演化计算(Evolutionary Computation简记为EC)是受自然界物种进化启发而产生的一类优化技术;分布估计算法(Estimation of Distribution Algorithms简记为EDAs)是一类基于概率模型的估计与模拟的演化算法,它在参数设置及计算效率上有着...演化计算(Evolutionary Computation简记为EC)是受自然界物种进化启发而产生的一类优化技术;分布估计算法(Estimation of Distribution Algorithms简记为EDAs)是一类基于概率模型的估计与模拟的演化算法,它在参数设置及计算效率上有着其它演化方法难以比拟的优势[1]。受自然界互补机制的启发,提出了一种改进的分布估计算法-松驰互补分布估计算法(Relaxed Complemental Estimation of Distribution Algorithm简记为RCEDA)。在求解Chu和Beasley提出的MKP Benchmark[3]时,算法在较短的时间内找到了大多数目前书籍的最好解,分析和实验结果表明RCEDA是一种较好的演化算法。展开更多
提出一种基于量子染色体评估的演化算法(Evolutionary Algorithm Based on Evaluating Quantum Chromosomes,简称EQEA)。提出了染色体评估、自适应调整旋转角度和分组调整策略。旋转角度的方向和大小由评估量子染色体得到的二进制个体...提出一种基于量子染色体评估的演化算法(Evolutionary Algorithm Based on Evaluating Quantum Chromosomes,简称EQEA)。提出了染色体评估、自适应调整旋转角度和分组调整策略。旋转角度的方向和大小由评估量子染色体得到的二进制个体和组内当前最优个体确定,且随着演化的过程自适应调整。实例验证,EQEA在函数优化和背包问题上都有优异性能。该算法在单染色体下也能取得很好的效果。展开更多
文摘演化计算(Evolutionary Computation简记为EC)是受自然界物种进化启发而产生的一类优化技术;分布估计算法(Estimation of Distribution Algorithms简记为EDAs)是一类基于概率模型的估计与模拟的演化算法,它在参数设置及计算效率上有着其它演化方法难以比拟的优势[1]。受自然界互补机制的启发,提出了一种改进的分布估计算法-松驰互补分布估计算法(Relaxed Complemental Estimation of Distribution Algorithm简记为RCEDA)。在求解Chu和Beasley提出的MKP Benchmark[3]时,算法在较短的时间内找到了大多数目前书籍的最好解,分析和实验结果表明RCEDA是一种较好的演化算法。
文摘提出一种基于量子染色体评估的演化算法(Evolutionary Algorithm Based on Evaluating Quantum Chromosomes,简称EQEA)。提出了染色体评估、自适应调整旋转角度和分组调整策略。旋转角度的方向和大小由评估量子染色体得到的二进制个体和组内当前最优个体确定,且随着演化的过程自适应调整。实例验证,EQEA在函数优化和背包问题上都有优异性能。该算法在单染色体下也能取得很好的效果。
