免疫进化算法

研究现有进化算法的优越性与存在不足的基础上，受生物免疫原理的启发，提出了一种新的算法－－免疫进化算法。该新算法作为一种全局优化算法，以父代最优个体为基础来产生子代群体，并以最优个体的收敛来代替群体的收敛，在寻优过程中，该新算法还把确定性的和随机性的搜索有效地结合在一起，提高了收敛速度，通过马尔可夫链的分析，证明它是全局收敛的。测试表明，免疫进化算法不仅参数设置简单，而且可以提高收敛速度。     

一种渐变概率选择操作的实数编码量子进化算法

为进一步提高实数编码量子进化算法在进化过程中的种群多样性以及在高维复杂函数优化上的全局收敛性,参照模拟退火算法的特点,提出了一种渐变选择概率的实数编码量子进化算法,该方法通过在进化过程中逐步提高更好解的选择概率,在进化计算初期保持种群的多样性,能较为全面地对解空间进行搜索,而在进化末期,选择概率逐渐提高到1,只接受更好的解而保证算法稳定的收敛。仿真实验结果表明,该算法能有效避免早熟和局部极值问题,具有更快的收敛速度和更高的求解精度。     

域约束优化问题的普适免疫进化算法

在免疫进化算法的基础上，针对域约束优化问题，提出了一种普适算法．通过区间变换，该算法在保证所产生的个体分量均能满足相应的区间约束的同时，消除了参数设置的随意性，不仅提高了计算效率，而且增强了算法的统一性，克服了其它进化算法采用罚函数处理域约束问题的不足．多峰函数优化和遗传算法欺骗问题的测试结果表明：与采用罚函数处理域约束问题的免疫进化算法相比，普适算法不仅易于编程，而且能以更快的速度稳健地收敛到全局最优解．     

量子进化和模拟退火的混合优化算法

将量子算法和模拟退火算法相结合,提出一种量子进化和模拟退火的混合优化算法。本算法同时利用了量子算法的并行搜索能力和模拟退火算法的串行搜索能力,和量子算法相比有更快的收敛速度和更好的全局寻优能力。仿真实验也表明本算法有更好的搜索性能。     

基于云模型的自学习进化算法

结合进化论和遗传理论的最新进展,提出基于学习算子的自学习进化算法;并将正态云模型引入进化过程中,提出云学习算子和基于云学习算子的自学习进化算法．最后的仿真实验表明,该算法具有精度高、收敛速度快等优点,能在很大程度上解决了现存进化算法的低效问题．     

改进的病毒进化遗传算法应用研究

针对车间调度中典型的作业车间调度问题（Job Shop Scheduling Problem）,提出了一种改进的病毒进化遗传算法．该算法选取主群体中较优秀的个体生成部分初始病毒个体,提高了病毒个体的适值和感染能力,从而也就提高了整个主群体的平均适值,并引入了静态繁殖理论,有效的避免了问题最优解的丢失,同时,将基于优先规则的启发式算法与传统的病毒进化遗传算法相结合,加快了算法的收敛性能和收敛速度．最后给出了该改进的病毒进化遗传算法的试验仿真结果．     

一类免疫优化算法及其应用

根据生物免疫系统机理推导出一类数学优化结构模型的免疫算法。此算法结合遗传算法的进化操作和生物免疫中的浓度机制，通过抗体的期望繁殖率实现对抗体的促进和抑制，改善未成熟收敛。该算法用于求解Rosenbrock函数，并且与遗传算法进行了比较，结果表明，该免疫算法不仅收敛，而且具有较高的全局和局部搜索能力和收敛速度。     

一种新的双种群PSO-DE混合算法

给出一种新的粒子群算法和差分进化算法相结合的混合算法.该算法基于一种双种群进化策略,其中一个种群由粒子群算法进化,另一种群由差分进化算法进化.此外,采用一种信息分享机制,在算法的进化过程中2个种群中的个体可以实现协同进化.为了进一步提高混合算法的性能,在差分进化算法中融入一种线性递减加权策略的变异操作和指数递增交叉概率算子.通过4个标准测试函数的测试结果表明文中提出的混合算法是一种收敛速度快、求解精度高、鲁棒性较强的全局优化算法.     

基于差分进化算法的平面四杆机构轨迹和速度双目标优化综合

提出了用差分进化算法实现平面四杆机构轨迹和速度双目标优化综合,以位置误差最小和速度值误差最小为双目标函数,并把原动件的角速度也作为设计变量之一．差分进化算法简单易执行,结合实际问题对算法的变异操作、选择操作和控制参数做出了改进,并分别对不同的轨迹和速度情况进行了计算求解,结果证明了算法的可行性、有效性及全局寻优能力．     

进化算法及其改进

本文首先从多侧面介绍了国际上新兴的进化算法；接着对它作出了改进，包括提出引入“灾变”算子以解决ｐｒｅｍａｔｕｒｅ ｃｏｎｖｅｒｇｅｎｃｅ问题；最后，对仿真实例进行了分析。结果清楚地表明，和传统算法相比，该算法性能优越，潜力巨大。     

基于多智能体局部寻优的粒子群优化算法

为了提高粒子群算法的收敛速度和全局寻优能力,用多智能体遗传算法对粒子群算法当前搜索到的全局极值进行局部寻优．用搜索到的更好的解在下一次迭代中引导粒子进行搜索从而获得更快的收敛速度和更好的全局收敛性。对函数优化和神经网络训练的仿真实验表明．此算法能更快的收敛到全局最优解。     

改进的自适应遗传算法及其在作业车间调度中的应用

针对自适应遗传算法在复杂问题应用中前期收敛速度缓慢和容易陷入局部最优的不足，引入了一种新的调节交叉概率和变异概率的方法，并提出了一种新的交叉方式，该算法很好地增强了自适应遗传算法的全局搜索能力，提高了收敛速度．通过比较几个优化实例，验证了本文算法的有效性．     

Fault reconfiguration of shipboard power system based on triple quantum differential evolution algorithm

Fault reconfiguration of shipboard power system is viewed as a typical nonlinear and multi-objective combinatorial optimization problem. A comprehensive reconfiguration model is presented in this paper, in which the restored loads, switch frequency and generator efficiency are taken into account. In this model, analytic hierarchy process(AHP) is proposed to determine the coefficients of these objective functions. Meanwhile, a quantum differential evolution algorithm with triple quantum bit code is proposed. This algorithm aiming at the characteristics of shipboard power system is different from the normal quantum bit representation. The individual polymorphic expression is realized, and the convergence performance can be further enhanced in combination with the global parallel search capacity of differential evolution algorithm and the superposition properties of quantum theory. The local optimum can be avoided by dynamic rotation gate. The validity of algorithm and model is verified by the simulation examples.     

一种改进的遗传算法及其在作业车间调度的应用

基于遗传算法容易产生早熟的现象,提出了一个概念清楚、运算量小的评价种群过早收敛程度的指标,并利用该指标提出了一种新的调整策略.仿真实例表明,该方法能及时反映种群在进化过程中的过早收敛程度,不仅能加快计算速度,而且还能增强算法的全局收敛性.     

基于量子遗传优化算法的图像稀疏分解

为了减少图像稀疏分解的计算量,提出了一种基于量子遗传算法与匹配追踪相结合的图像稀疏分解快速算法.量子遗传算法能用较小的种群规模实现较大的空间搜索,全局寻优能力强,基于匹配追踪的图像稀疏分解是最优化问题,因此可用量子遗传算法快速实现.仿真结果表明,每步分解所需计算的图像或图像残差与原子的内积仅4 000次,由分解结果重建的图像具有较好的主观质量.     

双向蚁群算法在无人驾驶车辆路径规划中的应用

针对传统蚁群算法在无人驾驶车辆路径规划中收敛速度慢、易陷入局部最优等问题,提出一种全局路径规划的双向蚁群算法。通过双向搜索策略改进蚁群算法,设计相遇机制求解更多可行路径,提高算法全局搜索能力;引入奖惩因子分别扩大和减小双向搜索后的较优路径和较差路径对信息素浓度的影响,加快求解最优路径的速度;最后在Matlab中模拟无人驾驶车环境,随机生成不同地图面积和障碍物出现率的车辆仿真栅格地图,比对传统蚁群算法和双向蚁群算法的实验效果。结果表明:双向蚁群算法的迭代次数和求解时间明显减少,在加快收敛速度、提高全局搜索能力以及避免局部最优方面有较大改进。     

IIR数字滤波器设计的搜寻者优化算法

为进一步提高无限冲击响应(IIR)数字滤波器的性能,提出了一种基于搜寻者优化算法(SOA)的IIR数字滤波器设计方法.SOA基于模拟人的随机搜索行为,由利用位置变化评价得到的经验梯度确定搜索方向,由采用简单模糊规则的不确定性推理确定搜索步长,通过搜寻者在搜索空间的位置更新,实现对优化问题的求解.2个典型设计实例的仿真结果表明,与差分进化算法(DE)和3种改进的粒子群算法(PSO)相比,SOA具有较好的全局寻优能力和较快的收敛速度,能有效地应用于IIR数字滤波器的没计.     

基于差分进化算法的区域OD矩阵反推分析

利用极大熵模型反推OD分布矩阵,引入差分进化算法来求解极大熵模型。采用差分进化算法,与传统方法相比,能够提高求解极大熵模型的速度与精度,从而提高OD矩阵推算的准确度。最后,利用简单实例分析该使用方法的有效性。