摘要：大规模欺骗问题和等级问题是一类非常复杂的组合优化问题,为有效求解该问题,提出了一种基于精英协同的量子进化算法。该算法将整个种群划分为若干个子种群,依次以子种群中适应度最高的个体(精英个体)来引导进化,同时设计了协同操作算子使各子种群互相交换信息,以提高种群的多样性和解空间搜索力度,仿真结果表明:该算法具有更好的求解质量。

摘要：为了提高算法的运行速度和收敛速度,确保算法收敛到全局最优,以及提高群体的多样性和整体品质,提出了基于百分比表示的抗体相似度、期望繁殖率以及克隆选择概率的定义方法和计算公式,并结合精英策略(elitism strategy)提出了一种改进的人工免疫算法,(Artificial Immune Algorithm with Elitism,AIAE)。用AIAE对测试函数F15进行仿真实验,结果表明所提算法能以较快的速度搜索到函数的全局最优解,并且解的波动性很小、解的质量很高。因此可将该算法用来优化由本项目设计组设计的智能人工腿中的控制器。

摘要：为有效解决粒子群优化算法(Particle Swarm Optimization,PSO)容易陷入局部极值及进化后期收敛速度慢、精度低等缺点,提出了一种融合多种策略的改进粒子群算法(Improved Particle Swarm Optimization,IPSO).该算法包括以下4点改进:(1)采取分组控制策略,按适应度值将种群分为优解组和劣解组,优解组进行遗传交叉操作,劣解组进行变异操作;(2)精英策略用来更新种群,根据适应度值从经过交叉和变异操作后的种群及初始种群中选出前一半粒子作为新种群;(3)改进粒子学习模式,充分利用种群信息,以优良种群的均值代替个体最优位置;(4)引入概率控制来控制算法进入交叉和变异操作的概率.测试函数的仿真结果表明,与标准PSO及其改进算法相比,IPSO算法能有效兼顾全局探索和局部挖掘能力,具有收敛速度快、求解精度高、避开局部最优解的优点.

摘要：在对捕鱼算法迭代过程进行研究和分析的基础上,针对将该算法用于求解约束优化问题时存在收敛速度慢、求解精度不高等缺点,提出了一种自适应精英捕鱼算法。该算法通过采用自适应撒网半径设置策略和精英个体保留策略来改善和提高算法搜索性能。最后,通过使用三个经典的工程设计问题实例对算法进行性能测试。实验结果表明,改进算法在收敛速度、求解精度和稳定性方面均有明显提高。因此,使用自适应精英捕鱼算法来求解约束优化问题是有效且可行的。

摘要：为了避免演化算法过早收敛,保持种群多样性,增加算法的搜索能力,本文提出基于分级策略的演化算法.即通过对种群进行分级,来度量种群的多样性,衡量算法是否陷入局部最优,协调种群多样性和精英策略之间的矛盾,再根据种群分布的多样性设计一种有效的半一致交叉算子与单重均匀变异算子。

摘要：制造系统的合理单元构建、单元间布局可以有效的提高制造系统的生产效率、缩短生产准备时间以及缩短交付期。本文研究多制造单元构成的制造系统在多工艺、多加工路径条件总费用最小化问题。首先采用自适应遗传算法的算子设计,对制作单元数及工件数进行有效编码;其次运用精英保留策略对以编码的多个制造单元进行优化重组,减少工件的跨单元次数,使其加工和运输成本达到最优;最后应用模拟算例,验证模型和算法的有效性。

摘要：针对传统遗传算法求解背包问题的不足,采用精英保留策略,可使算法加快收敛,同时,陷入局部最优的可能性加大,为克服此不足,分别设计一种动态改变杂交概率和变异概率的方式,提出一种自适应遗传算法,在迭代初期,杂交概率和变异概率较大,有利于算法跳出局部最优,而在搜索后期,概率变小,使搜索转向精细寻优。为确保解的可行性,采用贪心修正,仿真结果表明,改进的算法在进化效率、收敛性及求解精度上的可行性和有效性。