导读:本文包含了进化学习策略论文开题报告文献综述及选题提纲参考文献，主要关键词:微分进化,共享学习,共享个体,共享学习因子
进化学习策略论文文献综述
段美军,杨红雨,刘洪,陈俊逸,刘宇[1]（2019）在《基于共享学习策略的微分进化算法》一文中研究指出针对传统微分进化算法易发生早熟收敛问题,提出基于共享学习策略的微分进化算法(SLDE),引入共享个体和共享学习因子。共享个体覆盖整个种群,较优个体可引导算法朝希望方向进化,较差个体则能维持种群的多样性,向共享个体学习可避免丢失个体信息,实现整个种群间的信息交换,有助于算法跳出局部最优解,提高算法的局部开采和全局勘探能力。同时,算法充分利用个体的进化信息,根据个体适应值到最优适应值的距离自适应地调整共享学习因子,以弥补随机个体对进化带来的随机性和盲目性,增强算法的搜索能力。采用22个不同特性的Benchmark测试函数对算法进行性能测试,与7种改进DE算法进行性能对比,实验结果表明,SLDE具有较强的跳出局部最优解能力,能显着减少进化代数,大幅地提高算法的收敛精度、收敛速度和稳定性,SLDE的全局优化性能整体上远优于其他改进DE算法。(本文来源于《工程科学与技术》期刊2019年01期）
李俊,邹杰,李波,刘嘉麒[2]（2018）在《基于多邻域策略重心反向学习的差分进化算法》一文中研究指出针对标准差分进化(DE)算法探索能力差、难以逃出局部最优的问题,提出一种基于多邻域策略和邻域重心反向学习的差分进化算法(MCOBDE)。该算法根据当前进化状态动态地选择不同的邻域策略:在算法前期大概率选择局部邻域策略,其采用的环形邻域结构有利于探索种群空间;在算法后期大概率选择全局邻域策略,其采用的星形邻域结构能加快算法收敛。同时在不同的邻域结构下辅以重心反向学习,能进一步扩大搜索范围,避免陷入局部最优。通过与其他DE算法针对15个CEC2015测试函数在低维和高维情况下的实验对比,证明本文算法具有较快的收敛速度和较高的收敛精度,能有效克服探索能力差、早熟收敛的缺点。(本文来源于《武汉科技大学学报》期刊2018年03期）
陈淑芳,胡桂平[3]（2018）在《高中生物学学习障碍及教学策略研究——以《遗传与进化》模块为例》一文中研究指出《遗传与进化》模块是高中生物学中较难的部分,学生往往存在学习障碍。对学生在该模块学习中存在的障碍进行了梳理,发现主要有概念区分障碍、抽象思维障碍、推理计算障碍和提取信息障碍等类型,在分析各类障碍原因产生的基础上提出了一些策略。(本文来源于《中学生物教学》期刊2018年05期）
周伟,罗建军,靳锴,王凯[4]（2017）在《基于模糊高斯学习策略的粒子群-进化融合算法》一文中研究指出针对粒子群优化(PSO)算法存在的开发能力不足,导致算法精度不高、收敛速度慢以及微分进化算法具有的探索能力偏弱,易陷入局部极值的问题,提出一种基于模糊高斯学习策略的粒子群-进化融合算法。在标准粒子群算法的基础上,选取精英粒子种群,运用变异、交叉、选择进化算子,构建精英粒子群-进化融合优化机制,提高粒子种群多样性与收敛性;引入符合人类思维特性的模糊高斯学习策略,提高粒子寻优能力,形成基于模糊高斯学习策略的精英粒子群和微分进化融合算法。对9个标准测试函数进行了计算测试和对比分析,结果表明函数Schwefel.1.2、Sphere、Ackley、Griewank与Quadric Noise计算平均值分别为1.5E-39、8.5E-82、9.2E-13、5.2E-17、1.2E-18,接近算法最小值;Rosenbrock、Rastrigin、Schwefel及Salomon函数收敛平均值较四种对比粒子群优化算法计算结果提高了1~3个数量级;同时,收敛性显示算法收敛速度较对比算法提高了5%~30%。算法在提高计算收敛速度和精度上效果明显,具有较强的逃离局部极值的能力和全局搜索能力。(本文来源于《计算机应用》期刊2017年09期）
刘昊,丁进良,杨翠娥,柴天佑[5]（2017）在《基于择优学习策略的差分进化算法》一文中研究指出传统的差分进化算法在个体变异方面只是利用了随机个体和最优个体的信息.由于选用个体的随机性,导致其搜索效率比较低并且有可能找不到最优解,为此,提出了基于择优学习策略的差分进化算法.该算法选择性地利用种群中比较优秀的个体的信息,克服种群进化过程中的盲目性,增强了搜索能力.通过对多个具有不同特性的标准测试函数进行测试研究,结果表明该方法可以明显减少迭代次数,提高计算效率.(本文来源于《上海交通大学学报》期刊2017年06期）
陈征,刘亚辉,杨芳[6]（2017）在《基于进化-增强学习方法的插电式混合动力公交车能量管理策略》一文中研究指出插电式混合动力客车越来越多出现在城市公交领域。为了更好地提升车辆的燃油经济性,整车能量管理策略成为一大研究热点。提出一种基于进化-增强学习方法的插电式混合动力公交车能量优化管理策略。首先,给出简化的车辆模型并基于增强学习系统给出能耗的优化目标函数;其次,针对此优化目标函数给出了初始的控制策略种群,并用进化算法求出最优的能量控制策略和最优能耗值;最后,通过仿真分析验证了算法的有效性。提出的新方法相对传统的电量消耗-维持(Charge depleting charge sustaining,CDCS)策略减少了大约12%的花费。(本文来源于《机械工程学报》期刊2017年16期）
姚俊伟,邓玲,谢琼瑶,向颖,田立勃[7]（2017）在《基于协方差学习和双峰参数设置差异进化算法的电力系统无功优化策略》一文中研究指出设计了基于协方差学习和双峰参数分布整定的差异进化算法,以解决现有差异进化算法在实现电力系统无功优化中处理变量相关问题效果欠佳和控制参数整定困难的问题。现给出了该算法的设计原理和实现流程,并进行了在IEEE 30节点系统中应用的仿真。通过与现有优化算法结果的比较,验证了该算法在实现电力系统无功优化中的正确性和有效性。(本文来源于《机电信息》期刊2017年06期）
黄俊勋[8]（2016）在《基于实时多策略与逆向学习的自适应差分进化算法》一文中研究指出差分进化算法(Differential Evolution,DE)是进化算法的一个经典分支,由Storn和Price提出,具有适用性广、操作简单、寻优效果好等优点,但其使用单一进化策略存在灵活性弱与易陷入早熟状态的不足。针对上述问题,学者曲福恒提出了多策略多参数并行差分进化算法,为种群中每个个体随机选取策略进行进化,具有相对较好的收敛速度和寻优性能。但算法是根据策略所采样的个体表现来评价策略的进化效果,所以会存在策略采样数量无法保证以及评价标准有所偏差等问题。并且算法使用人工子过程代替整个进化过程,虽然在一定程度上提升了算法的灵活性,但无法对进化中的反馈进行实时调整,同时算法也未对陷入局部最优的情况提出额外的应对措施。本文针对多策略多参数并行差分进化算法存在的不足,提出了一种基于实时多策略与逆向学习的自适应差分进化算法,并对算法的性能进行了研究。具体工作如下:针对多策略多参数并行差分进化算法多策略采样数量无法保证、评价指标存在偏差以及实时性不强等问题,提出了新的实时多策略机制。主要思想是:采用多策略组成的策略池为整个种群实时选取策略进化,将实验个体替代原个体的比率作为评价指标对进化效果进行评价,并依据进化效果判定对当前策略的选取概率进行动态调整。此机制使得算法在解决单峰问题的进化过程中加快了收敛速度,使其能够更早的收敛到最优值。此外,其在处理多峰问题的进化过程中表现出的寻优能力也得到了提升。在实时多策略机制的基础上,针对多策略多参数并行差分进化算法在陷入局部最优时无额外应对措施的不足,引入了Rahnamayan提出的逆向学习操作,并且在原有触发条件的基础上,提出了新的触发条件。其主要思想是:在原有单一触发机制的基础上,增加了种群局部最优状态判定,当种群的当代最优值与历史最优值一致达到一定代数时,强制触发逆向学习操作。针对种群陷入局部最优状态的问题,提高逆向学习的强度,在处理多峰多极值问题上提升了算法的全局搜索能力,使种群在实时多策略的基础上更容易、更频繁地跳出早熟状态,取得更好的寻优精度。(本文来源于《湖南师范大学》期刊2016-04-01）
刘昊,丁进良,杨翠娥,柴天佑[9]（2015）在《基于择优学习策略的差分进化算法》一文中研究指出传统的差分进化算法在个体变异方面只是利用到了随机个体和最优个体的信息。由于选用个体的随机性,导致其搜索效率比较低并且有可能找不到最优解。为此提出基于择优学习策略的差分进化算法,该算法选择性地利用种群中比较优秀的个体的信息,克服种群进化过程中的盲目性,增强了搜索能力。通过对多个具有不同特性的标准测试函数进行测试研究,结果表明该方法可以明显减少迭代次数,提高计算效率。(本文来源于《第26届中国过程控制会议（CPCC2015）论文集》期刊2015-07-31）
王芳芳[10]（2013）在《具有局部定向繁殖策略和自学习机制的定向进化算法》一文中研究指出进化算法（Evolutionary Algorithms，EAs），是一种具有智能性的群体优化算法。由于其具有智能性、通用性、稳健性、本质并行性和全局搜索能力，为解决许多复杂优化问题提供新的思路。因此，进化算法在约束优化、聚类优化、非线性优化控制、神经网络优化及其它方面得到广泛应用。近年来，许多研究者对进化算法的研究目的主要围绕着以下几点：提高进化算法的寻优能力、高维求解能力、多目标搜索、以及加快收敛速度、克服启发式算法常见的早熟收敛现象等。目前，针对传统进化算法中对进化个体主观能动性考虑不周的问题引入定向变异思想，这已成为进化计算（Evolutionary Algorithms，EC）领域的一个新的研究方向，即定向进化算法（Directional Evolutionary Algorithm，DEA）。本论文主要基于不同进化策略与算子提出改进的定向进化算法并对它们进行求解验证，主要研究工作概括如下：1）首先根据“基于定向变异思想的一种简单进化方向算子”提出定向繁殖策略，同时结合局部搜索技术给出具有局部定向繁殖策略的动态优化算法（Active Evolutionary Algorithm with Local-directional Reproduction Strategy，LRSEA）。局部定向繁殖策略（Local-directional Reproduction Strategy，LRS）的主要步骤如下：首先根据个体之间适应度差值规范化搜索方向，并快速转入局部空间进行搜索；其次，根据最优进化方向进行局部繁殖子代个体；最后为避免陷入局部最优，根据比较全局最优个体与局部最优个体的适应度，采用动态方式进行调整。这便形成具有局部定向繁殖策略的动态优化算法的核心操作，实验结果表明：该算法收敛速度和局部搜索能力有所改进。2）基于学习效率设计一种新型学习算子——积极学习算子（ActivityLearning Operator），即积极主动学习“优秀知识”的算子。其积极性表现在进化个体的学习效率与自身适应度相关：适应度大的个体，其学习效率高，因此该个体的学习积极性就好。在算法LRSEA基础上，本文结合积极学习算子，给出另一个改进算法——基于积极学习算子的LRSEA算法（LRSEA Base onActivity Learning Operator，LRSEA*）。LRSEA*将局部定向繁殖策略与积极学习算子相结合，实验结果表明：新算法LRSEA*求解最优值的效果和求解最优的速度都有明显改善。(本文来源于《华侨大学》期刊2013-03-27）
进化学习策略论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对标准差分进化(DE)算法探索能力差、难以逃出局部最优的问题,提出一种基于多邻域策略和邻域重心反向学习的差分进化算法(MCOBDE)。该算法根据当前进化状态动态地选择不同的邻域策略:在算法前期大概率选择局部邻域策略,其采用的环形邻域结构有利于探索种群空间;在算法后期大概率选择全局邻域策略,其采用的星形邻域结构能加快算法收敛。同时在不同的邻域结构下辅以重心反向学习,能进一步扩大搜索范围,避免陷入局部最优。通过与其他DE算法针对15个CEC2015测试函数在低维和高维情况下的实验对比,证明本文算法具有较快的收敛速度和较高的收敛精度,能有效克服探索能力差、早熟收敛的缺点。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
进化学习策略论文参考文献
[1].段美军,杨红雨,刘洪,陈俊逸,刘宇.基于共享学习策略的微分进化算法[J].工程科学与技术.2019
[2].李俊,邹杰,李波,刘嘉麒.基于多邻域策略重心反向学习的差分进化算法[J].武汉科技大学学报.2018
[3].陈淑芳,胡桂平.高中生物学学习障碍及教学策略研究——以《遗传与进化》模块为例[J].中学生物教学.2018
[4].周伟,罗建军,靳锴,王凯.基于模糊高斯学习策略的粒子群-进化融合算法[J].计算机应用.2017
[5].刘昊,丁进良,杨翠娥,柴天佑.基于择优学习策略的差分进化算法[J].上海交通大学学报.2017
[6].陈征,刘亚辉,杨芳.基于进化-增强学习方法的插电式混合动力公交车能量管理策略[J].机械工程学报.2017
[7].姚俊伟,邓玲,谢琼瑶,向颖,田立勃.基于协方差学习和双峰参数设置差异进化算法的电力系统无功优化策略[J].机电信息.2017
[8].黄俊勋.基于实时多策略与逆向学习的自适应差分进化算法[D].湖南师范大学.2016
[9].刘昊,丁进良,杨翠娥,柴天佑.基于择优学习策略的差分进化算法[C].第26届中国过程控制会议（CPCC2015）论文集.2015
[10].王芳芳.具有局部定向繁殖策略和自学习机制的定向进化算法[D].华侨大学.2013