导读:本文包含了进化算子论文开题报告文献综述及选题提纲参考文献，主要关键词:遗传算法,优化算法,动态变异,差分进化
进化算子论文文献综述
苗晓锋,刘志伟[1]（2019）在《基于搜索空间大小的动态变异算子差分进化算法》一文中研究指出差分进化算法(DE)是一种较新的进化计算技术,具有概念简单、易于实现、收敛速度快等优点,得到了广泛的关注和应用.为了解决经典DE计算开销大,参数设置与问题本身过于相关等缺陷,提出了一种改进的差分进化算法(IDE),它采用了一种动态变异算子,可根据进化代数的增加,基于搜索空间大小,实时地调整变异步长,从而提高算法的求解精度.通过在MATLAB仿真环境下对着名的基准测试函数分别进行求解,将改进后的算法和已有的多种优化算法进行比较,结果表明,改进的IDE算法性能明显优于已知的算法,证明动态变异是一种有效的改进思路.(本文来源于《计算机系统应用》期刊2019年06期）
张家善,陈应显,林晓群[2]（2019）在《嵌入差分进化算子的混合蜂群算法及其在VRPSDP的应用》一文中研究指出针对人工蜂群算法进化速度慢、容易陷入搜索停滞的问题,通过嵌入差分进化算子,提出了一种混合蜂群算法(Hybrid Artificial Bee Colony algorithm, HABC).基本思想是:在迭代中嵌入差分进化算子,充分利用差分算法全局收敛性和鲁棒性强的特点,寻求全局最优蜜源;此外,在标准蜂群算方法基础上进行两点改进:在采蜜蜂阶段搜索策略中加入最优位置引导,提高搜索的效率;对超边界的个体重新进行变异,以增强种群的多样性.将混合算法应用于带同时送取货的车辆路径问题(VRPSDP),计算结果表明了混合算法的有效性.(本文来源于《数学的实践与认识》期刊2019年04期）
曲志坚,陈宇航,李盘靖,刘晓红,李彩虹[3]（2019）在《基于多算子协同进化的自适应并行量子遗传算法》一文中研究指出量子遗传算法具有种群规模小,全局搜索能力强的特点被广泛应用于各类优化问题的求解.为了进一步提高量子遗传算法的收敛速度和搜索稳定性,克服算法的早熟问题,本文改进了基于自适应机制的量子遗传算法.在自适应量子遗传算法的基础上根据种群的适应度定义了个体相似度评价算子、个体适应度评价算子和种群变异调整算子及相应算子的计算方法,利用多算子协同评价当前种群状态并根据进化代数的变化,自适应的改变个体的变异概率,提高了算法全局寻优能力和收敛速度,降低了算法陷入局部寻优的概率.此外,为了提高算法的时间效率,将算法采用并行多宇宙的方式实现.实验结果表明,本文提出的算法在全局搜索性能、收敛速度和时间效率方面有较好的综合表现.(本文来源于《电子学报》期刊2019年02期）
周利发[4]（2018）在《高维优化问题进化求解中增强收敛性的进化算子研究》一文中研究指出在实际的生产与生活过程中常遇到需进行优化的问题,且优化的目标往往不止一个,目标间又互相冲突,这类问题称为多目标优化问题(Multi-objective Optimization Problems,MOPs),当优化目标超过3个时,则称为高维目标优化问题。由于现实生活遇到的问题往往不仅是高维目标,同时也可能是高维决策,因此开展对高维特性下的MOPs研究具重要的意义。进化算法(Evolutionary Algorithms,EA)是处理MOPs的主要算法之一,拥有较强全局搜索能力,但当求解问题扩展至高维时,由于优化难度上升、支配关系丧失等,大部分进化算法已无法确保求解高维优化问题时的收敛性。而进化算子是进化算法的动力来源,以不同程度和速度引导种群进化,影响着种群的收敛性能。针对高维优化问题中进化算子的收敛性能,提出了两个新型进化算子,分别用于增强高维决策空间与高维目标空间下MOPs的收敛性能。两个新型进化算子的具体工作如下:1.针对高维决策空间下的MOPs,提出了一种基于高维决策空间的收敛增强型进化算子。在新型进化算子中,设计两种策略分别针对高维决策空间中收敛速度较慢与精度不足的问题;在基于可控支配域(Controlling Dominance Area of Solutions,CDAS)排序的收敛速度增强策略中,通过基于CDAS的非支配排序,对种群或邻域进行排序,根据排序结果生成与不同进化时期相匹配的向量差;而在基于高维决策信息挖掘的动态缩放因子策略中,借助主成分分析对高维决策空间进行分析,动态调整差分进化(Differential Evolution,DE)缩放因子,最后将策略生成的向量差与缩放因子结合生成变异个体。实验证明提出的收敛增强型进化算子在具有高维决策空间的MOPs中可以有效地增强算法的收敛性能。2.针对高维目标空间下的MOPs,提出了一种基于高维目标空间收敛性策略的进化算子。在新型进化算子中,综合局部线性嵌入(Locally Linear Embedding,LLE)与差分进化对高维目标空间的收敛性进行提高。借助LLE算法在降维时仍保持局部特征的特性,对高维目标空间进行降维处理以增强选择压力,再利用快速非支配排序进行分层,根据分层信息进行差分进化操作,进而提高种群收敛速度。实验结果表明新型进化算子在保证多样性的同时具有更好的进化选择压力与收敛速度。3.为检验两种新型进化算子在同时具有高维决策与高维目标下MOPs的求解性能以及实际应用问题中的有效性,设计了在高维情况下多目标0-1背包问题的仿真实验,进一步验证新型进化算子在高维条件下实际应用问题中的求解性能。(本文来源于《南京信息工程大学》期刊2018-06-01）
凌哲,李茂军[5]（2018）在《基于非均匀变异算子的状态空间进化算法》一文中研究指出基于非均匀变异算子的状态空间进化算法(NUMSEA)是一种具有新颖性的实数编码进化算法。针对传统的状态空间进化算法转移矩阵的不足,设计一种基于非均匀变异等算子改进的状态空间转移矩阵。该矩阵突破了传统的状态空间转移矩阵,并在此基础上增加了非均匀变异算子以及非均匀算术交叉算子。通过提取分析每一代的最适值,再左乘新的转移矩阵,能够在原有的最优个体附件进行微小的搜索。进一步实现了转移矩阵随群体中个体适应度值的自适应变化,上一代群体中适值越大的个体在生成新个体时所作的贡献越大,算法的收敛速度也将增加。实验结果表明,改进算法不仅能提升对主效基因挖掘的精确性与平稳性,还能缩短对特征数据的提取时间。(本文来源于《计算机技术与发展》期刊2018年09期）
刘茜,毛力,杨弘[6]（2019）在《差分进化引导趋化算子的烟花优化算法》一文中研究指出标准烟花算法粒子间交流机制存在缺陷,且对最优点位置不在原点和原点附近时的目标函数求解能力差,对此提出差分进化引导趋化算子的烟花算法(BFA)。利用差分进化算法和趋化算子的局部搜索优势,在每一次迭代的过程中不断寻找这一代的最好个体,通过最优个体信息对局部粒子维度信息进行修改从而使得整个群体得到改善,8个标准和增加位置偏移的测试函数仿真结果表明,BFW相比于原始烟花算法(FA),粒子群算法和SPSO在寻优精度和寻优速度上有了较好的提高。(本文来源于《计算机工程与应用》期刊2019年03期）
廖雄鹰,李俊,罗阳坤,李波[7]（2018）在《基于自适应变异算子的差分进化算法》一文中研究指出针对差分演化算法易于早熟、收敛速度慢和收敛精度低等问题,提出一种基于自适应变异算子的差分进化算法。给出个体向量粒子及维度层定义,并提出了基于维度层加权的异维维度选择策略,首次将加权异维学习策略引入差分演化算法中,有效地提高了种群的多样性;根据种群聚集度的思想,提出一种基于种群聚集度自适应的变异算子,该算子能依据种群个体当前的种群聚集度自适应地调整DE/best/1变异算子和加权异维学习变异算子的变异权重,加快算法收敛速度、提高其收敛精度。通过在20个典型的测试函数上进行测试,与7种具有代表性的算法相比,结果表明提出的算法在求解精度和收敛速度上具有很大优势,并显示出了非常好的鲁棒性。(本文来源于《计算机工程与应用》期刊2018年06期）
徐东方,郭战伟,侯春娟[8]（2017）在《约束尺度和算子自适应变化的差分进化算法》一文中研究指出由于可行域不连续和函数形式复杂使得许多算法难以有效求解约束优化问题,提出了一种约束尺度和算子自适应变化的差分进化算法.通过统计新个体中可行解和不可行解的数量以自适应调整惩罚系数,使个体能够分布在多个不连续的可行域中,从而找到最优解所在区域.同时,算法还采用了两种不同的差分算子,分别用于局部区域的快速寻优和整个可行域的全局探索.在两种算子的选择上,则根据新个体的存活情况和约束违反情况来自适应调整其选择的概率.最后通过3组标准约束优化问题在10维和30维变量下的测试结果显示:所提算法的性能整体优于对比算法,其平均最优解在10维时至少提升了4.75%.(本文来源于《数学的实践与认识》期刊2017年16期）
杨少强[9]（2017）在《基于算子混合的多目标协同进化算法研究》一文中研究指出在科学领域和工程领域中存在很多多目标优化问题,此类问题一般较为复杂,传统方法已经很难解决此类问题,而基于启发式的智能优化算法则在此类问题上具有一定优势。智能优化算法是受“适者生存”理论启发,模拟生物群体的遗传进化过程或群体行为而形成的基于种群的随机优化算法,每次执行可以得到一组解,优化效率得到显着提升。所以智能优化算法受到越来越多的关注,各种智能算法也不断提出。相比于单种群优化算法,协同进化算法得益于不同的进化算子的杂交和种群之间相互合作,因此在解决多目标优化问题上更具优势。本文主要从优势互补的角度出发研究相关的智能优化算法,通过对现有的智能算法进行分类、研究,分析各类算法的特性,提出能够兼具不同类型算法优势的协同进化算法,增大了进化算法的应用范围。本文的主要工作如下:(1)本文首先提出了一个基于分解的粒子群-差分协同进化算法(MODEPSO)。该算法采用了叁个种群并在基于分解的框架中加入粒子群优化(PSO)、模拟二进制交叉(SBX)和差分进化(DE),经过PSO操作和SBX操作得到的优秀个体将会作为候选解进一步执行DE操作。不同种群之间相互配合,共同增强了该算法的通用性和鲁棒性。(2)本文提出了更具通用性的基于双种群的协同进化算法框架(BCF),并设计了一个基于双种群的算子自适应协同进化算法(BMCA),作为实现这一框架的代表。该算法在BCF框架中提出了一个自适应算子混合策略和一个进化资源分配策略。前者通过监测不同进化算子的性能提升平均值来调整不同算子执行比例,后者根据不同子问题的进化状态为其分配进化资源。每个进化算子得到的子代个体都可以同时更新两个种群使得优秀个体之间可以充分交流,增强算法的收敛速度同时可以保持个体的多样性。(本文来源于《深圳大学》期刊2017-06-30）
王炎,张换高,刘力萌,赵磊,陶涛[10]（2017）在《基于基因调优算子的产品平台进化设计研究》一文中研究指出市场的发展和技术的进步使得产品平台的衍生产品对需求的匹配度降低,产品竞争力下降。为了维持平台先进性,需适时对平台进行进化。从平台架构和平台元素两个角度,定义了平台DNA和平台基因,提出了实现平台进化的重组、变异、替换、删除、增添五种基因调优算子,构建了基于这5种算子的产品平台进化模型,以平台模块和模块特性的调整优化为手段,形成了具有可实施性和可操作性的平台进化方法。最后应用该方法指导了一种冲压机械手产品平台的进化,验证了该理论的可行性。(本文来源于《工程设计学报》期刊2017年03期）
进化算子论文开题报告
（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：
针对人工蜂群算法进化速度慢、容易陷入搜索停滞的问题,通过嵌入差分进化算子,提出了一种混合蜂群算法(Hybrid Artificial Bee Colony algorithm, HABC).基本思想是:在迭代中嵌入差分进化算子,充分利用差分算法全局收敛性和鲁棒性强的特点,寻求全局最优蜜源;此外,在标准蜂群算方法基础上进行两点改进:在采蜜蜂阶段搜索策略中加入最优位置引导,提高搜索的效率;对超边界的个体重新进行变异,以增强种群的多样性.将混合算法应用于带同时送取货的车辆路径问题(VRPSDP),计算结果表明了混合算法的有效性.
（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。
进化算子论文参考文献
[1].苗晓锋,刘志伟.基于搜索空间大小的动态变异算子差分进化算法[J].计算机系统应用.2019
[2].张家善,陈应显,林晓群.嵌入差分进化算子的混合蜂群算法及其在VRPSDP的应用[J].数学的实践与认识.2019
[3].曲志坚,陈宇航,李盘靖,刘晓红,李彩虹.基于多算子协同进化的自适应并行量子遗传算法[J].电子学报.2019
[4].周利发.高维优化问题进化求解中增强收敛性的进化算子研究[D].南京信息工程大学.2018
[5].凌哲,李茂军.基于非均匀变异算子的状态空间进化算法[J].计算机技术与发展.2018
[6].刘茜,毛力,杨弘.差分进化引导趋化算子的烟花优化算法[J].计算机工程与应用.2019
[7].廖雄鹰,李俊,罗阳坤,李波.基于自适应变异算子的差分进化算法[J].计算机工程与应用.2018
[8].徐东方,郭战伟,侯春娟.约束尺度和算子自适应变化的差分进化算法[J].数学的实践与认识.2017
[9].杨少强.基于算子混合的多目标协同进化算法研究[D].深圳大学.2017
[10].王炎,张换高,刘力萌,赵磊,陶涛.基于基因调优算子的产品平台进化设计研究[J].工程设计学报.2017