论文研究进化算法在芯片测试中的应用 .pdf

一种改进的量子进化算法，何昭晖，章兢，本文在提出一种改进的量子进化算法，通过概率编码简化量子位的表示，引入粒子群算法的优化策略，并对量子位的概率进行限幅，提高

提出一种动态分级的并行进化算法用于求解约束优化问题。该算法首先利用佳点集方法初始化种群。在进化过程中，将种群个体分为两个子种群，分别用于全局和局部搜索，并根据不同的搜索阶段动态调整各种级别中并行变量的

为了改进神经网络模型结构和参数的设置方法，提出了一种改进的粒子群优化径向基函数（RBF）神经网络的方法。该方法通过动态调整粒子群算法中的惯性权重因子，提高了算法的收敛速度和搜索全局最优值的能力。实验结

提出一种新的基于Pareto多目标进化免疫算法（PMEIA）。算法在每一代进化群体中选取最优非支配抗体保存到记忆细胞文档中；同时引入Parzen 窗估计法计算记忆细胞的熵值，根据熵值对记忆细胞文档进行

针对进化算法的不同个体表示，分析研究了基于进化个体或其特征的存储表示和基于进化种群的概率记忆存储表示两类存储方法。通过研制分析可以看出，有效的搜索历史记忆存储方法能很好进行数据的存储和管理。如果记忆的

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

针对类电磁机制算法求解高维问题耗时的缺点，提出了一种蜜蜂进化型类电磁机制算法。在该算法中，种群的最优粒子作为蜂王与被选的每个粒子（雄蜂）以概率进行交叉操作，增强了对种群最优粒子所包含信息的开采能力。为

针对免疫算法在全局优化过程中多样性不足的问题，将差异进化引入克隆变异操作中，提出了一个新的改进的克隆选择算法——基于差异进化的克隆选择算法（DECSA），算法将差异进化和克隆超变异相结合，促进了抗体与

病毒进化优化对计算机或生物病毒在网络系统中的扩散过程进行研究，是在有限网络资源情况下对病毒进化速度进行控制和研究网络用户如何被感染的行为。病毒进化优化通过连通图上的动态概率系统来建模，传统的病毒进化模

为了提高人工蜂群算法的搜索性能，引入了连续状态下的生物病毒机制和宿主与病毒基于感染操作等思想优化人工蜂群算法搜索机制。人工蜂群算法具有控制参数少、实现简单的优点，但是由于蜂群收敛采用局部搜索，使得算法