导读:本文包含了动态种群规模论文开题报告文献综述及选题提纲参考文献，主要关键词:投资组合,协同进化,多目标进化算法,动态种群
动态种群规模论文文献综述
严丽娜,吴军[1]（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）
王蓉芳,焦李成,刘芳,杨淑媛[2]（2012）在《自适应动态控制种群规模的自然计算方法》一文中研究指出提出了一种种群规模自适应动态控制策略,实现了种群规模根据进化过程自适应的动态变化.该策略的实现不依赖于算法进化操作的具体步骤,因而适用于各种基于种群优化的自然计算方法.首先给出了动态控制策略的框架;然后,在此框架下,充分利用动态种群规模反馈的有用信息,提出了基于Logistic模型的增加/删除数目自适应变化的方法,设计了自适应地兼顾有效性和多样性的增加算子和基于多样性的删除算子.将该策略应用到两种不同的自然计算方法中,采用经典测试函数和新型CEC05测试函数验证其性能.实验结果均表明,结合了所提出的种群规模自适应动态控制策略的新算法,比原算法在求解精度和收敛速度上均有明显的提升.(本文来源于《软件学报》期刊2012年07期）
刘小娜,梁娟[3]（2010）在《基于动态蚁群规模的优化路由算法》一文中研究指出针对移动Ad Hoc网络,提出了一种可以可控制蚁群规模的自适应蚁群路由算法,通过在网络节点配置蚂蚁数目控制表来控制"网络蚂蚁"的数目。该算法能提高蚁群算法的自适应性,自动调节网络的负载平衡。网络仿真试验结果表明,该算法具有良好的收敛性和求解效果。(本文来源于《河南机电高等专科学校学报》期刊2010年06期）
刘小丽,曹龙汉,王申涛,代睿,魏石峰[4]（2010）在《基于种群规模动态减小的混合微粒群优化算法研究》一文中研究指出针对基本微粒群优化(PSO,particle swarm optimization)算法存在早熟、易陷入局部极值等缺点,提出了一种改进的PSO优化算法。该算法分为全局搜索和局部搜索两个阶段。在全局搜索阶段采用基本PSO算法快速收缩搜索范围;在局部搜索阶段将PSO算法与模拟退火(SA,simulated annealing)算法结合,通过产生部分变异微粒确保算法能够跳出局部极值。同时为提高搜索效率,动态地减少种群规模。仿真结果表明,该算法具有较好的优化性能以及较高的执行效率。(本文来源于《测控技术》期刊2010年04期）
郭圆平[5]（2008）在《动态种群规模的协同进化算法模型、理论与应用》一文中研究指出受自然界生态系统中多物种协同进化现象的启发,人们提出了一类新型进化算法:协同进化算法(Co-Evolutionary Algorithm)。协同进化算法能有效解决许多传统进化算法难以解决的复杂问题,是近年来计算智能领域的一个研究热点。动态种群规模调节技术是进化算法中的一项重要技术,其目的在于自适应地平衡全局搜索能力和局部搜索能力之间的矛盾,合理分配计算资源以提高算法的整体性能。由于进化动力学机制的不同,传统进化算法中已有的动态种群规模调节技术并不适合协同进化算法;而协同进化算法的现有工作又大多集中在针对具体应用问题的算法设计方面,动态种群规模技术的研究几乎是一片空白。本文从协同进化算法的共性入手,以适应度评估过程中的个体相互作用为出发点,设计了一个具有通用性的动态种群规模调节策略,并在该策略的基础上构建了一个统一的协同进化算法模型,称为动态种群规模的协同进化算法模型(Model of Co-Evolutionary Algorithm with Dynamic population size),简称CEAD模型。该模型从协同进化算法的本质出发,描述了协同进化算法共通的进化机制,其算法体系涵盖了包括竞争型、合作型、混合型在内的各种协同进化算法,具有重要的指导意义。我们从动力学、稳定性、收敛性、计算复杂度等多个方面对CEAD模型及其算法体系作了全面的理论分析。理论分析指出,CEAD模型具有全局渐近稳定性,在其指导下设计的协同进化算法,可以保证种群规模能够自适应地调节至合适的水平,从而有效地平衡全局搜索能力和局部搜索能力之间的矛盾,合理地在子种群间分配计算资源,令算法能够稳定而高效地收敛到全局最优解。最后,我们完成了CEAD算法体系在两种典型复杂优化问题求解中的应用。在多峰函数优化问题中,对比实验表明在CEAD模型指导下设计的协同进化算法可以合理地调节种群规模,有效地利用计算资源,具有全局搜索能力强、收敛速度快优化性能好、求解效率高等优点。在空中流量优化调度中,针对多目标航班着陆调度模型这一带有大量约束的多目标优化问题,我们在CEAD模型的指导下设计了一个带有隐含的约束处理机制的协同进化算法,并取得了令人满意的优化结果,显示了CEAD算法体系优秀的复杂问颢求解能力。(本文来源于《中国科学技术大学》期刊2008-05-01）
动态种群规模论文开题报告
（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：
提出了一种种群规模自适应动态控制策略,实现了种群规模根据进化过程自适应的动态变化.该策略的实现不依赖于算法进化操作的具体步骤,因而适用于各种基于种群优化的自然计算方法.首先给出了动态控制策略的框架;然后,在此框架下,充分利用动态种群规模反馈的有用信息,提出了基于Logistic模型的增加/删除数目自适应变化的方法,设计了自适应地兼顾有效性和多样性的增加算子和基于多样性的删除算子.将该策略应用到两种不同的自然计算方法中,采用经典测试函数和新型CEC05测试函数验证其性能.实验结果均表明,结合了所提出的种群规模自适应动态控制策略的新算法,比原算法在求解精度和收敛速度上均有明显的提升.
（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。
动态种群规模论文参考文献
[1].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
[2].王蓉芳,焦李成,刘芳,杨淑媛.自适应动态控制种群规模的自然计算方法[J].软件学报.2012
[3].刘小娜,梁娟.基于动态蚁群规模的优化路由算法[J].河南机电高等专科学校学报.2010
[4].刘小丽,曹龙汉,王申涛,代睿,魏石峰.基于种群规模动态减小的混合微粒群优化算法研究[J].测控技术.2010
[5].郭圆平.动态种群规模的协同进化算法模型、理论与应用[D].中国科学技术大学.2008