Pareto-MEC算法及其收敛性分析

介绍了一种新的多目标进化算法——Pareto-MEC。将基本MEC和Pareto思想结合起来处理多目标问题。提出了局部Pareto最优解集与局部Pareto最优态集概念,并利用概率论的基本理论证明了趋同过程产生的序列强收敛于局部Pareto最优态集。数值试验验证了Pareto-MEC算法的有效性。

双层MEC算法优化多峰问题

多峰优化是真实世界的一类问题。介绍了基本MEC(Mind Evolutionary Computation),给出了峰半径异化策略的MEC算法描述,提出了用优化参数的双层MEC算法解决多峰优化问题;最后,在实验中优化了三个测试函数,并与物种保存遗传算法进行了性能比较。

有界连续空间中MEC算法的收敛性分析

思维进化计算(MEC)是模拟人类思维进化过程的一种新的进化计算方法,是基于GA存在的问题提出的。MEC主要由趋同和异化两种操作构成。该文从理论上对趋同和异化操作进行了详细的描述,修正了文眼15演中的错误结论,证明了趋同迭代产生的子群体散布中心序列收敛到局部最优态集,给出了收敛速率的上界估计,并分析了算法的全局收敛性。

MEC应用于图像分析中的综述

论文综述思维进化计算(MEC)在图像分析方法中的应用,包括对彩色图像的聚类、分割以及对小目标的识别。这些应用展示了MEC高效的优化性能,及其在图像处理中良好的应用前景。

SP-MEC算法的收敛性分析

进化算法求解多目标优化问题具有独特的优势。SP-MEC是一种新的利用思维进化算法(MEC)解决多目标优化问题的算法,数值实验结果验证了它的可行性与有效性。文章利用概率论的基本理论对其收敛性进行分析,提出局部Pareto最优解集、局部Pareto最优态集及趋同过程产生的序列强收敛的概念,证明了在满足一定条件下趋同过程产生的序列强收敛于局部Pareto最优态集。

采用MEC的多目标定位与动态分割

本文提出一种新的多目标定位与分割的算法 ,它是把模板匹配思想和性能优异的 MEC结合起来 ,实验结果表明 ,新算法实现了平移、尺度不变 ,对比度不变的目标定位与分割。

基于MEC-BP神经网络在水产养殖水质预测中的应用

溶解氧作为水产养殖中最为重要且最容易控制的水质参数,其关系到养殖的成败,如果能精确掌握溶解氧的变化规律,可大大降低养殖风险,增加养殖成功率。本文综合考虑相关水质参数,建立BP神经网络水质预测模型,并在此基础上,构建基于思维进化算法(Mind Evolutionary Computation,MEC)的BP神经网络水质预测模型,通过对广西茅尾海海域的水质历史数据进行仿真实验,结果表明,思维进化BP神经网络预测值的精确度和准确度要高于BP神经网络。因此,将该算法应用于水产养殖水质预测是可行的。

基于MEC-BP神经网络的基坑水平位移反演分析

随着城市地铁建设快速发展,地铁车站基坑的变形要求越来越严格,基坑土层设计参数的选择面临着极大挑战。利用思维进化算法(MEC)优化BP神经网络的初始权值和阈值,结合有限元数值模拟,提出基于基坑水平位移的土层参数反演分析方法。采用文献算例对该方法进行验证,并与不同反演方法进行对比。研究结果表明:1)MEC-BP神经网络对多工况水平位移的反演分析结果与文献结果基本一致,验证了该方法的有效性和实用性;2)MEC-BP神经网络的收敛速度快于遗传神经网络(GA-BP),其反演结果优于常规BP神经网络、GA-BP方法和修正高斯-牛顿法(G-N);3)采用标量误差函数F_(err)进行寻优,可以提高MEC-BP法水平位移反演分析结果的稳定性和准确性。

基于SMEC的PID控制器参数优化整定方法

PID控制器参数的优化整定一直是自动控制领域的研究热点。提出一种利用改进思维进化计算(MEC)优化PID控制器参数的方法,在原有算法的框架上,加入自调整操作,依据进化方向和进化时间自动调整两种散布因子。经仿真表明使用SMEC方法整定得到的PID控制器参数可以获得满意的控制效果,其性能优于利用遗传算法得到的效果。

基于进化多任务的边缘计算服务部署和任务卸载

服务部署和任务卸载是边缘计算面临的两大挑战,但目前在边缘环境下都是对任务卸载这一单一问题的求解,较少考虑服务部署问题。由于服务部署与任务卸载是高度耦合的,只考虑其中一个问题具有局限性,会造成资源的浪费及较大的时延,从而影响用户的体验感。此外,传统的进化算法不能同时处理多个单目标或多目标优化任务。为解决上述问题,构建一个多任务多目标模型,将每个优化问题视作一个任务,并针对该模型提出一种改进的基于多因子优化的进化多任务算法,通过引入位置更新策略来增加搜索种群的多样性,并在此基础上设计改进选型交配方法,提高后代个体的质量。仿真实验结果表明,与多目标算法对比,该算法在SP、Span、PD等多个指标上均有较好的表现,明显提高了算法收敛性能,大幅加快了求解速度,整体系统性能提高了11.4%。

求解TSP问题的思维进化算法

针对一类非数值问题──TSP的特点,在基本思维进化算法(MEC)框架的基础上,提出了求解TSP的趋同和异化策略,从而实现了MEC在求解非数值问题的一个应用,并对其收敛性进行了简要证明。同某些遗传算法(IENS和GESA)比较的仿真实验结果表明:MEC在收敛速度、解的优良性等方面要优于这些遗传算法。

基于思维进化的集群作业调度方法研究

为了减少不准确的时间估计对作业调度的影响,提出了动态预约调度模式.在该模式中,预约队列中的作业与被预约资源是松耦合的,可根据作业完成情况进行重映射,以减少作业提前完成而产生的资源碎片.基于动态预约模式,将思维进化计算引入到作业调度中,以各种回填算法的调度结果作为初始群体,通过趋同和异化操作,使群体不断向最优解进化,从而产生更优的调度方案.基于真实作业集的仿真结果表明,所提算法的作业平均的等待、延迟时间比最优的基于回填的组合算法分别下降了68.5%和66.9%.

一种基于思维进化计算和博弈论的QoS组播路由算法

针对满足多个约束条件的服务质量(QoS)组播路由的特点,提出了一种应用于下一代互联网的基于思维进化计算和博弈论的QoS组播路由算法.该算法由三部分组成:引入隶属度函数来描述"边"对用户QoS需求的适合程度;通过博弈分析判断网络方与用户在"边"上的效用能否达到Nash均衡;采用思维进化计算方法建立组播路由树,使得在树上不仅用户QoS要求得到满足而且网络方效用与用户效用达到或接近Nash均衡下的Pareto最优.仿真结果表明,提出的算法是可行和有效的.

基于改进BP神经网络的室内无线定位方法

针对在室内无线定位中采用加权质心定位法时精度较低且难以克服信号不稳定的问题,提出改进的BP神经网络方法。以接收信号强度(RSSI)为输入、二维平面坐标为输出建立网络结构,网络的初始权值和阈值用思维进化算法优化,并用边长3 m的正方形区域内的196个样本数据训练。实验结果表明,在27个预测点上可达到定位精度0.1 m。相比于BP网络以及BP网络和遗传算法的结合算法,该定位方法训练收敛时间短,定位结果稳定。

基于优化极限学习机的大跨径连续桥梁施工线形预测

桥梁跨度随着桥梁施工技术的不断提高而持续增大,故在施工过程中对大跨径桥梁线形的控制也愈发困难。针对现有方法的不足,提出一种基于思维进化算法优化的极限学习机算法,以某电厂桥为工程背景建立MEC-ELM预测模型,将桥梁的宏观参数输入模型,即可对其线性变化进行准确预测。该算法首先利用MEC的全局搜索能力得到ELM的最优输入层权值和阈值,然后送入ELM中训练,得到桥梁线形预测模型。实例计算表明,该模型平均预测误差仅0.225 cm,且具有方法简单、精度高的特点,为大跨径桥梁线形控制提供了一种新的技术手段。

思维进化蝙蝠算法及其在混合气体红外光谱特征选择中的应用

为了解决混合气体多组分间特征吸收峰相互重叠引起的特征选择困难问题,提出了新型红外光谱特征选择方法,并对该方法的性能进行了分析与评价。首先,充分结合思维进化计算的并行机制、异化操作与蝙蝠算法的局部搜索能力,设计了思维进化蝙蝠算法。接着,通过实验采集两个混合气体数据库,利用思维进化蝙蝠算法对其目标组分的特征峰进行筛选。然后,从算法的收敛速度和筛选出的特征峰两个方面,将思维进化蝙蝠算法与基本蝙蝠算法、遗传算法、粒子群优化算法及并行萤火虫群优化算法等进行比较。最后,讨论了思维进化蝙蝠算法与无信息变量消除法相结合对结果的影响。实验结果表明：CO的特征峰范围包括2 090-2 110 cm^-1和2 115-2 125 cm^-1,共包含32个波长点;N2O的特征峰范围为2 225-2 250 cm^-1,共包含26个波长点。利用筛选出的特征波长点建立的浓度反演模型,测试集均方根误差为0.155,决定系数可达0.908。实验结果表明：思维进化蝙蝠算法收敛速度快、全局搜索能力强,适用于存在重叠特征峰的混合气体的特征选择,对应的浓度反演模型的泛化性能也有显著提升。

基于遗传算法与思维进化计算的一种广义进化模型

本文在遗传算法 (Genetic Algorithm,简记 GA)与思维进化计算 (Mind Evolutionary Computation,简记 MEC)的基础上 ,提出了一种广义进化模型 (Generalized Evolutionary Model,简记 GEM) .该模型用微演化与宏演化两个过程 ,分别模拟人类的思维学习方式与自然进化 ,并通过概率趋同、信息迁移、自适应变异算子将两个过程有机的结合起来 ,从完全意义上模仿了人类的进化 .该模型既能有效的克服遗传算法的本质缺陷 ,又能拓展思维进化计算的理论基础及应用范围 .

思维进化计算的描述与研究成果综述

思维进化计算（Mind Evolutionary Computation，MEC）是孙承意于1998年提出的一种新的进化计算方法。它模仿人类思维申趋同、异化两种思维模式交互作用，推动思维进步的遏程。MEC多方面的性能优越，造是由于采用“趋同”和“异化”操作代替GA的选择、交叉和变异算子以及MEC与GA不同的运行机制：记忆机制、定向机制和探测与开采功能之间的协调机制。本文给出MEC迄今为止最完整的描述。由于篇幅所限，本文仅简单介绍MEC的主要研究成果。

基于思维进化算法的人脸特征点跟踪

提出了一种基于思维进化算法的人脸特征点跟踪的方法。通过提取人脸跟踪区域的尺度不变特征变换获得整体特征模版,并确定跟踪特征点,由整体特征模版的空间分布关系限定跟踪特征点的存在区域。应用思维进化算法的趋同过程和异化过程求得整体特征模版在目标帧的最优覆盖解,进一步提高跟踪特征点的限定区域的准确性,提高搜索速度和精度。引入原始特征和替代特征,使算法在复杂情况下仍能保持稳定跟踪和较快的跟踪速率。经试验,新方法能够在复杂情况下稳定跟踪95%的特征点,并保持25帧/s的跟踪速率。

基于思维进化算法的径向基函数神经网络结构优化

为了解决一类径向基函数的结构优化问题，该文在基本思维进化计算框架的基础上，提出了一种有效的混合优化策略。在优化过程中充分利用样本的信息，同时借鉴信息矩阵的思想，提出了利用信息矩阵进行信息抽取和信息积累的方法，并设计了有效的趋同、异化算子与个体之间学习的具体过程，使结构和参数同时得到了优化。仿真研究表明，该算法是快速有效的，并能保证网络具有较好的泛化能力。