贾美丽[1]2004年在《并行思维进化计算的实现》文中研究说明20世纪60年代，美国Michigan大学的J．Holland教授首先提出了遗传算法(Genetic Algorithm，缩写为GA)，它是模拟达尔文的遗传选择和优胜劣汰的生物进化过程的计算模型。经过叁十多年的发展，无论在算法的改进方面，还是理论以及应用研究方面，都已取得了很大的进步和成功。但是遗传算法中仍然存在许多问题，如建筑块假设、早熟收敛和进化时间长等问题。 思维进化计算(Mind Evolutionary Computation，缩写为MEC)是孙承意教授于1998年提出的一种新的进化计算(Evolutionary Computation，缩写为EC)方法。它是根据对GA存在问题的思考以及对人类思维进步的分析，模仿人类社会中存在的趋同和异化现象提出来的。 MEC固有的并行性和大规模并行机的快速发展，促使我们开始研究MEC的并行化问题。MEC与并行计算机的结合，能把并行机的高速性和MEC固有的并行性二者的长处结合起来，从而促进MEC的研究与发展。 本文在对进化计算、思维进化计算和并行遗传算法(Parallel Genetic Algorithm，缩写为PGA)这些背景知识的回顾和了解基础上，提出了主从式并行思维进化计算(Parallel Mind Evolutionary Computation，缩写为PMEC)的框架，详细描述了PMEC算法，并通过实验对PMEC进行了初步测试，实验结果说明MEC具有很好的并行性。进一步丰富了由孙承意教授于1998年提出的MEC框架。论文中的创新点如下：太原理工大学硕士研究生学位论文 l)通过对基本州田C算法中趋同和异化的分析，在导师的指导下提出了主从式PMEC的框架。 2)在集群计算机(Cluster ofVo rksations，缩写为COW)上实现了主从式PMEC。 3)对主从式PMEC进行了初步的测试。测试了个体评价时间、子群体尺寸和从处理器数目对P州田C算法性能的影响。结果表明:MEC适合并行计算，当选取适当的参数(如子群体尺寸，从处理器数目等)时，P州[EC能获得较好的并行性能。
弓剑军[2]2004年在《并行思维进化计算的性能分析》文中认为20世纪60年代，美国Michigan大学的J．Holland教授首先提出了遗传算法(Genetic Algorithm，缩写为GA)，它是模拟达尔文的遗传选择和优胜劣汰的生物进化过程的计算模型。经过叁十多年的发展，无论在算法的改进方面，还是理论以及应用研究方面，都已取得了很大的进步和成功。但是遗传算法中仍然存在许多问题，如建筑块假设、早熟收敛和进化时间长等问题。 思维进化计算(Mind Evolutionary Computation，缩写为MEC)是孙承意教授于1998年提出的一种新的进化计算(Evolutionary Computation，缩写为EC)方法。它是根据对GA存在问题的思考以及对人类思维进步的分析，模仿人类社会中存在的趋同和异化现象提出来的。 MEC固有的并行性和大规模并行机的快速发展，促使我们开始研究MEC的并行化问题。MEC与并行计算机的结合，能把并行机的高速性和MEC固有的并行性二者的长处结合起来，从而促进MEC的研究与发展。 本文在对进化计算、思维进化计算和并行遗传算法(Parallel Genetic Algorithm，缩写为PGA)这些背景知识的回顾和了解基础上，对影响PMEC的主要因素进行了理论分析，且通过实验验证了理论分析的正确性。这些理论分析和实验结果说明MEC具有很好的并行性。进一步丰富了由孙承意教授于1998年提出的MEC框架。论文中的创新点如下： 1)将主从式PMEC与主从PGA和粗粒度PGA进行了比 太原理工大学硕士研究生学位论文较。 2)从理论上分析了影响PMEC性能的主要因素，并通过实验进行了验证。结果表明:MEC适合并行计算，当选取适当的参数(如子群体尺寸，从处理器数目等)时，PMEC能获得较好的夕i一行性能。
张宇[3]2007年在《思维进化算法的改进及应用》文中认为控制器参数的优化直接影响热工系统的控制效果和机组安全、经济运行。思维进化算法作为一种新颖的进化算法,在解空间进行高效启发式搜索,而非盲目地穷举或完全随机地搜索。本文将其应用到控制器参数的优化。本文在分析思维进化算法特点与不足的基础上,提出了两点改进:一是尝试将单纯形法引入到趋同算子中,形成单纯形趋同策略。二是将小生境技术和思维进化算法相结合。小生境技术可以保证群体的多样性,动态的形成各自的搜索区域,避免重复搜索,从而提高搜索效率,保证算法的全局性。通过对参数不确定性、多扰动的电厂主汽温被控对象的仿真研究,结果表明:改进的思维进化寻优速度快,计算量小,对PID参数优化是非常有效的,使得主汽温控制系统取得了很好的控制品质,系统的鲁棒性比较强。
唐晓琪[4]2003年在《基于思维进化算法的神经网络仿人智能控制策略在倒立摆系统中的研究》文中认为智能控制是一个新兴的学科领域，它是随着计算机技术的进步在经典控制理论和现代控制理论的基础上发展起来的。与传统的控制理论相比，智能控制对于环境和任务的复杂性有更大的适配程度。它不仅仅是对建立的模型，而且对于环境和任务能抽取多级的描述精度，进而发展了自学习、自适应和自组织等概念，所以能在更广泛的领域中获得应用。 倒立摆系统是一个高阶次、非线性、强耦合、不确定的绝对不稳定系统，必须采用十分有效的控制手段才能使之稳定。倒立摆系统是验证控制理论算法的一种典型的试验装置，其控制方法和思路对处理一般工业过程也具有广泛的用途，因此对其控制方法的研究具有重大意义。 本文首先通过深入分析神经网络与思维进化算法的思想精髓、主要算法、特点及应用发展，提出了通过思维进化算法来弥补神经网络的不足之处，利用思维进化算法对神经网络的权值进行演化，以避免神经网络陷入局部最小值而且提高其收敛速度。接着利用仿人智能控制理论，在对一级与二级倒立摆系统进行分析的基础上，得到倒立摆系统的仿人智能控制律。太原理工大学硕士学位论文最后本文将改进的神经网络与仿人控制理论结合起来，提出了一种新的智能控制策略一一基于思维进化算法的神经网络仿人智能控制策略，进行控制律参数在线调整，并将其应用于画立摆系统进行控制，其抗干扰能力和鲁棒性均较为满意，控制品质良好。此种控制策略首先利用思维进化算法来进行控制律参数及神经网络初始值的整定，然后通过对神经网络进行训练，将训练好的神经网络进行控制律参数在线调整，用于被控对象的控制。此种方法，由于运用思维进化算法整定初始值，大大缩短了训练时间，而且通过应用于倒立摆系统，证明该控制策略简单有效，可以得到良好的控制效果。
刘洋[5]2006年在《基于思维进化计算的网格资源分配研究》文中研究表明网格是继万维网之后出现的一种新型网络计算平台，支持各种资源的共享和广泛的协同工作，消除因地理位置造成的对计算资源的访问限制。网格的最终目的就是提供给用户与地理位置无关、与具体的计算设施无关的通用的计算能力，使人们在使用网格计算能力时就像现在使用电力一样方便。 在网格环境下，由于资源具有广域分布、异构、动态等特性，要把这样一个环境里的各种分散的资源管理起来，满足不同应用程序的需要，是一项十分复杂而具有挑战性的工作，网格资源管理和资源调度机制会对网格应用程序的执行效果产生重要影响。因此，在网格技术的众多问题中，资源调度成为研究最集中的问题之一。 本文研究了网格环境的特点和当前主要网格项目的资源管理和调度模型，考察了已有的网格资源调度算法在目前网格资源调度中应用的优缺点，完成了以下工作： 1、对思维进化计算的优缺点进行分析，通过将其和禁忌搜索算法相结合，优势互补，提高思维进化计算的效率，并将改进后的算法应用于解决网格资源的静态分配问题，通过模拟实验对其有效性进行了验证。 2、进一步将改进的思维进化计算与蚂蚁算法相融合，针对蚂蚁算法运行初期信息素缺乏，算法速度慢的缺陷，利用思维进化计算的快速寻优能
李林娟[6]2009年在《基于思维进化算法的图像边缘检测》文中认为边缘检测是图像处理中的重要内容,是图像的最基本特征。所谓边缘,是指图像中灰度发生急剧变化的区域。边缘检测在图像分割、图像检索、模式识别、机器视觉等领域中有重要的应用。传统边缘检测算法的主要思路是通过使用2*2或者3*3检测模板作为核与图像中每一个像素点进行卷积运算,求得梯度值;然后选取合适的分割阈值以提取边缘。该方法中存在一定的缺陷:(1)检测模板的系数固定,缺乏可调性。针对不同的图像,检测效果一般,只能检测出图像的大致轮廓,缺乏自适应性。(2)阈值的选取需要靠人工测试选择,存在一定的盲目性。针对传统边缘检测算法存在的问题,本文采用一种新的进化理论-思维进化算法,并结合传统边缘算法的思想,提出了基于思维进化算法的图像边缘检测方法。把传统边缘检测问题转换成函数寻优过程,利用思维进化算法的快速寻优特性,在待处理问题的解空间搜索最佳解,即在参数解空间范围内搜索最佳模板系数和最佳分割阈值,实现模板系数和阈值的人工智能选取,大量实验结果证明了该方法的可行性,有效地解决了传统边缘算法存在的缺陷问题。基本思维进化算法具有快速的全局收敛能力,但是在解空间收缩的解越接近最佳解时,收敛速度慢,局部搜索能力差,为了提高思维进化算法的局部搜索能力,本文对基本思维进化算法进行了的改进,即引进最速下降法来改进思维进化算法的局部收敛能力。最速下降法在解空间搜索最佳解的过程具有方向性,沿着目标函数负梯度下降方向搜索一维解,又称梯度法,是无约束化中最简单的方法,具有快速的局部收敛特性,采用该方法对思维进化算法进行改进,能够改善思维进化算法的局部收敛特性,加快搜索速度。在采用思维进化算法优化模板系数过程中,由于模板系数之间存在相互约束关系,对于约束条件的处理,本文引进罚函数的思想,对于违反约束条件的种群,做出相应的惩罚,根据惩罚项及时调整思维进化算法中的目标函数,降低违反约束条件种群的适应度,使该种群进入下一代进化的机率较少,最终让搜索的解尽量满足约束条件。对于阈值的选取,本文结合最大类间方差法,采用改进思维进化算法在求解问题的参数范围内寻找最佳的分割阈值。用改进思维进化算法去寻取最佳阈值将梯度图像分割成两部分(边缘点集合和非边缘点集合),使两部分类间方差取最大值,实现边缘点集合的提取。采用改进思维进化算法优化阈值的策略,一方面可以减少最大类间方差的计算次数,提高计算效率;另一方面可以加快最优解的收敛速度,实现快速达到全局最优解的目的。
王俊丽[7]2003年在《思维进化计算——搜索算法的开发和算法性能的分析》文中认为进化计算是模拟生物进化过程与机制的一类随机优化计算模型。自从80年代中期以来，世界各国都掀起了进化计算的研究热潮。20世纪60年代中期，Holland教授首次应用模拟遗传算子来研究适应性中的人工问题，提出了模仿自然界生物进化过程的遗传算法(GA)。经过叁十多年的发展，无论在算法的改进方面，还是理论以及应用研究方面，都已取得了很大的进步和成功。但是遗传算法中仍然存在许多问题，如建筑块假设、早熟收敛和进化时间长等问题。 根据对GA存在问题的思考以及对人类思维进步的分析，模仿人类社会中存在的趋同和异化现象，孙承意教授于1998年8月提出了思维进化计算(MEC)。经过几年来的理论和实验研究，目前思维进化计算在理论上已经有了很大的发展，同时也广泛应用于一些实际问题，所有这些工作已经为MEC建立了一个初步完整的体系。 本文在对进化计算和思维进化计算这些背景知识的回顾和了解基础上，从新策略的开发、搜索效率比较和分析、高维性能测试和多种算法性能比较这几个方面来讨论和改进MEC的性能，进一步丰富由孙承意教授1998年提出的MEC框架。论文中的创新点如下： 首先，为MEC开发了两种新的算法策略。一种是采用拒绝域的异化策略，它可以使MEC在异化时避免重复搜索，来提高算法的计算效率。另外一种是基于预测的趋同策略，它能够提高趋同过程的搜索效率，并具有很强的自适应能力。 其次，讨论了MEC的搜索效率问题。构造了系列的测试函数对不同的算法进行系统的测试，定义了算法的搜索计算量和搜索效率，通过搜索效率和收敛率两种方法，比较并讨论了MEC和几种遗传算法的性能。实太原理工大学硕士学位论文验结果表明MEC具有良好的性能，尤其是对于欺骗性强的函数，更现其优越性。 接下来，测试了高维空间中MEC的优化性能。考虑了高维函数的复杂性，并且设计了Windows下的双层MEC算法，即用第一级MEC来优化用于函数优化的(第二级)MEc中参数。使用该双层MEC算法进行MEC高维空间的性能的实验研究。结果表明MEC的搜索计算量按维数的幂函数增长，相对于完全搜索的指数函数而言要小的多。 另外，剖析了MEC的趋同操作和异化操作，分析了MEC具有高搜索效率的原因。分析认为MEC不是对整个解空间进行相等强度的搜索，而是通过异化操作在整个解空间中选择寻找有希望存在最优解的吸引域，再对这些区域进行趋同(局部)搜索，而在趋同(局部)搜索中又只搜索了一个窄的带子，因此MEC具有很高的搜索效率。 最后，介绍了几种目前倍受国内外关注，而且广泛应用的进化算法。通过对算法本质特征的深入了解，来比较它们与MEC在实现原理上的不同之处，客观地讨论了各个算法的性能。从而有益于正确地了解MEC在进化计算中所处的地位，以及其它算法中的可取之处，从而更进一步的完善思维进化计算。
陈培军[8]2004年在《一类非数值优化问题的思维进化计算方法研究》文中认为思维进化计算是模拟人类思维过程提出的一种很有潜力的新型演化算法。思维进化计算已成功应用于求解数值优化问题，对TSP、常微分方程组建模和Job-shop调度问题等非数值优化问题也做了一定的研究，但目前思维进化计算尚未有关于非数值优化问题的通用算法框架。本文针对解空间为有限空间的非数值优化问题，提出了求解这些问题的思维进化计算通用算法框架。首先针对这些非数值优化问题的特点，抽象出它们的通用编码。然后引入特征、信息矩阵的概念，提出了通用信息抽取和个体学习策略，从而实现了思维进化的趋同和异化操作，给出了通用的思维进化计算框架，并运用组合原理和马尔可夫链理论证明了该算法框架的全局收敛性。最后通过应用该算法框架求解顶点着色问题、Job-shop调度问题验证了该算法框架的可行性、有效性。该算法框架具有较强的通用性，适合于TSP、顶点着色问题、Job-shop调度问题、神经网络结构优化问题、系统建模等一大类非数值优化问题。实际应用中将具体非数值优化问题合理转化，设计编码与解码策略，定义该问题的特征和信息矩阵等概念，就可以直接应用该框架。本文研究为求解复杂的非数值优化问题提供了一种新的有效途径。
臧文科[9]2005年在《多种群协同进化及其在创新概念设计中的应用》文中进行了进一步梳理当前科学技术正进入多学科相互交叉、相互渗透、相互影响的时代,生命科学与工程科学的交叉、渗透和相互促进是其中一个典型例子,也是近代科学技术发展的一个显着特点。进化算法的蓬勃发展正体现了科学发展的这一特点和趋势。最近20 年,创新进化设计得到广泛的研究,它已经成为最重要的计算和创新设计技术之一。许多研究人员投身于这一领域,涉及到自生长系统、遗传程序设计、创新进化系统等等。其中,P.J.Bentley 的论文(Bentley,P.J.[1])系统地揭示了利用遗传算法进行创新和优化概念设计的思想,包括各种各样的不同形状的叁维实体。他提出了一种利用遗传算法作为核心的遗传算法设计系统,并且演示了对15 个实体对象在传统和非传统两种方式下设计的成功进化,例如桌子、五棱柱等等。与这种创新进化设计方法相比,还有另一项由Lecienne Blessing 承担的重要工作-基于过程的设计系统。她研究设计过程中规定的模型,包含设计知识的分类,支持具体设计行为的方法,以及基本的计算机工具。她提出了一种解决方案,通过强调过程和整合这些方法来推动设计工作。她的实现是围绕一个设计模型发展来的基本设计支持系统,这其中包括四个核心阶段:(1) 设计特性的确定;(2) 支持类型的确定;(3) 需求的发展和支持系统的功能;(4) 模型和支持系统的发展;(5) 系统核心进化。进化计算提供了众多的设计优势,无疑是一种强大的方法,提供了各种可能的设计解决方案,可以被优化而且方便的进行分析。进化计算已经被成功应用到各种民用和工程设计难题上去(Liu Xiyu,Frazer,J.H.[2][3])。进化设计提供了各种机制,在可行解空间中寻找最优解,在这里进化过程应用到了多个群体。事实上,进化不仅仅是一种优化工具,也是一种搜索和创新工具,因为它通过与其他的选择结合而成为一种新的解决方案。这其中有两步最重要的操作产生新的的个体,这就是交叉和变异。进化系统的核心部分-遗传算法,能够保持并进化设计种群和操作种群。从上述不难看出,进化可能是将来最有前途的工具,但是它的应用现在却常常被局限到单体进化。这一限制是由于进化算法和技术的复杂性,这导致了进行多目标优化和计算更有强有力算法的发展,这就是多种群协同进化算法。发展协同进化技术的动机之一,是设计问题经常被描述为多目标优化或者搜索问题。在这种情形里,我们想要在为决策者寻找全局最优时获得不止一种解决
阎高伟[10]2007年在《基于知识的多智能体思维进化算法及其工程应用》文中认为作为新一代智能计算方法，进化计算、粗糙集理论和粒计算方法不仅在各自的学科领域取得了引人注目的进展，而且它们之间的相互渗透和有机结合也将会更有力地促进软智能信息处理技术的发展和应用。思维进化算法是一种模仿人类思维机制的进化算法，但其本身并没有形成明确的知识载体、知识处理体系和思维模式，没有体现人类思维活动的本质特性。本文从智能计算的角度出发，将智能体技术和知识发现技术引入进化计算，形成一个“混合智能系统”。把进化过程中产生的数据视为知识库，通过基于粗糙集和粒计算的知识发现，获取关于被求解问题的知识，形成基于知识的多智能体思维进化算法(Knowledge based Multi-Agent Mind Evolutionary Algorithm，KMMEA)。本文的主要工作和创新性成果如下：(1)在深入分析基本思维进化算法的基础上，提出基于知识的多智能体思维进化算法。算法以智能体为思维活动的载体，将粗糙集和粒度计算作为智能体进行知识发现、推理和决策的工具，并结合具体的进化算子来实现智能群体的信念、愿望和意图，形成具有粒度层次结构的多智能体进化系统。(2)通过粗糙集的相关概念，将解空间和目标函数空间采用等价类的形式进行划分，形成子空间粒和目标函数粒。提出了个体变量与目标函数关系、粒度适应度景象和个体特征向量的概念，有助于从宏观上认识和掌握被求解问题的内在规律，将其作为知识来描述被求解问题的特征。通过二进制粒计算，快速获取个体变量与目标函数关系，然后计算出个体特征向量和粒度适应度景象，判断被求解问题的类型。利用所获取的知识求取寻优子空间，以缩小搜索范围，提高寻优效率和精度。(3)针对多目标问题的复杂性，利用信息系统中的优势关系和优势类的概念，研究并讨论了KMMEA在多目标优化问题中的应用。利用信息系统的优劣关系对解空间进行划分，形成了在Pareto优势空间进行“开采”而在其余空间中“探索”的进化策略。利用子空间粒和目标函数粒的特征进行种群多样性的维护，以期找到全面和分布均匀的Pareto最优解。(4)提出了基于优势粒粒度多目标快速排序算法。利用信息系统的优势关系和粒计算的方法获取优势粒，将优势粒粒度作为多目标排序和适应度赋值的依据，并设计了基于优势粒的快速排序算法，可极大地降低排序运算量。(5)对思维进化中的两个重要算子“趋同”和“异化”进行了基于知识的改造，提高了算子操作的智能性，用于宏群体进化。提出了基于知识指导的变异算子，是粒度适应度景象和个体特征向量的具体运用。该算子能有效提高算法的收敛效率和寻优精度。同时研究了按照优秀模式类产生新个体的方法。(6)探索KMMEA在工程领域中的应用。将KMMEA用于多传感器信息融合系统中神经网络的优化，提高测量结果的准确性和稳定性。将KMMEA用于线性调频连续波雷达物位计压控振荡器的非线性校正，能够显着提高系统的调频线性度，降低频谱展宽和相位噪声对距离分辨率的影响，有效提高测量信号的信噪比。这一应用已申报国家发明专利“线性调频雷达物位计非线性进化校正方法”(专利号：200410092447．2)，已经得到授权。本文的主线是研究知识发现技术在进化过程中的应用，通过所发现的知识指导进化过程，形成混合智能计算系统。
参考文献：
[1]. 并行思维进化计算的实现[D]. 贾美丽. 太原理工大学. 2004
[2]. 并行思维进化计算的性能分析[D]. 弓剑军. 太原理工大学. 2004
[3]. 思维进化算法的改进及应用[D]. 张宇. 华北电力大学（河北）. 2007
[4]. 基于思维进化算法的神经网络仿人智能控制策略在倒立摆系统中的研究[D]. 唐晓琪. 太原理工大学. 2003
[5]. 基于思维进化计算的网格资源分配研究[D]. 刘洋. 广西大学. 2006
[6]. 基于思维进化算法的图像边缘检测[D]. 李林娟. 太原理工大学. 2009
[7]. 思维进化计算——搜索算法的开发和算法性能的分析[D]. 王俊丽. 太原理工大学. 2003
[8]. 一类非数值优化问题的思维进化计算方法研究[D]. 陈培军. 华北工学院. 2004
[9]. 多种群协同进化及其在创新概念设计中的应用[D]. 臧文科. 山东师范大学. 2005
[10]. 基于知识的多智能体思维进化算法及其工程应用[D]. 阎高伟. 太原理工大学. 2007
标签：计算机软件及计算机应用论文; 遗传算法论文; 进化算法论文; 思维品质论文; 系统思维论文; 设计思维论文; 神经网络算法论文; 智能算法论文; 创新设计论文; 收敛思维论文; 趋同进化论文; 空间分析论文; 计算思维论文; 创新理论论文; 网格系统论文; 优化策略论文; 思维模式论文;