导读:本文包含了协同进化算法论文开题报告文献综述及选题提纲参考文献，主要关键词:协同进化,降维,散斑条纹,浓度抑制
协同进化算法论文文献综述
李学哲,孙文卿,崔国增[1]（2019）在《协同进化算法在散斑条纹角点识别中的应用》一文中研究指出介绍激光散斑干涉位移测量原理以及基于该测量方法的重定位系统,提出用于识别条纹信息的协同进化算法。采用线性降维法大幅降低搜索难度,并详细研究针对条纹角点协同算法的亲和度计算、抗体浓度控制和克隆选择、交叉及变异操作等方法。该算法可实时精确提取条纹中心线,并识别条纹数、条距和条角信息。研究表明将上述测量信息应用于移动控制平台,能够满足高精度重定位要求。(本文来源于《计算机应用与软件》期刊2019年10期）
严丽娜,吴军[2]（2019）在《动态种群规模协同进化算法求解多目标投资组合优化问题》一文中研究指出为了解决仅含预算约束的投资组合优化模型,提出一种基于种群密度的多目标协同进化算法.算法采用种群竞争的策略自适应的产生不定规模的种群,避免了固定种群规模的缺点.在进化过程中每个种群都会参考自身的最优个体以及竞争种群对自身的影响,超级个体集合存储进化过程中产生的最优解,通过最优个体的引导使算法快速收敛至Pareto前沿.实验结果表明,与NSGA-2算法相比,提出的算法在稳定性和收敛性都有很好的表现,是一种有效的多目标进化算法.(本文来源于《数学的实践与认识》期刊2019年19期）
魏士伟[3]（2019）在《一种求解TSP问题的协同进化算法》一文中研究指出传统的遗传算法GA在求解TSP问题时容易出现早熟和陷入局部最优等现象。为此本文提出了一种基于协同进化的遗传算法(CEGA)用于解决GA算法的缺陷。该算法通过定义个体的适应度值和个体间的差异度值,将适应度值高和差异度大的个体分别放入2个不同的子群体。在进化过程中这2个子种群相互协同进化,既保证了种群向最优解的方向移动,又保持了种群的多样性。实验结果表明,本文所提出的算法在解决TSP问题时,具有收敛速度快、容易跳出局部最优等特点,相较其他GA算法具有更好的性能。(本文来源于《智能计算机与应用》期刊2019年05期）
何洋,黄龙,陈皓勇,尚金成,李鹏[4]（2019）在《基于协同进化算法的集中竞价市场模拟分析》一文中研究指出仿真实验是验证市场规则的有效手段,从国内电力市场的月度集中竞价规则出发,基于协同进化算法,对相应的统一出清和报价撮合出清进行对比分析。首先,提出一种基于策略集形式的协同进化机制,用于模拟真实市场下的购售电双方博弈竞争情况。其次,研究月度集中竞价相关规则,基于购电商和发电商各自利益最大化,重点对市场环境下统一出清模型和撮合出清模型进行对比分析,定量分析了市场中购售双方的博弈过程,从而求解市场仿真均衡。仿真结果表明,统一出清较撮合出清波动性更大,市场的出清情况与发电商和购电商的成本和效益函数有关。(本文来源于《浙江电力》期刊2019年07期）
陈园[5]（2019）在《处理LSGO问题的协同进化算法研究》一文中研究指出现实世界中大量工程问题和数值问题等都存在大量的决策变量,当决策变量超过1000维时,称之为大规模全局优化(Large Scale Global Optimization简称LSGO)问题,并且随着科技发展,越来越多的伴随着越来越多决策变量的LSGO问题需要解决。LSGO问题的难点在于“维度灾难”,维度的增加导致搜索空间成指数倍增长,导致传统进化算法在解决LSGO问题时失效。协同进化算法是有效处理LSGO问题的方法之一,其基于分而治之的思想使协同进化算法在处理LSGO问题有非常大的优势。协同进化算法的实现主要分为3步,首先将一个大规模问题分解为多个低维子问题;然后在其它维度的协作下,分别对每个低维子问题进行优化;最后合并所有子问题的解。现有解决LSGO问题的算法在进化过程中易出现早熟收敛,多样性丢失,导致进化停滞。这些现象主要是由于种群陷入局部最优,以至于种群中多个个体出现重迭,导致维度缺失。由于已有分组策略不分小组重要性,平分计算资源,导致算法无法提高搜索质量。针对上述问题,本文的主要工作和研究内容如下:(1)介绍LSGO问题的基本概念以及LSGO问题的可分性,由于协同进化算法需要对LSGO问题的决策变量分组,同时可以达到分割搜索空间的目的,可以大大降低问题难度。选择协同进化算法解决LSGO问题,分析对比协同进化算法中常用的几种分组策略,分别介绍几种分组策略的原理,并通过实验测试了各分组策略的分组效果。(2)针对进化算法在进化过程中将种群中个体引导至局部最优,导致进化停滞,维度缺失,研究一种基于维度缺失检测与恢复的协同进化算法。当算法在进化过程中出现“种群退化,进化停滞”现象时,利用主成分分析方法原理对种群中信息缺失的维度进行检测,并在种群中选择适应度较差个体在缺失维度上进行收缩扩张以达到恢复的效果。在算法中设计维度缺失检测算子和维度恢复算子,结合协同算法框架,目的在于减小维度缺失检测的复杂度。实验分析证明,该算法能够降低度缺失检测的复杂度,增加种群多样性,提高算法性能。(3)针对LSGO问题中决策变量对输出的不均匀贡献,算法将有限计算资源平分给每个子分量的不合理性,提出基于重要性与相关性度量的协同进化算法。首先利用灵敏度分析方法识别决策变量对问题的敏感程度,并且分析决策变量对问题的贡献,并依此衡量各决策变量重要性。根据变量重要性对变量进行分层,根据变量间相关性对各层变量指导分组,使分组后的小组组间无相关性,组内高相关性,并根据小组重要性分配计算资源,比传统单纯相关性分组表现更好,实验表明提出的算法在解决LSGO问题时有明显的优势。(本文来源于《南昌航空大学》期刊2019-06-01）
王琪,张国华,陆凤祥,孙慧,卞翔[6]（2019）在《协同学习差分进化算法及在双转向机构优化中的应用》一文中研究指出根据齐次坐标变换法推导了双转向机构转向分析数学模型,然后采用差分进化(DE)算法求解该模型。针对基本DE算法可能出现早熟或收敛速度慢的问题,提出一种基于协同学习机制的差分进化(CLDE)算法。该算法采用两个子种群,每个子种群采用不同的变异策略,利用局部极值判断机制确定早熟收敛种群;针对早熟收敛种群,利用精英种群映射策略向精英种群进行映射学习,实现子种群间的信息交流;若不存在精英种群,则在自身种群内采用自适应高斯扰动策略实现自我调整。函数测试结果表明,CLDE优化精度更高、速度更快、稳定性更好。将该算法用于机构优化问题,结果表明,与基本DE算法、随机变异差分进化算法(RMDE)、多种群自适应差分进化算法(ADEMP)相比,CLDE的最优适应度值分别降低13. 83%、8. 33%和6. 25%,且表现出了较好的稳定性和收敛性。(本文来源于《科学技术与工程》期刊2019年15期）
刘振,郭恒光,李伟[7]（2019）在《协同量子智能体进化算法及其性能分析》一文中研究指出针对当前量子进化算法的特点和不足,提出了一种分层协同进化的量子智能体进化算法.将种群个体视为以量子编码的智能体,采取叁级进化方法,在子种群之间进行个体交流,子种群内部进行个体竞争操作,个体内部能够进行局部调整,使得进化操作能够作用在不同的小生境范围内,增强了进化的粒度.利用不动点定理对所提算法的收敛性进行分析,结果显示,算法能够收敛到最优值.对多个基准函数进行仿真对比分析,该算法具有更好的收敛精度.(本文来源于《北京邮电大学学报》期刊2019年02期）
马永杰,朱琳,田福泽[8]（2019）在《基于精英种群策略的协同差分进化算法》一文中研究指出针对差分进化算法在处理函数优化时存在的过早收敛和易陷入局部最优的问题,提出了一种基于精英种群策略的协同差分进化算法。在优化过程中,首先对种群进行适应度值评估和排序,提取前N个优秀个体组成精英种群,其余个体随机分为3个等大的子种群,每个子种群采取不同的进化策略,以此来保证种群的多样性;然后每隔一定代数,根据新的适应度值更新精英种群和其余3个子种群,这样可以有效地避免算法陷入局部最优;最后,将所提出的算法与4个先进的差分进化算法在CEC2014的30个标准测试函数上进行对比实验。实验结果表明,所提出的算法能够有效提高收敛速度,具有较高的收敛精度和较好的优化性能。(本文来源于《计算机工程与科学》期刊2019年02期）
张峰[9]（2018）在《一种求解NP-难问题的并行协同大规模差分进化算法》一文中研究指出NP-难问题在实际生活中随处可见,随着问题规模的增大,维度的升高,优化问题的特性变得越来越复杂。为了有效解决大规模优化问题,新型大规模优化算法亟待提出。首先提出了一种求解NP-难问题的并行协同大规模差分进化算法,将高维度优化问题降解为多个低维度的子问题,进而能够获得更加准确的分组;其次,针对获得的维度分组,独立优化每个子问题,基于获得的维度分组,大大加快算法的运行速度。结果表明,与串行进化算法相比,并行协同差分进化算法能够获得更好的性能,同时随着核数的增加,并行协同进化算法的加速呈近线性增加,而其获得的解的质量却在下降,加速比的提高与解的质量提高存在着冲突。(本文来源于《宿州学院学报》期刊2018年11期）
王续永[10]（2018）在《多目标协同进化算法研究及其在投资组合中的应用》一文中研究指出在工程及科学研究领域中,存在许多复杂的优化问题,而这些优化问题一般会存在两个或两个以上相互制约的优化目标,对这些目标不能同时求解到最优的结果。因此,这些优化问题便成为优化领域的难题。由于进化算法是基于种群,模拟生物进化的算法,在一次运行后可以获得多个帕累托最优解,非常适合用于解决多目标优化问题,所以采用进化算法对多目标优化问题进行研究具有重要意义。本文主要工作是通过阅读大量的国内外相关文献,在认真学习多目标优化理论和进化算法理论基础上,对多目标进化算法进行深入研究。针对多目标优化问题和投资组合问题设计高效的求解策略,并对其进行相应的实验和理论分析。本论文的主要研究内容如下:首先,针对多目标优化问题,本文提出一个基于分解的多目标协同进化算法(A Novel Multi-objective Co-evolutionary Algorithm Based on Decomposition Approach,MCEA)。该算法提出一种动态资源分配策略,用于协同进化算法框架中。考虑到多目标优化问题每个目标的计算难度各不相同,那么优化这些目标所需的计算资源也就不同。因此,提出动态资源分配策略对计算资源进行合理分配。另外,由于差分进化操作DE具有较高的全局搜索能力,本文设计一个强有力的自适应DE选择算子运行与子种群和存档之间,使其提高种群的收敛性和多样性。实验仿真结果证明,同对比算法相比,MCEA的性能表现最好,以及提出的策略可充分提高MCEA的性能。其次,针对投资组合优化问题,利用多目标进化算法求解资金分配最优比,提出基于多目标协同进化算法的投资组合优化(A multi-objective co-evolutionary algorithm for constrained portfolio optimization,CMCPO)。为搜寻投资组合问题的边界点,该算法引入多种群多目标机制,分别对投资组合问题的各目标进行搜索。另外,设计一个参数自适应的DE算子,使CMCPO算法具有更好的收敛性和多样性。通过实验仿真结果表明,在解决投资组合问题时,CMCPO同对比算法相比表现出更好的性能。另外,通过实验证明,设计的参数自适应DE算子可以提高CMCPO的性能。最后,对本论文主要工作进行总结,并对今后的研究方向进行展望。(本文来源于《深圳大学》期刊2018-06-30）
协同进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：
为了解决仅含预算约束的投资组合优化模型,提出一种基于种群密度的多目标协同进化算法.算法采用种群竞争的策略自适应的产生不定规模的种群,避免了固定种群规模的缺点.在进化过程中每个种群都会参考自身的最优个体以及竞争种群对自身的影响,超级个体集合存储进化过程中产生的最优解,通过最优个体的引导使算法快速收敛至Pareto前沿.实验结果表明,与NSGA-2算法相比,提出的算法在稳定性和收敛性都有很好的表现,是一种有效的多目标进化算法.
（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。
协同进化算法论文参考文献
[1].李学哲,孙文卿,崔国增.协同进化算法在散斑条纹角点识别中的应用[J].计算机应用与软件.2019
[2].严丽娜,吴军.动态种群规模协同进化算法求解多目标投资组合优化问题[J].数学的实践与认识.2019
[3].魏士伟.一种求解TSP问题的协同进化算法[J].智能计算机与应用.2019
[4].何洋,黄龙,陈皓勇,尚金成,李鹏.基于协同进化算法的集中竞价市场模拟分析[J].浙江电力.2019
[5].陈园.处理LSGO问题的协同进化算法研究[D].南昌航空大学.2019
[6].王琪,张国华,陆凤祥,孙慧,卞翔.协同学习差分进化算法及在双转向机构优化中的应用[J].科学技术与工程.2019
[7].刘振,郭恒光,李伟.协同量子智能体进化算法及其性能分析[J].北京邮电大学学报.2019
[8].马永杰,朱琳,田福泽.基于精英种群策略的协同差分进化算法[J].计算机工程与科学.2019
[9].张峰.一种求解NP-难问题的并行协同大规模差分进化算法[J].宿州学院学报.2018
[10].王续永.多目标协同进化算法研究及其在投资组合中的应用[D].深圳大学.2018