AN ANALYSIS ABOUT BEHAVIOR OF EVOLUTIONARY ALGORITHMS:A KIND OF THEORETICAL DESCRIPTION BASED ON GLOBAL RANDOM SEARCH METHODS

Evolutionary computation is a kind of adaptive non--numerical computation method which is designed tosimulate evolution of nature. In this paper, evolutionary algorithm behavior is described in terms of theconstruction and evolution of the sampling distributions over the space of candidate solutions. Iterativeconstruction of the sampling distributions is based on the idea of the global random search of generationalmethods. Under this frame, propontional selection is characterized as a gobal search operator, and recombination is characerized as the search process that exploits similarities. It is shown-that by properly constraining the search breadth of recombination operators, weak convergence of evolutionary algorithms to aglobal optimum can be ensured.

基因算法研究进展

本文概述了近年来基因算法在理论研究和应用研究方面所取得的成果，分析了提高基因算法性能的途径.

一种改进的遗传算法及其在系统辨识中的应用

研究了基于基本杂交操作的遗传算法的搜索效率及全局收敛性。提出了一种改进的遗传算法,该算法成功地应用于系统辨识。仿真结果表明了该方法的有效性及实用性。

GATS混合算法及其收敛性研究

通过对遗传算法和 tabu Search算法的优势和不足分析 ,提出一种将二者混合使用的求解优化问题的算法。该算法以遗传算法为基础 ,用遗传算法作全局搜索 ,用 tabu Search算法作局部搜索 ,改进遗传算法的计算结果。最后 ,利用马尔可夫链理论证明了混合算法的全局收敛性 。

图着色问题的新遗传算法

针对遗传算法求解图着色问题需多次产生初始种群的问题,提出了一种改进算法.该算法采用比较机制,淘汰不可行的基因,然后使用动态的适应度函数,使得有效个体以较大的概率存活到下一代种群中,从而达到无需多次产生初始种群的目的.与传统框架下的算法相比,新算法求得最优解的时间至少缩短了51%,且具有从一个局部最优解快速跳到下一个局部最优解,最终收敛到全局最优解的优点.

基于知识的智能优化引导方法研究进展

为了提高智能优化方法的优化性能,国内外学者通过知识来加强对优化过程的引导.对基于知识的智能优化引导方法进行了综述:一方面通过传统人工智能手段来实现对智能优化方法的引导;另一方面通过特定知识模型来实现对智能优化方法的引导.从前期优化过程中挖掘有用知识,采用知识来引导后续优化过程,极大地提高了智能优化方法的优化性能.

组合式全局寻优算法研究

分析了当前用于连续变量全局优化的各种智能算法的特点,指出他们互相融合发展的趋势,提出了一种体现大融合思想的组合式全局寻优算法,将目前各种智能优化算法有机组合在一起,使它们能够共享优化信息,协同寻优,从而形成最丰富的寻优机制,达到最强的全局寻优能力。最后用一个算例验证了该算法的有效性。

随机进化搜索算法及其收敛性

针对工程中具有约束条件的非线性函数的全局优化问题,提出了一种基于生物进化思想的随机进化搜索优化算法,在多方面弥补了遗传算法的不足,既具有遗传算法的全局优化能力,又显著地减小了计算复杂度。通过理论推求,结果证明了随机进化搜索算法的收敛性,同时指出单变量与多变量随机进化搜索算法无本质上差异,仅是选取的概率密度函数不同,该算法行之有效。

基于web考试系统的智能组卷算法的研究与实现

衡量一份试卷质量高低的主要因素是试题的覆盖范围是否合理,难度是否适中,区分度是否最大等等。随着计算机技术的普及,越来越多的学校采用智能组卷系统代替原有的教师手工组卷,实现了教考分离,因此,智能组卷成功率也成为大家关注的焦点。介绍了目前流行的组卷算法,分析了各种算法的特点以及不足之处,结合组卷问题的数学模型提出了分层次的遗传算法,该算法提高了原遗传算法的局部收敛度和全局搜索性。

演化算法行为分析──基于全局随机搜索的理论刻划

根据候选解空间上抽样分布的构造和计算来描述演化算法的行为，抽样分布的迭代构造是利用基于代（ｇｅｎｅｒａｔｉｏｎ）方法的全局随机搜索思想来刻划，在这种框架下，比例选择看成是全局随机搜索算子，复合看成是开发候选解相似性的搜索过程．研究表明：适当地限制复合算子的搜索宽度，能够保证演化算法弱收敛到全局最优解．

布谷鸟算法的收敛性分析及性能比较

群体智能算法是一类新兴的优化方法,它通过团队的协作和组织将简单的个体联系起来产生群体智慧,并用于解决实际问题。迄今为止,群体智能算法种类繁多,布谷鸟算法(CS)是典型的群体智能算法之一,它具有实现简单、效率较高等特点。以标准CS算法原理为基础构建Markov链模型,分析其性质,结合全局收敛准则,证明CS算法的全局收敛性。实验在两方面进行仿真:一方面,在解决相同问题的情况下,分析5种算法的复杂度;另一方面,选取18个标准测试函数分别对5种算法进行数据统计,在低维度和高维度下对比了5种算法运行的精确度、收敛速度和稳定性。实验结果表明:布谷鸟算法复杂度较低,与其他算法相比,其精度高,稳定性好。

基于局部搜索策略的混合自适应布谷鸟算法

为了提高布谷鸟算法的搜索精度和全局收敛速度,提出一种基于局部搜索策略的混合自适应布谷鸟算法。在该改进算法中,每个当前解的周围随机产生一个局部种群,利用正余弦算子的局部寻优能力得到局部最优解,并用局部最优解替换当前解,以提高局部搜索精度;同时采用自适应发现概率和搜索步长替代布谷鸟算法中的固定发现概率和搜索步长,以提高算法的全局收敛速度。对25个经典高维基准函数进行实验表明,所提算法在收敛速度和求解精度上优于布谷鸟算法,通过将其应用于拉压弹簧、三杆桁架设计和0-1背包问题,验证了算法的有效性。

基于智能搜索和特殊划分的人工蜂群算法

人工蜂群算法是一种具有强大搜索能力的全局搜索算法。传统的人工蜂群算法使用雇佣蜂、观察蜂和侦察蜂进行相互合作,每种蜜蜂有不同的分工,但不同类型的蜜蜂之间并没有差别。提出一种通过智能搜索和特殊划分来提升性能的人工蜂群算法。该算法中,不同的雇佣蜂和观察蜂会使用不同的搜索策略来寻找食物来源。该算法放弃了贪婪选择算法且在每次迭代时更新食物来源的位置。因此,该算法能够利用整个蜂群的经验来引导蜜蜂的搜索,通过一系列基准算法的性能分析证明了该算法的有效性。

印刷企业生产数据的智能演化分析与应用

印刷生产企业的资源管理和生产流程管理基于ERP系统,但缺乏对大量数据的分析和挖掘。采用智能演化思想,运用先进的算法模型、MATLAB强大的数据处理能力及MATLAB相关工具箱的强大数据分析能力,建立数据挖掘的手段和分析的模型,进行数据的演化和全局性直接搜索,在企业数据分析的宏观层面和特定领域探索其良好的应用,获得了较好的方法和途径。

一种基于改进遗传算法的变电站故障识别方法

针对传统优化算法求解变电站故障诊断解析模型时存在易于早熟、求解准确度不高以及收敛速度慢等问题,设计了一种基于改进的遗传算法的变电站故障识别新方法。首先,针对传统遗传算法由于采用固定的交叉与变异概率导致收敛慢、全局搜索能力不足的缺陷,设计了与进化代数相关的交叉概率、与个体适应值相关的变异概率,并对现有的自适应遗传算法进行改进,提高算法的全局搜索能力与收敛速度;其次,依据电网拓扑及其保护配置情况构建电网故障识别解析模型;最后,应用改进的遗传算法对上述故障诊断模型进行求解。通过包含断路器正常动作、据动和误动场景的故障算例分析,发现所提方法较常规优化算法在多次重复性试验中仍能保持接近1.0的故障识别准确率,且收敛代数保持在10左右,能够实现故障的快速准确定位。