自适应杂交NGA及其在多值电路分析中的应用

提出了一种具有自适应交叉算子的ＮＧＡ算法（简记为ＡＣＮＧＡ），以解决具有多模态函数的参数优化问题，ＡＣＮＧＡ能随着解空间参数结构的变化，自适应地选择不同的杂交算子并确定相应的杂交率，使解群在保持多样性的前提下，以较收敛率得到最优解集。该算法可求解非线性方程组，并主解具有任意约束关系的非线性电阻电路的所有解。     

基于自适应网络与动态拥挤距离的多目标粒子群算法及应用

针对传统方法不易收敛到真实Pareto前端和解的多样性较差的问题,提出了一种基于自适应网络和动态拥挤距离的多目标粒子群优化算法。该算法能在外部种群的数量超过种群规模时,将目标函数空间均匀地划分为间隔相同的网格,统计每个网格中粒子的数量进而估计粒子的密度,限制外部档案的规模;然后引入粒子的方差信息,设计了基于动态拥挤距离的算法,避免了一次性淘汰所有拥挤距离小的个体而使解的分布性变差的问题,提高了解的多样性。函数优化实验及该算法在成品油调和经济效益问题中的应用都验证了改进后的算法具有很好的效果。     

基于优势肽和免疫记忆的混合蚁群算法

为了克服基本蚁群算法求解速度慢、易于出现早熟和停滞现象的缺陷,借鉴免疫算法中的免疫记忆和优势肽选择继承的思想,提出了基于优势肽和免疫记忆的混合蚁群算法（SPIM-ACA）。该算法在原有蚁群模型基础上增加内部记忆库,将记忆库中的解对应免疫抗体,将问题对应为抗原,运用免疫算子和优势肽选择算法进行新解的构造和记忆库的更新。将该算法从解的质量和多样性方面与传统蚁群算法、免疫算法及已有的改进算法进行了比较,结果表明：本文提出的算法不但明显提高了两个传统算法的性能,而且为解决其他组合优化问题提供了一个新的思路。     

一种改进的细菌觅食优化算法

针对细菌觅食优化算法存在收敛速度慢、寻优精度低、易陷入局部最优等缺点,提出了一种改进的细菌觅食优化算法。改进原有固定步长的游动方式,引入自适应步长调整策略,提出了基于非线性递减的余弦自适应步长;改进细菌位置的更新方式,借鉴人工蜂群的方法,采用混合的更新方式;改进优胜劣汰的选择标准,保留最优个体,对复制后的父代个体引入杂交算子;改进迁徙方式,提出种群进化因子,防止进化停滞不前。将本文算法用于经典函数以及PID参数整定测试,仿真实验结果验证了该算法的有效性。     

基于Alopex的进化优化算法

提出了一种基于Alopex的进化优化算法。该算法在进化过程中从种群中随机选择2个个体,通过计算2个个体和目标函数值的变化情况,确定算法进一步搜索方向的概率,逐步迭代最终收敛到全局最优。该算法具备基本进化算法的特点,同时具备Alopex算法的优点,即在一定程度上具有梯度下降法和模拟退火算法的优点。对典型函数的测试表明：新算法的全局搜索能力有了显著提高,特别是对多峰函数能够有效地避免早熟收敛问题。     

基于开放式遗传算法的图像阈值选取

引入了开放式遗传算法的理论，使种群在一个开放的环境中进化，增加了种群的多样性。同时对交叉、变异操作进行了改进，避免了进化过程中种群的退化现象，从而有效克服了遗传算法的早熟问题又提高了遗传算法的收敛性能。文章以最小误差法为例，对比了本文算法和简单遗传算法在阈值处理中的性能，并用实验证明了本文算法的可行性。     

基于多代竞争遗传算法的数值函数优化

目的 对标准遗传算法的过早收敛问题进行改进。方法保持种群的多样性,将上几代个体中的一部分与本代共同参与竞争,提出多代竞争遗传算法,通过理论分析和对数值函数优化证明该算法的有效性。结果推导出多代竞争遗传算法的模式定理,经验证明显优于标准遗传算法。结论多代竞争遗传算法有利于保持种群的多样性,避免了过早收敛。     

基于种群协同进化算法的固定极性动态逻辑电路功耗优化

基于电路的动态逻辑实现形式,建立了固定极性XNOR/OR电路低功耗极性优化问题的数学模型;针对传统遗传算法(TGA)和量子算法(TQA)的优势和不足,借鉴合作型协同进化思想,提出了种群协同进化算法(PCEA)。该算法包含主体种群和小规模的量子比特种群,采取两种群并行进化、统一评估和主体种群择优重组的进化策略。主体种群采用包括选择、交叉和变异在内的常规进化方式。量子比特种群采用均匀进化和多次测量的进化方式,以便得到一组尽可能均匀覆盖解空间的个体补充到主体种群,避免算法出现“早熟”现象。最后,8个MCNC Benchmark 电路的测试结果表明了PCEA的优化效果及其稳定性。     

基于多代竞争遗传算法的数值函数优化

目的对标准遗传算法的过早收敛问题进行改进.方法保持种群的多样性, 将上几代个体中的一部分与本代共同参与竞争,提出多代竞争遗传算法,通过理论分析和对数值函数优化证明该算法的有效性.结果推导出多代竞争遗传算法的模式定理,经验证明显优于标准遗传算法.结论多代竞争遗传算法有利于保持种群的多样性,避免了过早收敛.     

一种改进的自适应差分进化算法

为了提高基本差分进化算法的寻优速度和寻优效能,提出了一种改进的自适应差分进化算法(ADE)。在基本差分进化算法中引入了自适应变异算子,根据每个个体与最优个体适应度值的相互关系,自动地调节变异算子值,使之在进化初期较大,随着个体逐渐接近最优值,算子值逐渐变小,确保个体向最优值快速、稳定地逼近。在每一代变异、交叉和竞争之后,又增加了与随机新种群的竞争操作,使算法易于跳出局部最优点,以提高全局搜索能力。采用4个经典的测试函数对算法进行验证,结果显示：该算法的收敛速度与收敛精度在一定程度上优于基本差分进化算法,同时也优于基于代数进行自适应变异的差分进化算法。     

一种快速自适应蜂群算法及其应用

提出了一种改进的人工蜂群算法(Quick Self Adaptive Artificial Bee Colony, QAABC)。首先,对人工蜂群算法的选择策略和搜索策略进行改进,以提高算法的收敛速度和优化精度;其次,对超边界的个体进行一次有效变异,增强种群的多样性。最后,将本文算法与其他两种算法（标准ABC、ABCP）对5个测试函数在低维和高维进行了对比实验,并将之运用于压力容器设计中成本最小化问题的研究,所得结果均验证了改进算法的有效性。     

二甲基-二(3-乙炔基苯胺)硅烷的固化反应及其动力学

利用非等温差示扫描量热法(DSC)得到了二甲基-二(3-乙炔基苯胺)硅烷(DMEAS)的特征固化参数,采用Kissinger和Ozawa法计算得到DMEAS固化反应表观活化能(ΔE)分别为100.6、113.0 kJ/mol;通过FT-IR研究了DMEAS固化前后的结构变化,采用TGA分析了其固化物的耐热性。结果表明:DMEAS固化反应主要是乙炔基发生交联反应,形成空间网状结构;在氮气中,DMEAS固化物的热降解起始温度(Td5)为563℃,900℃时的质量残留率为84.0%。     

基于改进差分进化算法的超临界水氧化动力学参数估计

为了准确地估计反应动力学参数,提出一种改进差分进化算法(MDE),能根据算法搜索进展情况而自适应地确定变异率,使算法在初期保持个体的多样性,避免早熟;在后期逐步降低变异率,保留优良信息,避免最优解遭到破坏,增加搜索到全局最优值的概率。与传统的差分进化算法(DE)相比较,MDE算法的离线性能和在线性能都有较大的改进,搜索到全局最优解的概率获得较大提高,对算法参数的敏感性低。将MDE算法应用于2-氯苯酚在超临界水中氧化反应动力学参数的估算,获得模型的拟合相对误差绝对值之和比文献报道值降低了14.2%。     

医药文本分类特征选择的研究

研究医药文本特点,提出了基于免疫克隆选择算法的医药文本分类特征选择方法。该算法引入Jeffries-Matusita距离设计亲和度,并利用相应的克隆算子确保算法快速收敛到全局最优解。实验结果表明,该算法在提高医药文本分类精度的同时,有效降低了特征维数。与基于BP神经网络特征选择和基于遗传算法特征选择的结果相比较,在有限代数内,该算法能收敛到更优的特征子集。     

遗传算法参数自适应控制的新方法

根据遗传算法参数自适应控制方法的不同分类,采用基于启发式规则的参数控制方法对遗传算法的种群数进行了宏观调控和微观调控。并采用不同特点的模糊控制器分别控制交叉率和变异率,使种群数、交叉率和变异率都能够随进化的实际情况发生自动调整,形成了一种新的种群数变化的模糊自适应遗传算法。实验数据表明这种算法能够有效防止遗传算法早收敛,同时也说明对参数进行自适应控制能够使遗传算法性能大大提高。     

用AGLA算法求解一类以TFT为目标的模糊Flow Shop调度问题

针对一类加工时间不确定的以总流经时间(TFT)为目标的置换Flow Shop调度问题,应用模糊数学的方法表示加工时间的不确定性,提出了一种改进的智能算法——异步遗传局部搜索算法(AGLA)。该算法初始种群的一个解由构造型启发式算法产生,其他解随机产生;通过引入一个加强的变邻域搜索机制和一个简单的交叉算子,对种群执行异步进化操作(AE);算法最后加入重启机制防止陷入局部极小。仿真实验结果验证了AGLA解决模糊Flow Shop问题的有效性。     

医药文本分类特征选择的研究

研究医药文本特点,提出了基于免疫克隆选择算法的医药文本分类特征选择方法。该算法引入Jeffries-Matusita距离设计亲和度,并利用相应的克隆算子确保算法快速收敛到全局最优解。实验结果表明,该算法在提高医药文本分类精度的同时,有效降低了特征维数。与基于BP神经网络特征选择和基于遗传算法特征选择的结果相比较,在有限代数内,该算法能收敛到更优的特征子集。     

非满载车辆路径问题的改进粒子群优化算法

将局部版粒子群算法应用于非满载车辆路径问题,设计了一种实数编码方案,线性调整惯性权值,改进粒子更新公式,建立了解决该问题的粒子群算法。用该算法求解了两个车辆路径问题的算例,并与遗传算法和标准粒子群算法进行了比较。结果表明:该算法提高了搜索最优路径的成功率,能更有效地求解非满载车辆路径问题。