协同进化数值优化算法及其应用分析
Ｖｏｌ．３２Ｎｏ．９Ｓｅｐ．２０１６赤峰学院学报（自然科学版）ＪｏｕｒｎａｌｏｆＣｈｉｆｅｎｇＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ）第３２卷第９期（上）２０１６年９月
协同进化数值优化算法及其应用分析
梁树杰
（广东石油化工学院高州师范学院，广东高州525200）
摘要：探讨协同进化数值优化算法在无约束优化、约束优化、多目标优化问题及其在不同领域的应用情况，旨在充分发
挥协同进化数值优化算法的作用，进而为各领域的发展奠定基础.
关键词：协同进化算法；数值优化；应用
中图分类号：Ｏ２２４；ＴＰ２７３．１文献标识码：Ａ文章编号：１６７３－２６０Ｘ（２０１６）０９－０００６－０２
协同进化作为一种自然现象，具有普遍性，超过两个种
群间经相互影响，便会出现此现象，可用于解释种群间的适
应性，将其用于生物学研究，促进了生物进化．在进化计算研
究方面，协同进化算法作为一种快速发展的最优化算法，他
是传统进化算法的一种扩展．这种算法的模型包含了两个和
多个种群．不同的种群在生态系统中协同进化，并且相互作
用，最终使得生态系统不断进化［１］．协同进化算法在许多领域
得到了广泛的应用［２］．在许多非常困难的问题上，协同进化算
法都证明了其作为优化算法的有效性．文章综述了国内外学
者的研究内容，介绍了进化算法、协同进化算法等，重点阐
述了其在各类问题中的应用，旨在为协同进化数值优化算
法的推广提供可靠的理论保障．
1协同进化数值优化算法的概况１．１进化算法
在人类生存与发展过程中涉及众多的优化问题，与分
析问题相比，优化问题属于逆问题，在求解方面具有较大的
难度，造成此情况的原因主要为优化问题的可行解为无穷
多个，但要在可行解集合中获取最优化解，通常情况下，利
用数学规划法可实现对相关问题的处理，但实际计算过于
繁琐，进而难以保证计算的准确性与有效性．为了满足实际
需求，进化算法随之出现，它作为算法工具具有创新性与高
效性，适应了数值优化问题的求解奠定了坚实的基础．
进化计算技术属于人工智能技术，它主要是通过对自
然界生物进化过程及机制的模拟，以此实现了对相关问题
的求解，其具有自组织、自适应与自学习的特点．进化算法是
由生物学知识逐渐发展而来的，即：生物种群的优胜劣汰、
遗传变异等，在此过程中生命个体对环境的适应力不断在增强．通过国内外学者的不断探索与研究，进化算法及其相
关的计算智能方法日渐丰富，其中进化数值优化算法吸引
了众多学者的目光［３］．
与传统优化算法相比，进化算法具有一定的特殊性，其
优势显著，主要表现在以下几方面：处理对象为编码，通过
编码操作，使参数集成为个体，进而利于实现对结构对象的
直接操作；便于获得全局最优解，借助进化算法，可对群体
中的多个个体进行同时处理，从而提高了计算准确性，降低
了计算风险性；不需要连续可微要求，同时可利用随机操作
与启发式搜索，从而保证了搜索的明确性与高效性，在此基
础上，它在各个领域的应用均取得了显著的成效，如：函数
优化、自动控制、图像处理等．但进化算法也存在不足，主要
表现为其选择机制仍为人工选择，在实际问题处理过程中，
难以发挥指导作用；同时，局部搜索能力相对较差，难以保
证解的质量［４］．
为了弥补进化算法的不足，相关学者通过研究提出了
新型计算智能方法，具体包括免疫进化算法，它主要是利用
自然免疫系统功能获得的，此方法在数据处理、故障诊断等
方面均扮演着重要的角色；Ｍｅｍｅｔｉｃ算法属于混合启发式搜
索算法，其利用了不同的搜索策略，从而保证了其应用效
果；群智能算法主要分为两种，一种为蚁群算法，另一种为
粒子群算法，前者可用于多离散优化问题方面；后者主要利
用迭代从而获取了最优解，由于其具有简便性与实用性，因
此其应用较为广泛；协同进化算法作为新型进化算法，其分
析了种群与环境二者间的关系，并对二者进化过程中的协
调给予了高度关注［５］．
１．２协同进化算法
收稿日期：2016-05-23基金项目：广东省教育研究院课题项目（GDJY-2015_F-b057）；茂名市青年名师培养项目成果传统优化算法协同进化算法
简化问题无法简化复杂的问题.简化问题，利用分解分解问题等方式，对复杂问题的简化，从而实现求解.
兼容性相对简单，算法相对独立.兼具了不同优点，发挥了不同搜索算法的作用，保证了种群间的有效协同进化.
应用领域应用领域相对独立.适应了各领域的需求，在各个领域均涉及协同思想.表一协同进化算法与传统优化算法的对比
在数值优化领域中应用协同进化算法，相关的研究成
果主要体现在无约束优化、约束优化与多目标优化等方面．在第一类问题方面．对于进化算法而言，其经典的应用领域
便是无约束数值优化，经过不断实际，此技术的应用日渐成
６－－DOI:10.13398/j.cnki.issn1673-260x.2016.17.003熟，但在问题规模不断增大基础上，其应用难度日渐增加，
因此，学者纷纷关注高维无约束数值优化问题，经研究提出
了相应的算法，如：合作型协同进化遗传算法，组织优化算
法；在第二类问题方面，随着进化算法应用的日渐广泛，相
关的约束优化进化算法也具有了丰富性与多样性，如：罚函
数法、分离约束与目标算法、各种混合算法等；在第三类问
题方面，在进化计算领域中进化多目标优化逐渐成为了研
究了焦点，通过不断努力，国外学者提出了捕食者－猎物模
型、竞争协同进化模型、合作协同进化模型等［６］．
目前，关于协同进化算法的概念缺少统一性与严谨性，
为了对其进行准确的界定，应对其展开深入的研究与探讨，
并将其用于实际问题，以此验证其有效性与可行性．
2协同进化数值优化算法的应用２．１求解无约束优化问题
对于高位无约束数值优化问题而言，在实际解决过程
中应充分发挥协同进化与精英策略的作用，不仅要利用Ｍ－
精英协同算法，还要构建Ｍ－精英协同进化模型．ＭＥＣＡ算
法具有较高的适应度，满足了不同个体群的需求，其在整个
种群进化中扮演着重要的角色，此算法对整个种群进行了
划分，如：精英种群与普通种群，并由核心精英对成员进行
选取，此后组建相应的团队，如果选择的成员为精英，则可
利用所定义的协作操作来交换该成员和核心精英间的信
息，如果选择的成员来自于普通种群，此时核心精英则要对
其展开引导操作，其中涉及的写作操作与引导操作定义是
通过不同类型的交叉或变异算子的组合而实现的．通过理论
分析可知，全局最优解为算法中的概率为１，经过测试显示，
此算法对全体测试函数而言，均可获取最优解［７］；同时，将
其与传统进化算法、其他协同进化算法进行比较，在适应度
函数评价次数相同前提下，此算法具有较高的精度、较短的
寻优时间、较低的参数敏感性，因此，它可广泛应用于实践［８］．
２．２求解约束优化问题
在约束优化问题中利用协同进化算法，其基础为Ｍ－精
英协同进化模型，此后需要借助正交交叉算子、静态罚函数
法等，以此保证了Ｍ－精英协同进化算法作用的充分发挥．
在实际应用中，采用１３各约束优化测试函数，经仿真实验
与参数分析，其结果显示改进Ｍ－精英协同进化算法优点众
多，如：较高的精度、较短的寻优时间及较好的稳定性等，它
与经典约束优化进化算法及协同进化算法相比，性能显著，
同时也实现了对各类约束优化问题有效解决．
２．３求解多目标优化问题
在Ｍ－精英协同进化的影响下，利用非支配邻近选择机
制，针对多目标优化问题，提出了费支配紧邻协同进化多目
标优化算法，即：ＮＮＣＡ，此算法结合费支配种群的拥挤距
离，对其进行了划分，分别为精英种群与普通种群，前者拥
挤距离相对较大，主要是由非支配个体构成的，在其区域内
个体分布稀疏程度与组建团队的机会呈负相关，前者越稀
疏，后者机会越大，其成员也越多，进而利于提高对区域搜
索的全面性，但如果非支配个体过少，则会造成搜索停滞，
为了避免此问题的出现，ＮＮＣＡ借助了精神规模保障机制．
在不同机制共同作用下，进一步增强了算法的搜索能力与
收敛性．此后，对多目标优化问题进行测试，其结果表明，与
其他算法相比，ＮＮＣＡ优势显著，主要表现在最优解的宽广
性与逼近性方面［９］．２．４在不同领域的应用
在通信系统中，对实时性有着较高的要求，为了适应系
统发展的需求，应积极解决系统中最大似然检测算法过于
复杂的问题，经过不断的探索与研究，对相关算法进行了优
化，以此降低了算法的复杂度、提高了其性能．在通信系统信
号检测中主要利用Ｍ－精英进化算法，为了保证该算法的有
效性，采用了经典背包问题仿真试验，其结果为与传统检测
算法相比，Ｍ－精英进化算法促进了系统性能的提高．在仿真
实验过程中，选择了６０个物品的背包问题，利用上述算法，
实现了组合优化问题的有效解决，因此，在实践中可将其进
行推广与应用，如：将其用于ＣＤＭＡ系统中，以此解决多用
户检测问题．
在卫星模块布局设计中，制约设计水平提高的核心为
求解带平衡约束的圆形Ｐａｃｋｉｎｇ问题，为了有效解决此问
题，应充分发挥Ｍ－精英协同进化算法的作用．在实际处理
过程中，利用静态罚函数方法，对问题进行转变，使其由约
束问题转变为无约束问题，同时为了验证此算法解决实际
问题的能力，可利用不同的工程设计优化问题，如：Ｓｐｒｉｎｇ
Ｄｅｓｉｇｎ、ＳｐｅｅｄＲｅｄｕｃｅｒＤｅｓｉｇｎ等，此后对其进行测试，其结
果显示该算法实现了复杂问题的有效处理，并且保证了布
局设计的质量，同时其花费的时间相对较少［１０］．
3总结综上所述，协同进化机制具有积极的意义，为了充分发
挥其作用，文章介绍了协同进化数值优化算法的应用，在明
确进化算法、协同进化算法相关内容的基础上，探讨了不同
算法在无约束优化、约束优化、多目标优化及相关领域的应
用，相信在各类复杂问题有效解决基础上，各领域将获得更
加稳定与有序的发展．
———————————————————
参考文献：
〔1〕张运凯,王方伟,张玉清.协同进化遗传算法与应用[J].计
算机工程,2004（15）.
〔2〕H.Chen,K.P.Wong,D.H.M.Nguyen,andC.Y.
Chung,“Analyzingoligopolyelectricitymarketusing
coevolutionarycomputation,”IEEETrans.PowerSyst.,
vol.21,no.1,pp.143–152,Feb.2006.
〔3〕李碧,林土胜.协同进化在遗传算法中的应用述评[J].计算
机科学，2009(04).
〔4〕陈鹏.基于极值动力学的MEMETIC算法及其在非线性
预测控制中的应用研究[D].上海交通大学,2011.
〔5〕刘伟，赵丹，孙宏伟.基于新型Memetic算法的多目标优
化[J].吉林大学学报,2012（03）.
〔6〕邓武.基于协同进化的混合智能优化算法及其应用研究
[D].大连海事大学,2012.
〔7〕刘朝华.混合免疫智能优化算法研究及其在复杂系统中
的应用[D].湖南大学,2012.
〔8〕吕琳.结合学习策略的粒子群优化算法及应用研究[D].西
安电子科技大学,2013.
〔9〕丁建立，陈增强，袁著祉.智能仿生算法及其网络优化中
的应用研究进展[J].计算机工程与应用,2003（04）.
〔10〕程军.基于生物行为机制的粒子群算法改进及应用[D].
华南理工大学,2014.７－－
多智能体系统中的协同控制算法优化分析
多智能体系统中的协同控制算法优化分析
摘要：
随着多智能体系统的广泛应用，协同控制算法在该领域的重要性日益突出。本文从协同控制算法的优化角度出发，探讨了在多智能体系统中应用的几种常见优化方法，并分析了它们的优劣势。通过对离散控制算法、分布式控制算法以及强化学习算法的比较，我们理解了各种算法优化的特点和适用场景，为未来多智能体系统中的协同控制提供了有益的参考。
1. 引言
多智能体系统是由多个智能体组成的系统，智能体之间相互协作以完成特定任务。协同控制算法作为多智能体系统中的核心，起着决定系统整体性能的关键作用。我们所关注的焦点就是如何优化多智能体系统中的协同控制算法，以提高系统的效率和鲁棒性。
2. 离散控制算法的优化
离散控制算法是最基础也是最常见的协同控制算法之一。它通过离散化智能体的决策空间，将问题转化为在离散空间中的优化问题。在离散控制算法中，常用的优化方法有遗传算法、粒子群优化算法以及模拟退火算法。
2.1 遗传算法
遗传算法是一种通过模拟生物进化过程来寻找最优解的优化方法。它通过随机生成初始种群，利用选择、交叉和变异等操作来不断迭代，直到达到最优解或者满足停止准则。遗传算法在多智能体系统中的优点在于能够在搜索过程中考虑到全局信息，从而更好地找到全局最优解。然而，由于遗传算法需要对大量个体进行计算，其计算复杂度较高，不适用于实时性要求较高的多智能体控制系统。
2.2 粒子群优化算法
粒子群优化算法是基于种群智能的优化算法，通过模拟鸟群的觅食行为来搜索最优解。在粒子群优化算法中，每个个体（粒子）通过与邻近个体进行信息交流来调整其搜索方向和速度。粒子群优化算法具有计算速度快、易于实现的特点，适用于实时性要求较高的多智能体控制场景。然而，粒子群优化算法容易陷入局部最优解，对全局最优解的搜索能力较弱。
2.3 模拟退火算法 模拟退火算法是一种基于模拟金属退火过程的全局优化算法。它通过接受较差解的概率来避免陷入局部极值，从而提高搜索的全局能力。模拟退火算法相比于遗传算法和粒子群优化算法，具有更好的全局搜索能力，但计算复杂度较高。
基于决策树的协同进化分类算法研究
- 1 - 基于决策树的协同进化分类算法研究
随着互联网和人工智能技术的快速发展，数据量和数据维度的不断增长，传统的分类算法已经无法满足实际需求。因此，基于决策树的协同进化分类算法应运而生。本文将从以下几个方面对该算法进行详细介绍。
一、算法原理
基于决策树的协同进化分类算法是一种基于遗传算法和决策树相结合的分类算法。该算法将遗传算法应用于特征选择，通过选择最优的特征子集，可以提高决策树分类器的分类准确率。同时，该算法还利用了决策树的特点，将分类问题转化为决策问题，从而更好地解决了高维数据分类问题。
具体来说，该算法的流程如下：
1. 初始化种群：将特征集合看作染色体，初始化一个由多个染色体组成的种群。
2. 评价适应度：对每个染色体进行分类，计算其分类准确率作为适应度。
3. 选择操作：根据适应度选择优秀的染色体，作为下一代的父代。
4. 变异操作：对父代进行变异操作，引入新的特征，增加染色体的多样性。
5. 交叉操作：对父代进行交叉操作，产生新的子代。
6. 评估子代适应度：对子代进行分类，计算其分类准确率作为 - 2 - 适应度。
7. 选择新种群：根据适应度选择优秀的子代，作为下一代的种群。
8. 终止条件：达到预设的迭代次数或者满足预设的准确率要求。
二、实验结果
为了验证基于决策树的协同进化分类算法的有效性，我们在多个数据集上进行了实验。实验结果表明，该算法相比传统的分类算法，在分类准确率和特征选择效果上都有一定的提升。
例如，在Iris数据集上，该算法的分类准确率达到了98.7%，相比传统的决策树算法提高了2.6%。在Breast Cancer数据集上，该算法的分类准确率达到了96.5%，相比传统的决策树算法提高了1.5%。同时，该算法在特征选择方面也表现出了优异的效果，在保持较高的分类准确率的同时，选择的特征数目较少，提高了分类器的效率。
基于协进化策略的改进差分进化算法及应用
基于协进化策略的改进差分进化算法及应用
改进差分进化算法是近年来优化算法研究中的一个热点。差分进化算法是一种高效的全局优化算法，在解决实际问题中具有广泛的应用前景。然而，由于种群多样性不足、算法收敛速度慢等问题导致其求解效率并不高。因此，如何提高差分进化算法的求解效率一直是研究者关注的问题。
基于协进化策略的改进差分进化算法是一种新型的进化算法。协进化策略是一种种群演化策略，它将个体与其周围的邻居协同进化，以增加种群的多样性和自适应性。基于协同进化策略的差分进化算法，通过引入邻域操作和群体操作，提高了算法的全局搜索能力和局部搜索能力。
1. 初始化种群，在种群中随机生成一些个体作为种群的起始点。
2. 利用差分进化算法进行个体的进化，并通过基于适应值的群体选择策略选择出最好的个体。
3. 在选出的个体周围建立邻域，并利用协同进化策略，将邻域内的个体加入群体中进行协同进化。
4. 通过交叉和变异操作，更新协同进化群体中的个体，并根据适应值的大小确定，部分个体将进入下一代，来保持种群多样性和适应性。
5. 判断是否满足终止条件，若满足则输出结果，否则返回第二步，并重复迭代至终止条件满足。
相对于传统的差分进化算法，基于协进化策略的改进差分进化算法具有以下优点：
1. 提高了种群的多样性，通过协同进化，更好地利用种群中的信息，避免了算法收敛于某个局部最优解。
3. 提高了算法的全局搜索能力和局部搜索能力，通过邻域内的个体协同进化策略，更好地平衡了算法的全局搜索和局部搜索。
在实际应用中，基于协进化策略的改进差分进化算法具有广泛的应用前景。例如，可以应用于电力负荷预测、电力市场竞价等问题的优化求解。此外，基于协进化策略的改进差分进化算法也可以应用于其他机器学习问题的优化求解。总之，基于协进化策略的改进差分进化算法是一种新型的优化算法，其具有很好的优化求解效果和广泛的应用前景。
M-精英协同进化数值优化算法
M-精英协同进化数值优化算法
慕彩红;焦李成;刘逸
【期刊名称】《软件学报》
【年(卷),期】2009(020)011
【摘 要】The M-elite coevolutionary algorithm (MECA) is proposed for
high-dimensional unconstrained numerical optimization problems based
on the concept of coevolutionary algorithm and elitist strategy. In the
MECA, the individuals with high fitness, called elite population, is
considered to play dominant roles in the evolutionary process. The whole
population is divided into two subpopulations which are elite population
composed of M elites and common population including other individuals,
and team members are selected to form M teams by M elites acting as the
cores of the M teams (named as core elites) respectively. If the team
member selected is another elite individual, it will exchange information
with the core elite with the cooperating operation defined in the paper; If
举例说明协同进化
协同进化
1. 引言
协同进化是指在生物进化中，不同物种之间通过相互作用和相互适应来共同演化的过程。这种协同进化可以在各个生态系统中观察到，从微观的共生关系到宏观的生态系统演替，都存在着协同进化的现象。本文将介绍协同进化的概念、机制和在不同领域中的实际应用。
2. 协同进化的概念
协同进化是指不同物种之间通过相互作用和相互适应来共同演化，以适应环境变化或者提高自身竞争力的过程。这种演化可以是相互促进的，也可以是相互制约的。协同进化可以在多个层次上发生，包括个体水平、群体水平和生态系统水平。
3. 协同进化机制
3.1 共生关系
共生关系是一种最常见的协同进化机制。它指的是两个或多个物种之间通过相互依赖而存在，并且彼此获益或者至少一个物种从中受益而另一个物种不受损害的关系。共生关系可以分为互利共生和寄生共生两种类型。
互利共生是指两个物种之间通过相互合作而获益的关系。例如，蜜蜂和花朵之间的关系就是一种互利共生。蜜蜂通过采集花朵上的花粉和蜜来获取食物，而在采集过程中，它们会将花粉传播到其他花朵上，促进了植物的繁殖。
寄生共生是指一种物种从另一种物种身上获取营养或者其他资源，而被寄主物种损害或者不受益的关系。例如，寄生虫通过寄生在宿主身上获取营养而使宿主受到伤害。
3.2 逃避机制
逃避机制是指一种物种对另一种物种的攻击或捕食行为做出反应以避免被捕食或者受到伤害。这些逃避机制可以包括行为、形态和生理等方面。
例如，某些昆虫在受到捕食者追赶时会展开翅膀并迅速飞走，以逃离捕食者的追捕。另外，一些动物会采用保护色来融入环境中，使得它们更难以被捕食者发现。
3.3 拟态
拟态是指一种物种通过模仿其他物种的形态、行为或者声音等特征来欺骗潜在的捕食者或者猎物。这种机制可以使得模仿者能够获得某种优势，例如避免被捕食或者更容易捕获猎物。 一个典型的例子是蝴蝶和毒蛇之间的拟态关系。某些蝴蝶具有与毒蛇相似的花纹和颜色，这使得它们在受到威胁时能够模仿毒蛇并吓退潜在的捕食者。
项目优化调度的病毒协同进化遗传算法
项目优化调度的病毒协同进化遗传算法
文件排版存档编号：[UYTR-OUPT28-KBNTL98-UYNN208]
项目优化调度的病毒协同进化遗传算法胡仕成1+, 徐晓飞1, 李向阳2
1(哈尔滨工业大学 计算机科学与技术学院,黑龙江 哈尔滨 150001)
2(哈尔滨工业大学 管理学院,黑龙江 哈尔滨 150001)
A Virus Coevolution Genetic Algorithm for Project Optimization
Scheduling
HU Shi-Cheng1+, XU Xiao-Fei1, LI Xiang-Yang2
1(School of Computer Science and Technology, Harbin Institute of
Technology, Harbin 150001, China)
2(School of Management, Harbin Institute of Technology, Harbin 150001,
China)
+ Corresponding author: Phn: +86-451-6419787, E-mail, 2002-11-12;
Accepted 2003-03-24
Hu SC, Xu XF, Li XY. A virus coevolution genetic algorithm for
project optimization scheduling. Journal of Software,
2004,15(1):49~57.
Supported by the National High-Tech Research and Development
Plan of China under Grant , 2001AA414 010 (国家高技术研究发展计划(863)); the Key Science-Technology Project of the National ‘Tenth
基于博弈论的协同进化算法
基于博弈论的协同进化算法：一种新的计算方法
摘要：博弈论是数学分析的方法，用于开发研究决策过程的。1928年，冯·诺依曼在数学上证明，每两个人，在zero sum那个游戏里，许多每个玩家纯的有限的策略是确定性。 在50年代早期，纳什提出了另一个概念，作为推广冯·诺依曼理论的基础。博弈论另外一个主要成就就是引入演化博弈论，即媒介可以在缺乏合理性的情况下，采用最优战略。根据达尔文选择过程，媒介的人口数可以进化到由梅纳德·史密斯在1982年提出的进化稳定策略。为了跟上游戏理论研究的步伐，希利斯试用了第一台计算机的模拟进化。此外，考夫曼提出了NK模型，分析不同物种之间的协同进化动力学。他展示了协同进化的现象如何达到静止状态，这些状态是在博弈论中不是纳什的论均衡亦是ESS。
由于涉及共同进化现象的研究已发起，因此，已经很有很多其他研究人员在进行协同进化算法的研究。在这篇文章中，我们提出了一个新的协同进化算法，它是基于协同进化算法（GCEA）的，那就是博弈论。我们认为，通过搜索EES, 这种算法可以解决进化问题。我们解决了几个测试多目标优化问题（MOPS）用以评估此新的方法。从这些评估的结果，我们可以证实，进化博弈可由共同进化算法来实施。而且，通过比较我们的算法与其他进化算法的性能，分析出我们的性能较优化。
第一部分 简介
博弈论被分成两大类，合作与不合作。非合作博弈论的目的，是充分说明合作以及不合作。因此在本文中，我们将非合作博弈理论作为关注的焦点，在1928年，冯·诺依曼已经奠定了非合作博弈论。同时，在1951年，纳什提出了另一个概念，作为概括冯·诺依曼理论的基础。在他的文章中，双人游戏的解决方案对于战略的最低要求就是候选人，作为一个对战略的最低要求是对两个人的游戏解决方案的候选人，他建议每个策略都要给对方最好的答复。这样一对策略，这是纳什均衡，成为现代化的基础非合作博弈论。
由于纳什均衡提出的非合作博弈的解决方案，因此寻求博弈均衡的研究已经开始了。在这些研究中，演化博弈论被看作是当特殊表型取决于人口频率变化是，研究表型水平变化的一种方式。列万廷第一次明确地应用博弈论在进化生物学。他的做法是寻求尽量减少物种灭绝可能性的策略，但是，是一个图片物种游戏，违反了自然规律。Slobodkin和拉波波特也进行了类似的研究。同时，汉密尔顿寻求一个无与伦比的战略，这个战略与梅纳德·史密斯和普赖斯定义的进化稳定策略（ESS）基本相同。
协同进化遗传算法在减压阀优化配置中的应用
Ｖｏ１．４２ Ｎｏ．１ ３６ 计算机与数字工程 Ｃｏｍｐｕｔｅｒ＆Ｄｉｇｉｔａｌ Ｅｎｇｉｎｅｅｒｉｎｇ 总第２９１期 ２０１４年第１期
协同进化遗传算法在减压阀优化配置中的应用
黄钢 金涛。周泽渊
（Ｉ．９２２４６部队上海２０１９００）（２．海军工程大学动力工程学院武汉４３００３３）
摘要漏损管理中，为了取得更好的经济效益和控制效果，需要将减压阀配置在最优的位置及最优的开度。针对供 水管网漏损管理问题，研究了减压阀优化配置问题，提出了减压阀的漏损管理优化控制数学模型，应用协同进化遗传算法， 对算例管网进行了数值仿真，验证了方法的有效性。 关键词 管道运输；漏损管理；优化控制；协同进化遗传算法 中图分类号Ｕ１７３．４；ＴＰ２７３ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ１６７２—９７２２．２０１４．Ｏ１．０１１
Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ＣＯ－Ｅｖｏｌｕｔｉｏｎａｒｙ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ
ｉｎ Ｏｐｔｉｍａｌ Ｐｒｅｓ ｓｕｒｅ Ｒｅｄｕｃｉｎｇ Ｖａｌｖｅ Ｐｌａｃｅｍｅｎｔ
ＨＵＡＮＧ Ｇａｎｇ ＪＩＮ Ｔａｏ ＺＨＯＵ Ｚｅｙｕａｎｚ （１．Ｎｏ．９２２４６ Ｔｒｏｏｐｓ ｏｆ ＰＬＡ，Ｓｈａｎｇｈａｉ ２０１９００） （２．Ｓｃｈｏｏｌ ｏｆ Ｐｏｗｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎａｖａｌ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｗｕｈａｎ ４３００３３）
Ａｂｓｔｒａｃｔ Ｉｎ ｌｅａｋａｇｅ ｃｏｎｔｒｏｌ ｐｒｏｂｌｅｍｓ，ｐｒｅｓｓｕｒｅ ｒｅｄｕｃｉｎｇ ｖａｌｖｅ ｓｈｏｕｌｄ ｂｅ ｐｌａｃｅｄ ａｔ ｏｐｔｉｍａｌ ｌｏｃａｔｉｏｎ ａｎｄ ｏｐｔｉｍａｌ ｏｐｅｎｉｎｇ ｉｎ ｏｒｄｅｒ ｔＯ ｇｅｔ ｂｅｔｔｅｒ ｅｃｏｎｏｍｙ ａｎｄ ｃｏｎｔｒｏｌ ｅｆｆｅｃｔ．Ａｉｍｉｎｇ ａｔ ｌｅａｋａｇｅ ｍａｎａｇｅｍｅｎｔ ｐｒｏｂｌｅｍｓ，ｐｒｅｓｓｕｒｅ ｒｅｄｕｃｉｎｇ ｖａｌｖｅ ｏｐｔｉｍａｌ ｉｓ ｓｔｕｄｉｅｄ．Ｍａｔｈｅｍａｔｉｃａｌ ｍｏｄｅｌ ｉｓ ｐｒｅｓｅｎｔｅｄ ｆｏｒ ｌｅａｋａｇｅ ｍａｎａｇｅｍｅｎｔ ｏｐｔｉｍａｌ ｃｏｎｔｒｏｌ，ａｎｄ ｎｕｍｅｒｉｃａｌ ｓｉｍｕｌａｔｉｏｎ ｉｓ ｃａｒｒｉｅｄ ｏｕｔ ｂａｓｅｄ ｏｎ ＣＯ－ｅｖｏｌｕｔｉｏｎａｒｙ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ．Ｔｈｅ ｒｅｓｕｌｔｓ ｄｅｍｏｎｓｔｒａｔｅ ｔｈｅ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ｏｆ ｔｈｅ ｍｅｔｈｏｄ ｐｒｏｐｏｓｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ． Ｋｅｙ Ｗｏｒｄｓ ｐｉｐｅ ｔｒａｎｓｐｏｒｔａｔｉｏｎ，ｌｅａｋａｇｅ ｍａｎａｇｅｍｅｎｔ，ｏｐｔｉｍｉｚａｔｉｏｎ ｃｏｎｔｒｏｌ，ＣＯ－ｅｖｏｌｕｔｉｏｎａｒｙ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ Ｃｌａｓｓ Ｎｕｍｂｅｒ Ｕｌ７３．４：ＴＰ２７３
改进的多学科协同优化算法及其应用
总第２９１期 ２０１４年第１期 计算机与数字工程 Ｃｏｍｐｕｔｅｒ＆Ｄｉｇｉｔａｌ Ｅｎｇｉｎｅｅｒｉｎｇ Ｖｏ１．４２ Ｎｏ．１ ６５
改进的多学科协同优化算法及其应用
周奇 张立丽。许辉 黄卫刚
（１．中国舰船研究设计中心武汉４３００６４）（２．江苏自动化研究所连云港２２２００６）
摘要多学科优化设计（ＭＤＯ）是当前复杂系统工程设计中研究最活跃的领域。分析了标准多学科协同优化算法解 决实际复杂ＭＤＯ问题计算困难的原因，提出了基于试验设计的近似模型和智能优化的协同优化算法（ＮＣＯ）。ＮＣＯ算法 继承了标准协同优化分布并行的思想，采用现代智能算法优化系统级减小优化陷入局部解的可能性，以试验设计为基础的 高精度近似模型代替学科真实模型降低计算成本，平滑数值噪声。通过经典ＭＤＯ测试算例与Ａｌｅｘａｎｄｒｏｖ提出的改进松 弛协同优化比较，优化结果表明，ＮＣＯ能有效提高收敛速率，保证收敛结果的稳定性和可靠性，能更好地满足复杂系统工程 优化需要。 关键词协同优化；智能算法；试验设计；近似模型
中图分类号ＴＰ３０１．６；０２２４ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ１６７２－９７２２．２０１４．０１．０１８
Ａｎ Ｉｍｐｒｏｖｅｄ Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｏｐｔｉｍｉｚａｔｉｏｎ
ＺＨＯＵ ０ｉ ＺＨＡＮＧ Ｌｉｌｉ。ＸＵ Ｈｕｉ ＨＵＡＮＧ Ｗｅｉｇａｎｇ （１．Ｃｈｉｎａ Ｓｈｉｐ Ｄｅｖｅｌｏｐｍｅｎｔ ａｎｄ Ｄｅｓｉｇｎ Ｃｅｎｔｅｒ，Ｗｕｈａｎ ４３００６４） （２．Ｊｉａｎｇｓｕ Ａｕｔｏｍａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ，Ｌｉａｎｙｕｎｇａｎｇ ２２２００６）
Ａｂｓｔｒａｃｔ ＭＩ＇￣（ｍｕｌｔｉｄｉｓｃｉｐｌｉｎａｒｙ ｄｅｓｉｇｎ ｏｐｔｉｍｉｚａｔｉｏｎ）ｉｓ ｔｈｅ ｍｏｓｔ ａｃｔｉｖｅ ｒｅｓｅａｒｃｈ ａｒｅａ ｉｎ ｃｕｒｒｅｎｔ ｃｏｍｐｌｅｘ ｓｙｓｔｅｍ ｅｎｇｉ— ｎｅｅｒｉｎｇ．Ｒｅａｓｏｎｓ ｏｆ ｔｈｅ ｄｅｆｅｃｔｓ ｏｆ ｔｒａｄｉｔｉｏｎａｌ ｃｏｌｌａｂｏｒａｔｉｖｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｔｏ ｓｏｌｖｅ ｔｈｅ ｃｏｍｐｌｅｘ ｍｕｌｔｉｄｉｓｃｉｐ１ｉｎａｒｙ ａｒｅ ａｎａｌｙｚｅｄ ａｎｄ ａ ｎｅｗ ｃｏｌｌａｂｏｒａｔｉｖｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｂａｓｅｄ ｏｎ ａｐｐｒｏｘｉｍａｔｉｏｎ ｍｏｄｅｌｓ ａｎｄ ｉｎｔｅｌｌｉｇｅｎｔ ｏｐｔｉｍｉｚａｔｉｏｎ ｍｅｔｈｏｄｓ ｉｓ ｐｒｏｐｏｓｅｄ．Ｉｎｔｅｌｌｉ— ｇｅｎｔ ｏｐｔｉｍｉｚａｔｉｏｎ ｍｅｔｈｏｄｓ ｈｅｌｐ ｔＯ ｒｅｄｕｃｅ．ｔｈｅ ｐｏｓｓｉｂｉｌｉｔｙ ｏｆ ｆａｌｌｉｎｇ ｉｎｔｏ ａ ｌｏｃａｌ ｓｏｌｕｔｉｏｎ．Ｍｅａｎｗｈｉｌｅ，ｈｉｇｈ ｐｒｅｃｉｓｉｏｎ ａｐｐｒｏｘｉｍａ— ｔｉｏｎ ｍｏｄｅｌｓ ｒｅｌｉｅｄ ｏｎ ｄｅｓｉｇｎ ｏｆ ｅｘｐｅｒｉｍｅｎｔｓ ａｌｓｏ ｉｍｐｒｏｖｅ ｃｏｎｖｅｒｇｅｎｃｅ ｒａｔｅ ａｎｄ ｓｍｏｏｔｈ ｔｈｅ ｎｕｍｅｒｉｃａｌ ｎｏｉｓｅ．Ｃｌａｓｓｉｃ ｅｘａｍｐｌｅ ｉｓ ａｄｏｐｔｅｄ ｔｏ ｔｅｓｔ ｔｈｅ ｎｅｗ ｃｏｌｌａｂｏｒａｔｉｖｅ ｏｐｔｉｍｉｚａｔｉｏｎ．Ｒｅｓｕｌｔｓ ｓｈｏｗｓ ｔｈａｔ ｔｈｅ ｎｅｗ ｃｏｌｌａｂｏｒａｔｉｖｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｃａｎ ｅｆｆｅｃｔｉｖｅｌｙ ｉｍ— ｐｒｏｖｅ ｔｈｅ ｒａｔｅ ｏｆ ｃｏｎｖｅｒｇｅｎｃｅ，ｔｈｅ ｓｔａｂｉｌｉｔｙ ａｎｄ ｒｅｌｉａｂｉｌｉｔｙ ｏｆ ｔｈｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｒｅｓｕｌｔｓ．Ｍｅａｎｗｈｉｌｅ，ｔｈｅ ｐｒｅｓｅｎｔｅｄ ｍｅｔｈｏｄ ｉｓ ｂｅｔｔｅｒ ｔｏ ｍｅｅｔ ｔｈｅ ｎｅｅｄｓ ｏｆ ｔｈｅ ｃｏｍｐｌｅｘ ｓｙｓｔｅｍ ｅｎｇｉｎｅｅｒｉｎｇ． Ｋｅｙ Ｗｏｒｄｓ ｃｏｌｌａｂｏｒａｔｅ ｏｐｔｉｍｉｚａｔｉｏｎ，ｉｎｔｅｌｌｉｇｅｎｔ ｏｐｔｉｍｉｚａｔｉｏｎ，ｄｅｓｉｇｎ ｏｆ ｅｘｐｅｒｉｍｅｎｔｓ，ａｐｐｒｏｘｉｍａｔｉｏｎ ｍｏｄｅｌｓ ＣＩａｓｓ Ｎｕｍｂｅｒ ＴＰ３０１．６；０２２４
变种群规模合作型协同进化遗传算法及其在优化中的应用
变种群规模合作型协同进化遗传算法及其在优化中的应用
孙晓燕;巩敦卫
【期刊名称】《控制与决策》
【年(卷),期】2004(19)12
【摘 要】分析合作型协同进化遗传算法的进化效率和计算复杂性等与子种群规模的关系;在此基础上提出子种群规模自适应调整算法的思想,给出子种群规模调整的依据和调整方法;进而提出基于实数编码的变焦遗传算法.典型函数优化实例验证了该算法具有计算复杂性小和进化效率高的优点.
【总页数】4页(P1437-1440)
【关键词】合作型协同进化;遗传算法;变种群规模;变焦
【作 者】孙晓燕;巩敦卫
【作者单位】中国矿业大学信息与电气工程学院
【正文语种】中 文
【中图分类】TP18
【相关文献】
1.基于蜜蜂双种群进化型云自适应遗传算法的电力系统多目标无功优化 [J], 周海忠;周步祥;何春渝;周岐杰;彭章刚;王精卫
2.病毒协同进化遗传算法在自动化立体仓库货位优化中应用的研究 [J], 王厅长;邱建东;商庆健;刘亚丽
3.协同进化遗传算法在减压阀优化配置中的应用 [J], 黄钢;金涛;周泽渊 4.灾变合作型协同进化遗传算法及其在Job Shop调度中的应用 [J], 程俊;顾幸生
5.灾变合作型协同进化遗传算法及其在Job Shop调度中的应用 [J], 程俊; 顾幸生
因版权原因，仅展示原文概要，查看原文内容请购买