族群进化算法的经验学习机制

doi:10.3778/j.issn.1002-8331.2008.29.007

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (29): 27-30.DOI: 10.3778/j.issn.1002-8331.2008.29.007

族群进化算法的经验学习机制

陈皓¹,崔杜武¹,崔颖安^1,2,陶永芹^1,2

1.西安理工大学计算机学院，西安 710048
2.西安交通大学电子信息工程学院，西安 710049

收稿日期:2008-05-15 修回日期:2008-07-23 出版日期:2008-10-11 发布日期:2008-10-11
通讯作者: 陈皓

Experience-learning mechanism of ethnic group evolution algorithm

CHEN Hao¹,CUI Du-wu¹,CUI YIN-an^1,2,TAO Yong-qin^1,2

1.School of Computer Science and Engineering，Xi’an University of Technology，Xi’an 710048，China
2.School of Electronic and Information Engineering，Xi’an Jiaotong University，Xi’an 710049，China

Received:2008-05-15 Revised:2008-07-23 Online:2008-10-11 Published:2008-10-11
Contact: CHEN Hao

摘要/Abstract

摘要： 族群是依据个体编码特征的相似性对群体进行分类后形成的一种群体结构化组织，基于该机制形成了一种新的进化模型—族群进化算法（ethnic group evolution algorithm，EGEA）。族群机制可有效调控群体结构，协调算法的全局搜索和局部搜索时间，同时利用其所具有的分类能力也可方便地获取群体中的典型个体。设计了族群的经验学习机制来挖掘蕴含于群体中的进化经验知识，并利用这些知识来引导群体的搜索，提高EGEA的收敛速度。仿真实验表明族群的经验学习机制不仅是可行的而且是有效的，它显著提高了EGEA的搜索效率。

关键词: 遗传算法, 族群进化算法, 族群经验学习机制

Abstract: Based on the classifying process according to the coding similarity among typical individuals，a kind of population organization mechanism，ethnic group，has been created in chaotic population，and a novel evolution model，ethnic group evolution algorithm（EGEA），is developed.Based on ethnic group evolution mechanism，some typical individuals can be sifted out from population conveniently and a kind of experiential knowledge can be discovered in it.In this paper，an experience-learning mechanism is used to improve EGEA and the simulations show the experience -learning mechanism is feasible and valid，which improves the searching efficiency of EGEA greatly.

Key words: genetic algorithm, ethnic group evolution algorithm, ethnic group experience learning mechanism

陈皓¹,崔杜武¹,崔颖安^1,2,陶永芹^1,2. 族群进化算法的经验学习机制[J]. 计算机工程与应用, 2008, 44(29): 27-30.

CHEN Hao¹,CUI Du-wu¹,CUI YIN-an^1,2,TAO Yong-qin^1,2. Experience-learning mechanism of ethnic group evolution algorithm[J]. Computer Engineering and Applications, 2008, 44(29): 27-30.

[1]	李昱奇，刘志乾，程凝怡，王莹莹，朱春丽. 多约束条件下无人机航迹规划[J]. 计算机工程与应用, 2021, 57(4): 225-230.
[2]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[3]	李倩，蒋丽，梁昌勇. 基于模糊时间窗的多目标冷链配送优化[J]. 计算机工程与应用, 2021, 57(23): 255-262.
[4]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[5]	曹立佳，刘洋. 制造车间自动导引车调度新进展[J]. 计算机工程与应用, 2021, 57(21): 59-67.
[6]	陈倩茹，李雅丽，许科全，刘铱龙，王淑琴. 自调优自适应遗传算法的WKNN特征选择方法[J]. 计算机工程与应用, 2021, 57(20): 164-171.
[7]	石宇强，田永政，张雨琦，石小秋. 运用含复杂网络结构的多种群遗传算法求解FJSP[J]. 计算机工程与应用, 2021, 57(2): 257-266.
[8]	代江涛，韩晓龙. 考虑作业状态能耗的集装箱码头设备协调调度[J]. 计算机工程与应用, 2021, 57(19): 290-298.
[9]	冯晓东，黄世荣，戴冠鸥，杨伟家，罗尧治. 天牛须遗传杂交算法的研究与应用[J]. 计算机工程与应用, 2021, 57(15): 90-100.
[10]	苏庆，林华智，黄剑锋，林志毅. 结合CNN和Catboost算法的恶意安卓应用检测模型[J]. 计算机工程与应用, 2021, 57(15): 140-146.
[11]	姜良重，雷航，李贞昊，钱伟中，施甘图. 采用自适应优化权重的出库货位优化方法研究[J]. 计算机工程与应用, 2021, 57(15): 271-278.
[12]	贺娇，谭代伦. 基于视野范围和遗传算法的三维地形路径规划[J]. 计算机工程与应用, 2021, 57(15): 279-285.
[13]	王秀丽，周鹏，侯静楠，王仕俊，林霞. 面向变电站机器人巡检路径规划中的算法研究[J]. 计算机工程与应用, 2021, 57(14): 245-250.
[14]	陈元文. MapReduce技术在物资调运与配载问题中的应用[J]. 计算机工程与应用, 2021, 57(12): 273-278.
[15]	邱云飞，高华聪. 混合Filter与改进自适应GA的特征选择方法[J]. 计算机工程与应用, 2021, 57(11): 95-102.

族群进化算法的经验学习机制

Experience-learning mechanism of ethnic group evolution algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics