突破了数据处理最小误差的传统思想,提出了“病态”数据分析方法,进一步挖掘了数据中的信息.文中充分利用“病态”数据分布的特征,通过遗传算法求解,确定了电磁场分布物理模型在实际问题中的适用范围,有效地提高了多目标优化模型的精度和实用价值.     

一种求解多峰函数优化问题的演化算法

针对演化计算产生新解无序的问题，提出了基于相似性的邻域搜索策略．利用邻域搜索，可以方便地建立自适应的新解产生机制．针对演化算法设计中存在的搜索效果和效率平衡问题，提出了利用适应值对个体进行分级的搜索策略．通过对个体的分级，可以区分个体在搜索过程中的职能：优秀的个体进行局部极小值的开采；其他的个体进行搜索空间的探索，以发现新的局部极小值．数值实验表明，新算法能有效处理低维多峰函数，能找到所有的全局最优解．对高维多峰函数．也能找到全局最优解．