进化计算的进展和应用

1.进化计算相关概念21.1 进化计算21.2 进化计算应用32 进化计算内涵42.1 进化计算的研究现状42.2 进化算法52.2.1 遗传算法52.2.2遗传编程52.2.3 进化策略和进化规划62.2.4 进化策略62.2.5 进化规划62.2.6 进化策略与进化规划的关系62.2.7进化策略与进化规划的差别72.2.8学习分类系统72.3 群智能72.3.1蚁群优化82.3.2 粒子群优化82.3.3蜂群算法92.4 自组织理论102.4.1 竞争神经网络102.4.2自组织映射102.4.3神经气体102.4.4增长型神经气体112.5人工免疫系统112.6其他算法112.6.1差分进化112.6.2文化算法122.6.3和谐搜索算法122.7 人工生命123 进化计算在智能控制中的应用12参考文献15综述题进化计算的进展和应用1.进化计算相关概念1.1 进化计算人的智能归根结蒂是从生物进化中得到的,反映在遗传基因中,脑的结构变化也是通过基因的变化一代一代遗传下来,每一种基因产生的生物个体(看成一种结构)对环境有一定的适应性,或叫适合度(Fitness),杂交和基因突变可能产生对环境适应性强的后代,通过优胜劣汰的自然选择,适合度高的结构被保存下来。因此，从进化的观点来看,结构是适合度的结果。在这种观点启发下,60年代Fogol等提出了进化程序(EvolutionalProgramming)思想,70年代Hoxzand提出了遗传算法(oenetselgorithm,简称eA)。如同神经网络研究一样,经过20年的沉寂,到80年代后期,由于在经济预测等应用领域获得成功,进化计算成为十分热门的研究课题。进化计算实质上是自适应的机器学习方法,它的核心思想是利用进化历史中获得的信息指导搜索或计算。常用的进化计算包括遗传算法、遗传程序(Geneticprogram-ming)、进化程序、爬山法(即局部搜索)、人工神经网络、决策树的归纳以及模拟退火等等。这些不同的方法具有以下几项共同的要素:自适应结构、随机产生的或指定的初始结构、适合度的评测函数或判据、修改结构的操作、每一步中系统的状态即存储器、终止计算的条件、指示结果的方法、控制过程的参数。上述几种进化计算方法中,只有遗传算法与遗传程序是一组结构同时进化,其它方法是一个结构的进化。所谓遗传程序与通常的遗传算法的主要区别在于采用的“结构”(即问题的表示)不同。最初的遗传算法的自适应结构为定长的二进制字符串;而遗传程序的结构是分层的树,表示LlsP语言中的s表达式,即一个解决指定定理的程序。遗传程序的目标是自动生成程序。不同进化计算方法采用不同的结构,实质是不同的问题表示。一个问题的复杂性决定于它的问题表示,因为一种表示限制了系统观察世界的窗口。因此进化计算应从问题表示入手,即选择表示能力强又操作方便的结构。与通常的遗传算法的主要区别在于采用的“结构”(即问题的表示)不同。最初的遗传算法的自适应结构为定长的二进制字符串;而遗传程序的结构是分层的树,表示LlsP语言中的s表达式,即一个解决指定定理的程序。遗传程序的目标是自动生成程序。不同进化计算方法采用不同的结构,实质是不同的问题表示。一个问题的复杂性决定于它的问题表示,因为一种表示限制了系统观察世界的窗口。因此进化计算应从问题表示入手,即选择表示能力强又操作方便的结构。众所周知,任何一种传统的科学或工程方法都具有正确性、一致性、可验证性、确定性、次序性及简洁性等特点。进化计算是模拟自然界的进化过程,自然界是靠适应性而不是靠简洁性解决问题,常常采用间接的复杂的方法。与自然进化类似,进化计算一般不提供简洁的求解方法。在进化计算中,随机选择是关键的因素,因此往往具有不确定性,甚至同时支持用不一致的相互予盾的途径去求解。进化计算一般不采用严格同步控制。与传统算法最大的不同是计算不是自动终止,往往是人为限制进化多少代结束,或通过控制进化结果的一致性程度设定终止条件。在进化过程中即使达到了最优解或要求的目标,程序本身并不知道(除非设置一个全局监视器)。许多从事神经网络求解优化问题和进化计算的学者都深有体会,常常无法判断自己得到的结果好坏如何。进化计算的这些新特点给我们带来许多新的研究课题。1.2 进化计算应用在计算机科学中,进化计算是人工智能的一个分支。它采用迭代的方法,使得解朝着最优解的方向前进。一般这种处理步骤均与进化的机制密切相关,因此统称为“进化计算”。 进化计算的主要优点是简单、通用、鲁棒性强和适于并行处理。目前进化计算已广泛用于最优控制、符号回归、自动生成程序、发现博奕策略、符号和积分微分及许多实际问题求解。它比盲目的搜索效率高得多,又比专门的针对特定问题的算法通用性强,它是一种与问题无关的求解模式。当然,若配合与领域有关的知识,求解效率会明显提高。总之,进化计算不论从理论上还是实际应用上都为我们提供了一个新的研究领域。2 进化计算内涵2.1 进化计算的研究现状进化计算的研究与应用，无论是研究队伍的规模，发表的论文数量还是网上的信息资源，发展速度都很快，已经得到了国际学术界的广泛认可。1994 年，IEEE 神经网络委员会主持召开了第一届进化计算国际会议，并成立了 IEEE 进化计算委员会，此会每 3 年与 IEEE 神经网络国际会议、IEEE 模糊系统国际会议在同一地点先后连续举行，共同称为IEEE计算智能CI国际会议， 并分别出版并列的IEEE Transactions on Evolutionary Computation, IEEE Transactions on Neural Networks 和 IEEE Transactions on Fuzzy Sets学术期刊。另外，进化计算的国际期刊Evolutionary Computation也于1993年诞生。以遗传算法为主的进化计算的研究内容也在其他学术期刊中出版了专辑， 同时在Machine Learning; IEEE Transactions on Systems, Man and Cybernetics; Complex Systems; Artificial Intelligence 等重要国际期刊上经常见到。由此可见进化计算的发展之快。进化计算如图1.1所示粗略分为五个子类:进化算法、群智能、自组织网络、人工免疫系统。目前国内介绍进化计算的专著颇多,但多停留在对遗传算法系列的阐述上。另外,由于进化计算内各学科处于蓬勃发展中,不断有新的算法、新的技术涌现，下面将综合最新的学科发展并按照图一所示,给出“进化计算”的研究现状。进化计算进化算法群智能自组织理论人工免疫系统其他遗传算法进化规划进化策略进化编程学习分类系统蚁群算法蜂群算法粒子群优化细菌群优化竞争神经网络自组织映射神经气体增长型神经气体负向选择算法克隆选择算法免疫网络算法树状细胞算法差分进化人工生命文化算法和谐搜索图1.1 进化计算内涵框架2.2 进化算法2.2.1 遗传算法标准遗传算法可视作一个达尔文进化系统。尽管简单,但对非线性、随机、暂态、混沌的问题均表现优异。而传统的优化技术如梯度法、爬山法和纯随机搜索法,则对此表现不佳。首先初始化群体。除了一般的随机产生之外,还有两种方法:获得近似解；用户指定解。然后,计算每个个体的适应度。2.2.2遗传编程遗传编程(GP)定义为基于进化算法来寻找能够执行用户定义任务的一段计算机程序。它可视作遗传算法的特殊形式,即每个个体为一小段计算机程序,不断优化直到寻找到最优的计算机程序。自1992年Koza创立以来,短短数年间,已取得巨大成果。遗传编程的个体表示法可根据基本结构分为3种:树形、线性的、图形的,这与传统的基因表示有巨大区别，其中最常见的是树形结构。2.2.3 进化策略和进化规划德国学者Schwefel和Rechenburg美国学者Fogel分别提出进化策略ES和进化规划EP。这三种方法具有共同的本质，分别强调了自然进化中的不同方面：遗传算法强调染色体的操作，进化策略强调了个体级的行为变化。而进化规划则强调种群级上的行为变化。现在学术界把遗传算法GA、进化策略ES和进化规划EP通称为进化算法EC。2.2.4 进化策略进化策略对极值优化问题的求解有一定的优势。他的主要执行步骤为：编码：对要求解的问题以数字串的方式进行编码（由目标参数和策略参数组成），计算适合度值；判断是否满足终止条件。如满足则输出结果；否则执行下述步骤：选择n个父代参与繁殖；按给定的方式执行交叉操作（可选）；按基于高斯分布的扰动执行变异操作；产生m个子代，并计算适合度值（mn）；返回。2.2.5 进化规划进化规划，同进化策略类似，适用于解决目标函数或约束条件不可微的复杂的非线性实值连续优化问题。进化规划与进化策略在原理上相似，但在具体实现方面有差别。其中最为显著的区别是进化规划中不采用交叉算子，仅通过变异操作来维持两代之间的联系。其基本步骤为：编码：对要求解的问题以数字串的方式进行编码（由目标参数和策略参数组成），计算适合度值；判断是否满足终止条件。如满足则输出结果；否则执行下述步骤；选择n个父代参与繁殖；按基于高斯分布的扰动执行变异操作；产生n个子代，并计算适合度值；返回。2.2.6 进化策略与进化规划的关系单从进化策略与进化规划的解题步骤就能看出，它们有很多的相似之处。进化策略与进化规划在编码方面，不像传统遗传算法那样需要对要求解的问题进行0-1编码和解码，而是直接对所要求解的问题进行编码，即直接将优化问题的解表示为数字串的形式，不需要特定的编码和译码。 2.2.7进化策略与进化规划的差别 实际应用时，进化策略与进化规划的差别主要体现在以下几个方面：进化策略中的交叉算子是可选的；如需要进行交叉运算时，采用类似遗传算法的处理方法，如离散交叉或中值交叉方式。进化规划本身就没有交叉算子，这也是该两种方法最本质的区别；在父代选择方面：进化策略采用概率选择的方式形成父代，通常根据均与随机分布的方式抽取父代个体，这样每一个父代个体都能以同样的概率被选中。进化规划则采用确定性的方式，即当前种群中的每一个父代都要经过变异来产生子代；在具体变异表达式方面，进化策略与进化规划也存在差别。2.2.8学习分类系统学习分类系统(LCS)是一种机器学习系统,与增强学习(RL)和GA密切相关。LCS通过与环境的相互作用,从环境获得奖励,学习的目的在于如何将奖励最大化。一个基本的LCS模型包括4个重要组件,分别是：规则群、运行组件、增强组件、发现组件。LCS运行时,环境首先给系统发送一个当前状态s的信号。其次,工作组件接收到这个信号后,从分类器集中选择前提是s的分类器,据此建立一个匹配分类器集。接着,系统根据每个分类器的行动建议,根据某个准则进行评价。然后,系统选定某个最优的分类器,设其给出行动建议a,将行动a发送回环境。外界环境根据当前状态s,与系统返回的行动a,根据某个现实准则计算出奖励r,发送给增强组件。增强组件将r分配给做出贡献的分类器。发现组件的作用在于随机选择两个分类器,采用交叉、变异算法产生两个新分类器。新分类器插入群体后,必须将两个旧的分类器丢弃,以维护群体大小固定。2.3 群智能1989年Gerardo Beni在研究分子机器人系统时提出群智能(Swarm Intelligence, SI)的概念,即一种基于分散自组织系统的集体行为。2.3.1蚁群优化蚁群优化算法是一种模仿蚁群觅食行为的概率搜索技术,可用于求解路径问题。图1.2 蚁群的觅食过程图1.2显示了蚁群的觅食过程,其中图1.2(a)显示了第一只蚂蚁通过某条路径,发现了食物源(F),然后返回蚁巢(N),在爬过的路径留下信息素。图1.2(b)显示了整个蚁群随意地经过4条可能路径去该食物源,但最短路径上所遗留的信息素不断得到增强,使得该路径能够吸引更多的蚂蚁。图1.2(c)表明蚁群最终选择最短的路径,其他较长路径上的信息素完全挥发。2.3.2 粒子群优化粒子群优化是模拟鸟群飞行觅食的行为,通过鸟之间的集体协作使群体达到最优。尽管每个个体的行为准则很简单,但组合成的整个群体的行为将会非常复杂。1995年Eberhart和Kennedy提出基本粒子群算法。其中参数是固定的,在对某些函数优化上精度较差。1998年,Shi等提出了采用惯性因子X线性递减的改进算法。此算法在搜索初期具有较大搜索能力,在后期能够快速得到精确果。目前,学者们默认这个改进粒子群算法为标准的粒子群算法。2.3.3蜂群算法Pham在2006年提出蜂群算法(Bees Algorithm)之后,一直单独进行研究,并在互联网上创办蜂群算法的主页和论坛。由于该算法新颖、简单、使用,目前越来越多的专家学者正在投入研究。基本蜂群算法过程如图1.3所示:首先所有侦查蜂随机搜索一次,按照地区优劣分为3类:寻找到最优地区的侦查蜂称为“精英”,带领NE个工蜂继续在这一地区搜索;寻找到次优地区者称为“最好”,带领NB个工蜂继续搜索;而寻找到差的地区者称为“普通”,带领NC个工蜂继续搜索。显然,NENBNC。2.4 自组织理论自组织理论起源于物理学,随后在化学中也发现存在类似的“自集合”现象,再后来生物学中自组织成为一个重要理论, 文介绍四个经典的、有重大突破的基于自组织理论的网络,分别是竞争神经网络、自组织映射、神经气体、增长型神经气体,其发展一脉相连。如图1.4所示。图1.4 自组织系统发展的里程碑2.4.1 竞争神经网络竞争神经网络(CNN)是自组织网络中最经典、最常采用的一种学习策略。采用的规则是胜者为王(Winner-take-all)。CNN的特点在于可以识别相似的输入向量,即能够自动进行聚类、矢量量化等;缺点是网络无法反映原始数据空间的分布与拓扑结构。2.4.2自组织映射自组织映射(Self-organizing Map, SOM)网络是在竞争学习网络的基础上发展起来,能够同时学习输入向量的概率分布与拓扑结构。SOM首先由Kohonen于1982年提出,又称Kohonen网。特点在于:当竞争层训练结束后,功能相近的神经元非常靠近,功能不同的神经元相距较远。2.4.3神经气体假设数据空间的拓扑结构为M,神经元拓扑结构为A,则SOM网络具有将M的拓扑映射到A上的能力。映射过程均是由高维(M)往低维(A)映射,优点是可以实现特征压缩,缺点是必然存在拓扑信息丢失。若要完美地保留原始数据空间M的拓扑结构,则神经元阵列空间A必须与M匹配。因此必须要事先知道M空间的拓扑结构,而这是相当难的,因为M的拓扑结构可能无法预知,或者过分复杂(包含很多高维、离散、分形的子集)而无法直接描述。Martinetz于1991年提出了神经气体(Neural很好地解决了这个难题,它并不事先制定网络的拓扑结构A,而直接学习数据空间M的数据中心与拓扑结构,最终使得每个神经元像气体一样,扩散到输入空间的M拓扑结构中。2.4.4增长型神经气体NG运行时,必须预先规定神经元的数目,这在实际问题中很难做到。如果程序运行后发现要更改神经元数目,则程序必须重新开始。为了解决这个问题,同时也为了加速收敛过程,Fritzke在增长型细胞结构(Growing Cell Structures)与CHL算法的基础上,提出了增长型神经气体(Growing Neural Gas,GNG)。它可以在算法运行中自动增加或删除神经元。GNG的优点在于(1)系统可以自动增加或删除节点。(2)引入局部误差衡量机制,可以帮助系统决策局部增加或删除节点的必要性。(3)拓扑邻近的节点由边缘(edge)链接,老边缘被定时删除。因此,遗留的边缘能够实时反映数据分布。(4)可用于非平稳信号的跟踪。(5)传统的方法对离散类无效,而边缘易对离散类定位(根据该类是否存在链接其他类的边缘即可)。2.5人工免疫系统工免疫系统(Artificial Immune System, AIS)是一种基于脊柱免疫系统的原理和流程的计算系统,采用免疫系统的学习和记忆功能来解决实际问题。学者们提出了许多基于免疫系统的算法,经过时间沉淀后,目前有以下四类算法效果较优,分别是负向选择算法、克隆算法、免疫网络算法(immune networkalgorithm )、树状细胞算法( dendritic cellalgorithm)。2.6其他算法2.6.1差分进化Storn于1995年提出差分进化(DifferentialEvolution)算法,是一种随机的并行直接搜索算法。可对非线性不可微连续空间函数进行优化,以其易用性、稳健型、全局搜索能力在多个领域取得成功。在1996年举行的第1届国际IEEE进化优化竞赛上,DE被证明是最快的进化算法。2.6.2文化算法Reynolds首先于1994年在第三届进化规划年会上提出文化算法(CA)的雏形,由于当时性能不佳而放置。直到2005年Reynolds再次提出成熟的文化算法。2008年,Reynolds提出将社交结构成分(Social Fabric Component)嵌入到文化算法中。文化算法在进化算法中加入了一个信仰空间,也称信条空间(belief space),专门存储在搜索过程中发现的知识。因此,文化算法可看作进化算法的一个有力扩展。2.6.3和谐搜索算法2001年Geem提出和谐搜索(Harmony Search,HS),模拟音乐家的即席创作(improvisation)。在算法运行中,每个音乐家弹奏一个音符,来寻找最好的和声。算法将音乐中的一些技术名词与优化问题挂钩。HS的优点在于:计算非常简单,且不会发散;对初值设置不敏感;可处理离散变量与连续变量；对遗传算法中的“积木块缺陷”免疫。2.7 人工生命人工生命(Artificial life)是通过人工模拟生命系统,来研究生命的领域。人工生命的概念，包括两个方面内容：(1)属于计算机科学领域的虚拟生命系统，涉及计算机软件工程与人工智能技术。(2)基因工程技术人工改造生物的工程生物系统，涉及合成生物学技术。 AL是首先由计算机科学家Christopher Langton在1987年在Los Alamos National Laboratory召开的生成以及模拟生命系统的国际会议上提出。3 进化计算在智能控制中的应用将进化计算引入鲁棒控制系统是一种新的有效的方法，对于鲁棒控制领域中的某些控制结构和控制作用，进化算法可以提供比传统数值优化方法更快更好的优点。同其他传统的鲁棒系统设计方法相比，基于进化算法的鲁棒控制系统设计直接法具有算法简便，灵活性大，能够得到低阶控制器，可以达到全局最优的特点；而间接法是对传统方法的发展，能够缩短设计时间，提高自动化程度。模糊进化神经网络融合模糊逻辑、进化计算和神经网络理论与技术，是符号智能和计算智能的有机融合是一种综合智能理论技术，其基本思路是利用模糊逻辑解决进化计算中控制参数的初选、编码、调节和对优化结果的综合评价；利用模糊进化计算解决神经网络和模糊神经网络的全自动高效优化设计，以及模糊逻辑系统中控制参数的优化。他是在3种现有的智能理论技术基础上发展起来的，作为崭新的智能理论技术进行研究的，旨在分析进化算法中的模糊智能行为智能和属性、神经网络设计、模糊建模和控制中的进化智能行为和属性，解决进化计算、神经网络、模糊控制理论本身许多无法解决的难题，模糊进化神经网络主要是利用模糊进化算法来设计神经网络，包括训练神经网络权重，拓扑结构等所有参数，以提高神经网络学习效率，建立合理最优的网络模型，并对神经网络模型进行评价研究。进化算法的全局采样特性可以与传统的神经学习算法的局部搜索行为相结合，先用进化算法寻找初始权空间，然后采用传统神经网络梯度下降学习法，还可以用进化算法优化标准神经学习算法中关键参数的问题。以如何对神经网络的结构进行编码为主要研究内容的进化神经网络，即网络参数编码的确定 （包括选择待编码的参数、为各参数分配串长、定义串值与参数值之间的映射关系等） ， 随着大规模计算机的不断发展，使其实用化成为可能。用遗传算法设计模糊逻辑控制器具有许多其他方法所没有的优越性：遗传算法可以优化模糊逻辑控制器从结构到参数数值的各个方面；可以不需要设计者对控制对象有任何先验知识，可以没有良好的训练数据对；易于融入设计者的知识以提高学习效率；基于规则的模糊逻辑控制器摆脱了全局隶属函数的束缚，规则数可以自由改变，尤其适合用遗传算法来设计。综合运用匹兹堡方法和密歇根方法，在控制器级和规则级同时进化模糊系统的方法，克服了二者的缺点，大大提高了进化的效率。模糊控制器是刺激响应型的分类器系统，每一控制周期均与环境进行交互，因而避免了繁琐的分值分配算法，为简单的规则评价方法提供了可能。规则评价的关键是解决系统状态变量之间的可能的冲突，将状态变量边界附近的误差加以放大，则在边界附近状态变量的任何较小的改变，都能产生较大的反馈。微遗传算法实现的自适应控制器，对于多模态情况以及非平稳函数的优化， 都取得了性能卓越的结果。遗传算法可以应用到前向神经网络的学习中，把权值和节点的连接作为基因组，不管是前向还是反馈，任何一种连接方式，都可作为基因的一种随机组合方式，而基因组可以随意形成，通过遗传算法可以得到输入与输出正确映射的网络结构和网络权值。遗传算法用于神经网络自适应 控制系统是通过遗传算法训练神经网络而构成的自适应控制系统，实现了遗传算法、神经网络、控制者的有机结合，获得了优异的控制效果，收敛快、鲁棒性强、动态响应良好。基于遗传算法的自学习故障诊断方法，利用了自学习诊断规则能够缓解知识获取上的困难，特别是当对故障缺乏了解时，为从一组训练数据中自动建立规则提供了有效手段。遗传算法作为一种实质上的随机搜索技术，难免由于随机性太大而陷入盲目搜索，以至于以搜索失败而告终。若与专家系统结合，以有效的启发知识来引导种群规模的界并设定交配概率和突变概率以及这两项操作的基因串的位置，则可快速获得满意解。此外，遗传算法用于图像恢复、图像识别和作业调度都是当前实用的研究课题。参考文献1 Jin Ma, Yong-guang Ma, Bing-shu Wang. Dynamic Characteristic Optimization for Superheater SystemModel Based on Evolutionary Computation. IEEE, 20082 HAO Guo-Shengu2, GONG Dun-Wei1,YUAN Jie1,YAN Yu-Ruo2, YAN Jun-Rong.Users Attention Knowledge Learning in Interactive Evolutionary Computation. IEEE, 2009:4270-42753 蔚承建, 姚摄摄, 何振亚. 改进的进化计算及其应用. 自动化学报,1998,24(2)4 蒲保兴, 杨路明, 肖 潇. 基于进化计算的多目标鲁棒优化方法. 系统工程与电子技术, 2009, 31(5)5 邵桂芳, 李祖枢, 陈桂强. 基于进化计算的控制结构设计方法. 中南大学学报(自然科学版), 2007,38(1)6 何永勇, 褚福磊, 钟秉林. 基于进化计算的神经网络设计与实现. 控制与决策, 2001,16(3)7 宋刚. 进化计算. 世界建筑, 20098 褚德欣. 进化计算及其在智能控制中的应用. 利技情报开发与经济,2004,14(12)9 董 聪. 进化理论与进化计算-当前的状态与问题. 科技导报, 1998:17-2310 贾亚军, 丛 爽. 进化算法的分析及对比研究. 中国科学技术大学自动化系. 国家自然科学基金资助项目(60774098)11 谢全星. 进化计算简要综述. 控制与决策, 1997,12(1)12 余有明，刘玉树. 进化计算的理论与算法. 北京理工大学计算机科学与工程系, 200413 张煌东, 吴乐南, 王水花等. 进化计算研究现状. 电脑开发与应用, 2009,22(12)14 焦李成. 进化计算与进化神经网络计算智能的新方向. 西安电子科技大学雷达信号处理国家实验室和神经网络研究中心, 1995,115 陈颖琪, 余松煜, 赵 奕. 进化计算与人工神经网络的结合. 红外与激光工程, 1999,28(4)16 焦李成, 保 铮. 进化计算与遗传算法. 系统工程与电子技术, 199517 徐 红. 进化计算在Matlab中的实现方法. 自动化技术, 200618 丁世飞，人工智能，清华大学出版社, 201119 Michael Negnevisky，Artifical Intelligence. 机械工业出版社,200520 王正志. 进化计算. 国防科技大学出版社, 200021 涂序彦 韩力群. 人工智能：回顾与展望. 科学出版社, 200622 冯天瑾. 智能学简史. 科学出版社, 200823 王攀. 优化与控制中的软件计算方法研究. 湖北科学技术出版社, 200724 刘希玉. 人工神经网络与微粒群优化. 北京邮电大学出版社, 200825 姚 新 ,徐 永. 进化计算的最新进展26 刘 鹏. 人工智能与知识工程. 华北电力大学, 201227 彭 锦. 进化算法综述. 中国运筹学会第六届学术交流会论文集. 湖南长沙, 2010:61-7028 张光铎, 王正志. 模拟进化理论及其实现方法. 国防科技大学自动控制系长沙41007329 孙承意, 王皖贞, 贾鸿雁. 思维进化计算的产生与进展. 太原重型机械学院电子信息工程系30 王红霞, 王志伟. 思维进化计算综述. 电脑看法与应用, 2005,18(8)31 刘 晓. 迅猛发展的进化计算技术. 航空计算技术, 199532 徐伟伟. 遗传算法理论及其在智能控制中的应用. 济南职业学院学报, 2007,6(64)33 钱志勤, 滕弘飞, 孙治国. 人机交互的遗传算法及其在约束布局优化中的应用J.计算机学报,2001,(5).34 王征应, 石冰心. 基于启发式遗传算法的QoS组播路由问题求解J. 计算机学报, 2001,(1)35 徐立鸿, 沈于晴. 一种基于家庭聚类思想的遗传算法J. 信息与控制, 2004,(5)36 XinYa0and Yong Xu. Recent Advances in EVolutionary Computation. JComputSci&Technol, 200637 王培崇，钱 旭, 王 月等. 差分进化计算研究综述. 计算机工程与应用, 2009,45(28)38 孙瑞祥, 屈梁生. 进化计算的过去、现在与未来. 西安交通大学诊断与控制学研究所. 200039 梁艳春, 周春光. 进化计算理论与应用研究前景广阔. 吉林大学计算机科学与技术学院40 胡静芳. 进化算法初步探讨. 科技咨询导报, 200741 宋晓峰，亢金龙，王 宏. 进化算法的发展与应用. 软件技术， 2006，(20)42 况颐， 熊吉春. 进化算法及进化理论初探. 信阳师范学院学报(自然科学版),2000,13(4)43 刘国华，包 宏，李文超. 用MATLAB实现遗传算法程序. 北京：北京科技大学，200044 邵桂芳，李祖枢，陈桂强. 基于进化计算的控制结构设计方法. 中南大学学报(自然科学版), 2007,3845 韩 娟. 遗传算法概述. 西部探矿工程, 2007,746 李冰洁. 遗传算法及其应用实例. 吉林工程技术师范学院学报, 2005,21(12)47 王珊珊. 遗传算法的理论基础及应用. 湖南长沙, 中南大学生物医学工程研究所, 2008,948 张洋洋,都培锋等. 用于模糊控制器设计的遗传算法研究. 控制与决策, 2003, 18(6)49 陈根社, 陈新海. 遗传算法的研究与进展. 信息与控制,1994,23(4)50 谭政华, 胡光锐,任晓林. 利用进化规划设计人工神经网络. 计算机工程与应用,199951 王 涛. 遗传算法及其应用. 新乡学院学报, 2008,25(1)52 吴庆洪, 张纪会, 徐心和. 一种有效的进化规划算法. 系统仿真学报, 1999,11(6)共 15 页 第 15 页