导读:本文包含了演化算法论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:算法,图像,目标,自适应,航迹,模型,策略。
演化算法论文文献综述
罗钧,杨永松,侍宝玉[1]（2019）在《基于改进的自适应差分演化算法的二维Otsu多阈值图像分割》一文中研究指出针对常规最大类间方差法在多阈值图像分割中存在的运算量大、计算时间长、分割精度较低等问题,该文提出一种基于改进的自适应差分演化(JADE)算法的2维Otsu多阈值分割法。首先,为增强初始化种群的质量、提升控制参数的适应性,将混沌映射机制融入到JADE算法中;进而,通过该改进算法求解2维Otsu多阈值图像的最佳分割阈值;最终,将该算法与差分进化(DE), JADE,改进正弦参数自适应的差分进化(LSHADE-cn Ep Sin)以及增强的适应性微分变换差分进化(EFADE) 4种算法的2维Otsu多阈值图像分割进行比较。实验结果表明,与其它4种算法相比,基于改进JADE算法的2维Otsu多阈值图像分割在分割速度以及精度上均有较明显的改善。(本文来源于《电子与信息学报》期刊2019年08期）
史晓艳,张桂珠[2]（2019）在《基于多线程并发的两目标演化算法研究》一文中研究指出文章针对基于两目标优化的演化算法计算规模大,消耗大量的计算时间问题,提出了一种基于多线程并发的多目标优化算法。通过引入多线程并发执行框架Executor,实现多核环境下的多任务并发执行,以提高算法的运行效率。该解决方案对多目标演化算法进行重构,使之适用于多线程环境,为进一步优化算法作铺垫。(本文来源于《江苏科技信息》期刊2019年21期）
王立晶,李桂英,李欣[3]（2019）在《基于聚类的多目标演化算法在航迹规划中的应用研究》一文中研究指出巡航导弹的航迹规划问题是一类复杂的多目标优化问题,利用多目标演化算法可以很好地求解此类问题。考虑到聚类算法的数据挖掘功能可以提高多目标演化算法的局部搜索能力,并能恰当地平衡搜索过程中的开采与勘探以获得均匀分布的逼近前沿,提出了一种基于聚类的多目标演化算法(HCEA)。HCEA算法利用层次聚类算法挖掘种群分布信息,然后利用配对控制概率平衡全局搜索与局部搜索,并在局部搜索与全局搜索中分别采用不同的差分系数,使算法的搜索能力进一步加强。实验结果表明HCEA能够有效地求解巡航导弹的航迹规划问题。(本文来源于《黑龙江大学工程学报》期刊2019年02期）
冉冬梅,严加勇,崔崤峣,于振坤[4]（2019）在《基于双边滤波-距离正则化水平集演化算法的甲状腺超声图像分割》一文中研究指出超声图像有斑点噪声,且对比度低、边界模糊,所以甲状腺超声图像分割较为困难。针对此问题,本研究提出一种结合双边滤波(bilateral filters,BF)和改进边缘指示函数的距离正则化水平集演化(distance regularized level set evolution,DRLSE)模型的分割算法。先对甲状腺超声图像进行双边滤波,然后采用改进的DRLSE模型对甲状腺进行分割。通过与采用另外两种边缘指示函数的DRLSE模型对比,本研究提出的BF-DRLSE模型能减少斑点噪声对分割过程的影响,并在明显减少曲线演化运行时间和迭代次数的情况下有效分割甲状腺。(本文来源于《生物医学工程研究》期刊2019年02期）
刘梦珠,穆肇南,王成[5]（2019）在《基于演化算法的即时战略游戏编队策略研究》一文中研究指出演化算法作为人工智能的一个分支,在诸多领域得到了广泛应用。论文研究了基于演化算法的即时战略游戏编队。主要研究内容是利用演化算法经过多次杂交、变异及选择不断改进给定种族的编队策略,最终得到适应度最优的编队策略,作为人机对战时机器的编队策略。具体设计了基于演化算法的初始编码方案、杂交、变异、选择算子和适应度评价函数,利用《魔兽争霸Ⅲ》的地图编辑语言JASS实现此算法。(本文来源于《信息系统工程》期刊2019年06期）
姜志朋[6]（2019）在《合作协同演化算法在特征K线预测中的应用研究》一文中研究指出金融市场对国民经济的作用不断提高,无论是政府还是投资者,都对金融市场价格行为的研究具有较大兴趣。金融时间序列的K线化,可以有效降低金融数据噪音。依据统计概率,某些特定单根或者多根K线组合出现后,在后续一段时间内通常会跟随固定的变化趋势,称之为特征K线。简单的特征K线和某些指标的组合是常用的技术分析方式,但依靠人的主观经验很难寻找到这种复杂的组合关系。利用人工智能算法,则更有可能寻找到其中错综复杂的关系。本文的主要研究内容包括两部分。第一部分是先对金融时间序列数据进行特征K线化处理,然后在合作协同演化算法框架下使用传统SVM对数据进行建模分析。对金融时间序列数据进行特征K线化处理的方式可以有效降低金融时间序列数据的噪音。传统SVM是一个优秀的分类器,运行速度较快,适合金融数据高频交易的应用场景。合作协同演化算法具有优化大规模模型的能力,可以提高模型的分类精度。本文第二部分提出重建训练集支持向量机和轮盘赌合作协同演化算法。重建训练集支持向量机(Reconstructed Training Set Support Vector Machine,RTS-SVM)是本文针对金融时间序列数据的高噪音和分布不均的特点而提出的一种新的支持向量机。“软间隔”支持向量机建模后,原训练样本数据依据分类边界划分成叁类不同的数据集。根据每类数据集对模型精度的影响,对数据进行取舍,重新建立新的训练集,从而提高分类预测结果。使用轮盘赌策略改进合作协同演化算法,常用的合作协同演化算法是逐次优化每个子部件,但有的子部件对模型精度的贡献很小,却获得同样的优化次数,增加了建模时间。而本文的轮盘赌合作协同演化算法(Roulette Cooperative Coevolution algorithm,R-CC)则是依据每个子部件对模型精度贡献值的占比,分配优化概率,对模型精度贡献大的子部件会改变更多次,降低模型的时间复杂度,提升模型的优化效果。(本文来源于《山东师范大学》期刊2019-06-10）
李欣[7]（2019）在《基于聚类的多目标演化算法交配限制策略研究》一文中研究指出针对不同领域中广泛存在的多目标优化问题,设计具有普适性和高性能的优化算法尤为迫切。相比于传统的优化方法,多目标演化算法不仅具有优秀的全局搜索能力、良好的并行性和鲁棒性,而且无需考虑问题的属性,单次运行即可获得多样化的折衷解,因此具有重要的应用价值与广阔的发展前景。多目标演化算法循环进行父代选择,个体重组与环境选择。学者们对环境选择算子做了大量的研究,针对个体重组时直接利用单目标优化重组算子的不足提出了基于规则模型的重组算子,但是对于交配父代选择的研究相对较少。在多目标演化算法中,基于偏好信息,从满足特定条件的个体中挑选父代,即进行交配限制,有利于算法实施恰当的重组操作,提高搜索性能。此外,聚类算法作为一类典型的无监督学习方法,可以很好地挖掘数据信息,辅助多目标演化算法发现种群分布结构。因此,本文根据聚类算法挖掘的解的分布信息,设计了多种多目标演化算法交配限制策略。本文的主要研究内容包括:演化过程中,质量较好的子种群更需要开采,而质量较差的子种群更需要勘探,对所有子种群的个体采用相同的交配限制准则存在一定不足。因此,提出了两种基于子种群质量的自适应交配限制策略。首先,针对每一子种群由同一类个体组成的情况,提出了一种基于类中新生成个体数的自适应交配限制策略和一种基于此策略的多目标演化算法SRMMEA。SRMMEA每隔几代利用K-means算法将种群聚类。同一类中的个体采用相同的交配限制概率,不同类个体采用不同的交配限制概率。由交配限制概率控制交配父代的来源。在每一代根据环境选择以后类中新产生的个体数目判断类的整体质量,进而更新类的交配限制概率。为了进一步提高算法性能,在开采与勘探时,分别采用适合于局部搜索与全局搜索的差分进化算子控制参数值。实验结果说明了交配限制策略的有效性。然而,通过类的质量推测个体的质量和需要的交配限制概率较为粗糙,因此令每一子种群仅由单一个体组成,并针对此情况设计了一种基于存活长度的自适应交配限制策略MRSL,进而提出了一种多目标差分进化算法MDESL。MDESL基于K-means算法提取邻域信息,然后为每个个体设置一个单独的交配限制概率,控制其进行开采与勘探的比例。在每一代根据个体在过去一段时间内的存活代数,即存活长度,判断个体质量,更新个体的交配限制概率。此外,MDESL根据种群差异度判断在下一代中进行聚类的必要性,从而适当地减少计算开销。通过对比实验,表明MDESL优于对比算法。基于分解的多目标演化算法将多目标优化问题分解为一系列子问题。在演化过程中,不同子问题被求解的程度不同,因此不同子问题对开采和勘探的需求是不同的。而MDESL中提出的生存长度的概念更适用于基于分解的多目标演化算法判断解的质量,进而判断子问题的求解程度。此外,根据权向量间距离定义的邻居解在决策空间中可能具有很远的分布距离,不利于开采。针对以上考虑,提出了一种基于子问题求解程度的自适应交配限制策略和一种多目标演化算法MOEA/D-OMR。MOEA/D-OMR利用在线凝聚聚类算法提取种群在决策空间中的邻域信息,准确地找到个体的邻居。然后根据每个子问题的交配限制概率,控制配对池由邻居个体还是整个种群组成。MOEA/D-OMR在每一代根据子问题的解的生存长度,自适应地更新交配限制概率。鉴于最大聚类数影响邻域大小,进而影响算法的搜索能力,MOEA/D-OMR每隔几代利用综合交配限制概率更新最大聚类数。实验结果表明MOEA/D-OMR具有很好的求解能力。在基于模型的多目标演化算法中,如果按照本课题已提出的交配限制策略,以一定概率将整个种群做为配对池,将会建立不准确的模型,不利于算法搜索。而且,随着演化的进行,算法对搜索范围的需求是不断变化的。针对此问题,提出了一种基于模型的自适应交配限制策略和一种多目标演化算法MMEA-sC。MMEA-sC利用FCM算法将种群划分为多个类。在每一代根据解的存活代数选择质量较差的个体进行演化。重组时,为当前演化个体建立单独的高斯模型。为了扩大搜索范围,模型均值即为演化个体本身。为了加强开采,将一个小于1的正系数与类协方差相乘,获得自适应协方差,然后用交配限制概率控制模型协方差为类协方差或者自适应协方差。鉴于算法在演化过程中对开采能力有不同的需求,预先定义了4个计算自适应协方差的系数,并根据系数的历史表现确定不同系数的被选概率。对比实验结果表明,MMEA-sC搜索性能更优。无人机航迹规划问题是一类典型的多目标优化问题,利用多目标演化算法求解此类问题更为实用,因此建立了两种场景下的无人机航迹规划问题模型,并利用之前提出的多目标演化算法进行求解。实验结果说明了算法的有效性以及不足。考虑到现有的求解航迹规划问题的多目标演化算法对所有路径点使用相同的交配限制准则,然而,不同路径点有不同质量,需要不同的搜索范围。而且,尽管对航迹进行了聚类,邻居航迹的某些路径点可能分布很远。为了解决上述问题,在之前给出的交配限制策略的基础上,提出了一系列评估函数测度路径点的质量,进而提出了一种基于评估函数与聚类交配限制策略的多目标演化算法MFKC。MFKC利用K-means算法为每个路径点,而非航迹,建立邻域关系。由每个路径点的交配限制概率控制交配父代来源于邻居路径点还是全局路径点,以分别加强开采和勘探。交配限制概率由评估函数测度的路径点质量决定。还提出了一种局部搜索算子进一步优化飞行高度。实验结果表明MFKC可以有效地求解无人机航迹规划问题,为决策者提供多样的航迹。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
闵瑞高[8]（2019）在《基于分布式并行计算的高性能演化算法研究》一文中研究指出随着互联网和计算机的普及,人类社会已经进入了信息化时代。伴随着社会的发展,问题规模也逐渐增大,许多实际问题也随之成为大规模优化问题。然而随着问题规模的增大、决策变量的增多,“维度灾难”使很多传统问题的解决方法难以奏效。演化算法作为经典的启发式算法,有着易理解、收敛速度快、搜索能力强的特性,在解决低维小规模问题上表现优异,然而随着问题规模扩大之后,演化算法也同样出现了搜索性能会急剧下降的问题。面对这种情况,当前一种较为流行的解决方案是将合作协同进化框架与演化算法相结合,将大规模优化问题分解为多个规模较小的子问题,取得了非常不错的优化结果。其算法求解过程可以分为问题分解、子问题优化、整合优化结果叁个阶段。大规模优化问题由于其问题的复杂性,其整体求解过程是一个非常耗时的漫长过程。目前,关于如何改进算法以提高问题优化结果的研究有很多,而对于如何降低各个阶段的求解时间、提升大规模优化问题求解效率的研究则非常有限。本文以大规模优化问题为研究对象,采用改进的差分分组算法(Differential Grouping 2,DG2)作为问题的分解方法,合作协同量子行为粒子群优化算法(Cooperative Coevolution Quantun-behaved Particle Swarm Optimization,CCQPSO)作为问题求解阶段的优化算法,通过分析DG2算法的并行化可行性,借助协同进化算法和量子行为粒子群优化算法的天然并行性,实现了大规模优化问题在分解阶段、子问题优化阶段的并行化。本文的主要工作有:1)研究了在共享内存模型中基于OpenMP实现的并行DG2分组算法(Parallel Differential Grouping 2,P-DG2),该算法借助OpenMP框架,将传统的串行DG2分组算法进行并行化改进,使之更加符合并行化程序理念,实现了任意多核的并行加速计算。在IEEE CEC’2013 LSGO测试函数上的实验结果表明,P-DG2算法在不影响分组结果和精度的情况下,有效减少了算法在分组阶段的运行时间,取得了良好的加速比和效率性能。2)研究了在消息通信模型中基于MPI的并行协同进化量子行为粒子群优化算法(Parallel-Cooperative Coevolution Quantun-behaved Particle Swarm Optimization,PCCQPSO)及其相关的改进策略。算法从建立拓扑模型结构切入,采用粗粒度的策略,将协同进化与MPI的进程并行相结合,保证算法的收敛效果。同时,对算法进行进一步改进,引入二次分组策略和邻域通信策略,提升算法的整体性能。实验表明,并行化改进之后的算法在大规模优化问题上具有更好的优化结果。3)研究了演化算法在国产超级计算机神威·太湖之光的并行化,国产CPU采用主从核的构造,计算采用核间并行MPI+核内并行OpenACC(进程并行+线程并行)的方式。在这种混合并行计算模型的框架下,研究了传统演化算法和CCQPSO算法在解决高维度问题情况下的表现,实验表明CCQPSO的性能通过大规模并行得到了进一步的提升,且具有非常好的并行可扩展性。本论文通过结合演化算法和并行计算的一些特性,借助合作协同进化框架,对利用演化算法求解大规模优化问题的分组、求解、计算阶段进行了并行化处理,同时分析了其并行化之后的效率和加速比表现。实验结果表明,并行化之后的结果在保证正确性的同时,极大减少了算法执行的时间,在1000维的大规模优化问题上表现出了良好的性能。同时,在部分问题上,基于分解策略的并行化会提高算法的优化性能,可以同时促进加速和结果的优化。此外,通过在超级计算机神威太湖之光的大规模并行来看,演化算法的分布式并行仍然具有非常好的性能表现,在求解大规模优化问题上仍然有许多非常值得研究的工作。(本文来源于《江南大学》期刊2019-06-01）
邵池[9]（2019）在《基于适应值地形信息的差分演化算法研究》一文中研究指出计算智能方法是受自然界规律的启发而设计出的一类求解问题的算法簇。相对于传统的优化方法,计算智能方法因不需要对问题本身进行精确的数学或逻辑建模,从而非常适合于解决那些传统优化方法难以解决的具有多目标、大规模、带约束、动态且有不确定性等特征的复杂优化问题。差分演化算法是计算智能方法中重要的一员,它主要通过当前种群中父代个体间的交互产生新的子代个体,然后纵向对比两代个体,将其中更适应环境的一个保留下来,以推动整个种群向有希望的方向演化,从而逐步搜索找到最优解。由于它的易于实现、简单高效、鲁棒性强等特点,差分演化算法受到了诸多国内外学者的关注,且在理论研究和应用方面均获得了非常大的进展。传统差分演化算法的主要操作可以概括为种群初始化、种群评估、变异、交叉和选择几种。其中,变异、交叉和选择算子的设计会对算法的优化性能造成很大的影响,而变异算子产生的影响尤为显着,其对不同优化问题往往会表现出不同的效果。然而观察发现,在原始的差分演化算法中,选择交互个体的过程伴随着较大的随机性,变异算子的选择缺乏科学的指导,难以起到引导种群搜索的作用。针对该问题,相关研究领域的专家学者提出了许多改进差分演化算法的方案,其中利用适应值地形信息来引导种群搜索是一个较为新颖的角度,具有很大的研究空间和研究价值。基于以上思考,本文引入了适应值地形的概念,旨在从适应值地形的角度充分挖掘种群信息,并将这种信息用于指导变异策略的选择以及变异策略中引导个体的选择,从而更好的引导种群朝着有希望的方向演化。本文围绕适应值地形信息,提出四类差分演化算法框架,实现了对差分演化算法的优化性能的改善。本文的主要工作可以归纳为以下四个方面:(1)针对不同的变异策略对具有不同适应值地形的问题的优化性能不同,以及变异策略的选择缺乏有效的指导信息的问题,提出了基于函数模态利用机制的差分演化算法,在检测出待优化的函数的大致适应值地形后,将不同变异策略用于具有不同适应值地形模态的问题中。(2)为有效利用优势和劣势个体的信息引导种群演化以及减少评估次数的浪费,提出了基于历史信息利用机制的差分演化算法。其中包括有两个关键算子:基于邻近度的替换算子和负方向算子,这两个算子相结合,能够在加快算法收敛速度的同时保持种群的多样性。(3)由于适应值不同的个体在搜索空间中所处的区域不同,展现出的搜索行为也不同,因而个体的搜索机制需要与它们的搜索行为相匹配。在此基础上本文提出一种基于个体搜索行为的引导策略的差分演化算法,包括叁个阶段,分别是构造、划分和引导,并在每个阶段都设计了一个启发式规则。通过这叁个阶段充分利用搜索行为中个体之间的差异信息来指导种群的演变。(4)在由当前种群的最优个体引导的变异策略中,引导个体所处的区域往往会被忽略,这可能导致算法在没有希望的区域中搜索局部最优解。本文提出基于自适应多群体的学习策略的差分演化算法,采用基于群体的引导机制和基于群体的替换机制将整个种群划分成若干个群体并用于引导个体的选择。通过多样化的引导个体引导变异过程以及利用有希望的试验向量的信息,平衡算法的搜索能力和开发能力。综上所述,为了解决变异算子以及变异算子中个体的选择缺乏有效信息指导的问题,本文通过对适应值地形信息进行挖掘和利用,分别从函数模态、历史信息、个体搜索行为差异以及多群体学习四个方面,研究了对于解决全局优化问题的差分演化算法的提升机制,并用丰富的实验验证了提出的算法框架的良好优化性能,从而为科学研究与工程领域提供有效的参考。(本文来源于《华侨大学》期刊2019-05-23）
刘艳凤[10]（2019）在《演化算法停机条件研究》一文中研究指出利用演化算法解决实际问题已经成为一个重要的研究领域。在演化算法中,算法的停机条件是影响算法有效性的关键因素之一。若过早停机,则算法难以找到近似最优解;反之,若停机过晚,则算法会浪费大量计算资源。但是当没有可用的梯度信息时,通常不可能检查是否正式收敛或者检测是否达到最优标准。通过设置最大迭代次数或最大评估次数来确定算法是否停机的传统停机条件,需要事先对所求解问题和所用算法有深入的理解,因此难以适用于实际工程优化问题求解。本文主要研究内容包括:(1)分类总结了现有的演化算法停机条件,提供了演化算法在过去几十年关于停机条件研究的总结框图,从指标体系和停止决策两个方面对现有的演化算法停机条件进行了详细的分类介绍;(2)对六种比较流行的演化算法在线停机条件进行了分析和总结,分别在经典单目标算法、多目标演化算法以及测试函数上进行了实验,设计了能够客观评价停机条件效果的定量化指标,对实验结果做了简要分析并总结了各停机条件的适用范围、稳定性及优劣;(3)为解决在线停机条件的计算资源消耗问题,将在线停机条件与曲线拟合以及回归预测相结合,提出了基于预测的在线停机条件框架。本文通过实验验证了当演化算法停机条件与多种不同领域结合时,可以更好地平衡解的质量与计算资源之间的关系。(本文来源于《华东师范大学》期刊2019-05-08）
演化算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
文章针对基于两目标优化的演化算法计算规模大,消耗大量的计算时间问题,提出了一种基于多线程并发的多目标优化算法。通过引入多线程并发执行框架Executor,实现多核环境下的多任务并发执行,以提高算法的运行效率。该解决方案对多目标演化算法进行重构,使之适用于多线程环境,为进一步优化算法作铺垫。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
演化算法论文参考文献
[1].罗钧,杨永松,侍宝玉.基于改进的自适应差分演化算法的二维Otsu多阈值图像分割[J].电子与信息学报.2019
[2].史晓艳,张桂珠.基于多线程并发的两目标演化算法研究[J].江苏科技信息.2019
[3].王立晶,李桂英,李欣.基于聚类的多目标演化算法在航迹规划中的应用研究[J].黑龙江大学工程学报.2019
[4].冉冬梅,严加勇,崔崤峣,于振坤.基于双边滤波-距离正则化水平集演化算法的甲状腺超声图像分割[J].生物医学工程研究.2019
[5].刘梦珠,穆肇南,王成.基于演化算法的即时战略游戏编队策略研究[J].信息系统工程.2019
[6].姜志朋.合作协同演化算法在特征K线预测中的应用研究[D].山东师范大学.2019
[7].李欣.基于聚类的多目标演化算法交配限制策略研究[D].哈尔滨工业大学.2019
[8].闵瑞高.基于分布式并行计算的高性能演化算法研究[D].江南大学.2019
[9].邵池.基于适应值地形信息的差分演化算法研究[D].华侨大学.2019
[10].刘艳凤.演化算法停机条件研究[D].华东师范大学.2019
论文知识图
![异构网络环境的网络选择[27]](http://image.cnki.net/GetImage.ashx?id=1012452728.nh0007&suffix=.jpg)
