导读:本文包含了进化策略论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:算法,策略,自适应,免疫,卷积,蜂群,蛙跳。
进化策略论文文献综述
康锰,许峰[1]（2019）在《多进化策略自适应免疫多目标进化算法》一文中研究指出为了在基于克隆选择的免疫多目标进化算法中提高种群的多样性,提出了一种基于目标函数变化率的多进化策略自适应免疫多目标进化算法,以采用克隆选择的免疫多目标进化算法为基础,根据目标函数的变化率,在不同的进化阶段自适应地选择两种不同的差分进化策略,在保证算法收敛速度的同时兼顾种群的多样性,避免算法陷入局部最优。选用DTLZ测试函数对新算法进行了性能测试,并与其它算法进行了比较。结果显示,新算法解的分布性和均匀性有了一定程度的提高。(本文来源于《安徽理工大学学报(自然科学版)》期刊2019年05期）
杨蕾,梁永全[2]（2019）在《协同进化策略的粒子群优化算法》一文中研究指出为了进一步提高粒子群优化算法的寻优精度,并改善收敛速度慢的问题,本文基于传统的粒子群优化算法,借鉴协同进化的思想和共生机制,提出了将协同进化算法和粒子群算法相结合的算法模型(CEA-PSO)。群体内部采用精英保留策略保留精英个体,将个体的进化和群体之间发生信息交换,达到优势互补的效果。实验结果表明,协同进化策略的粒子群优化算法精度更高,优化性能更佳。(本文来源于《软件》期刊2019年08期）
唐双焱[3]（2019）在《酶的定向趋异进化策略在代谢工程中的应用》一文中研究指出羟基酪醇是一种天然多酚类化合物,具有卓越的抗氧化活性,主要以酯类的形式存在于橄榄的果实和枝叶中。研究表明羟基酪醇具有抗癌、抗菌、抗炎等多种生物和药理活性。目前羟基酪醇主要从橄榄果、叶以及制备橄榄油过程中产生的残渣和废水中分离出来。生物法合成羟基酪醇的途径已有报道,其生物合成效率仍有待提高。(本文来源于《第十二届中国酶工程学术研讨会论文摘要集》期刊2019-08-08）
张强,李盼池,王梅[4]（2019）在《基于自适应进化策略的人工蜂群优化算法》一文中研究指出提出一种自适应进化策略的人工蜂群优化算法来提高基本人工蜂群优化算法的性能。算法中每个引领蜂拥有4种进化策略,在迭代过程中通过计算每种进化策略的立即价值、未来价值和综合奖励来决定引领蜂个体的进化行为,并通过多策略进化概率变异方式来提升个体寻优速度或避免陷入局部最优解。典型高维复杂函数测试表明,该算法具有很好的收敛精度和计算速度。(本文来源于《电子科技大学学报》期刊2019年04期）
[5]（2019）在《宿主对抗寄生虫的进化策略》一文中研究指出标准的药物治疗可能会在不知不觉中模仿寄生虫的攻击,并引发专门的防御反应,从而帮助治愈精神疾病。争夺宿主的营养、损伤宿主的组织和器官、"制造"有害有毒物质,有些寄生虫甚至能够操控宿主的行为。比如刚地弓形虫。为了提高繁殖成功率、实现更广泛的传播,刚地弓形虫会以老鼠为媒介,在其杏仁核中(本文来源于《大众科学》期刊2019年07期）
张焕,丁豪,关康翔,孙源,张蔚[6]（2019）在《新生代大学生视角下的大学校园交通空间进化策略——以浙江大学紫金港校区为例》一文中研究指出随着我国教育事业快速发展,新生代大学生步入高校的人数激增,传统高校的校园交通空间已难以满足学校发展的需要。文章从新生代大学生视角出发,以浙江大学紫金港校区为例,根据实地调研与问卷信息分析传统校园交通空间存在的弊病,再结合校园实例,为新时期高校校园交通空间建设和优化提出针对性策略。(本文来源于《建筑与文化》期刊2019年06期）
翟志波,宋光婕[7]（2019）在《基于双种群进化策略的教与学-免疫克隆多目标进化算法》一文中研究指出目的用基于双种群进化策略的教与学-免疫克隆多目标进化算法(multi-objective teaching-learning-based optimization with immune clone algorithm, MTLBO-ICA),解决无约束多目标优化问题。方法将局部搜索能力强的免疫克隆算法(immune clone algorithm, ICA)与全局搜索能力强的教与学优化算法(teaching-learning-based optimization,TLBO)算法相结合;采用Pareto交叉算子,使得优秀个体基因尽可能得到保留;采用Pareto支配的策略,将种群分为非支配个体和支配个体。结果相比于经典的多目标优化算法NSGA-II,SPEA2以及MOTLBO,MTLBO-ICA算法得到的Pareto曲线与真实Pareto曲线拟合的比较好。结论 MTLBO-ICA在收敛性和分散性方面都有很好的表现,能有效解决无约束多目标进化问题。(本文来源于《宝鸡文理学院学报(自然科学版)》期刊2019年02期）
宋仕杰[8]（2019）在《基于深度卷积神经网络和进化策略算法的机器人端对端伺服控制》一文中研究指出传统的机器人抓取方法对于重复性的固定任务鲁棒性很好,但是难以适用于那些需要机器人具备自学习能力的智能化控制场景。深度学习、深度强化学习技术的快速发展为机器人的智能化控制提供了新思路。近年来,国内外学者对基于学习的机器人智能化控制技术进行了大量的研究,但是,基于学习和视觉反馈的机器人端对端伺服控制仍旧是一个极具挑战性的任务。本文基于深度卷积神经网络和自适应协方差进化策略算法(CMA-ES),实现了在单目视觉的情况下,对机器人抓取行为的端对端伺服控制。在伺服机制的控制下,机器人可以通过单目图像的反馈连续地调整抓取姿态,最终到达一个更好的抓取位置。首先,分析了伺服控制任务中的映射问题,基于残差单元,搭建了一个深度卷积神经网络,以实现任务空间中单目图像、运动指令到机器人抓取成功概率的映射,并对预测模型的时间复杂度和空间复杂进行了分析。训练后该预测网络能为机器人姿态的调整提供启发性的反馈信号。其次,为了训练抓取成功概率预测模型,搭建了基于视觉的机器人实验平台,设计了训练数据的采集实验,并让机器人在3个多月的时间内进行了4万多次的抓取尝试,总共采集了18万个训练样本;通过使用带权重的交叉熵损失函数和多个性能评价指标,解决了正负样本严重不平衡的情况下预测模型的训练难题;基于GBP算法对训练后的预测模型进行了可视化分析。然后,将搜索最优运动指令的过程建模成一个带限制条件的黑箱优化问题,基于CMA-ES算法和训练后的预测模型,提出了最优运动指令的搜索算法;通过一个决策规则的引入,解决了机器人在当前状态下是执行最优运动指令进行姿态调整还是在当前位置进行抓取的决策问题,实现了对机器人连续地伺服控制。最后,基于提出的算法建立了一个机器人抓取系统,并设计了实验评估方案。实验结果表明,系统对于训练集中的物体能达到70%多的抓取成功率。(本文来源于《华中科技大学》期刊2019-05-01）
耿焕同,周山胜,韩伟民,周利发[9]（2019）在《基于自适应进化策略的MOEA/D算法》一文中研究指出针对MOEA/D算法单纯使用差分进化策略造成局部搜索能力弱、寻优精度低等问题,提出一种基于自适应进化策略的MOEA/D算法(MOEA/D-EA)。利用种群邻域更新信息构造进化状态判断机制,判断子问题的进化潜能和种群的进化状态;将子问题的进化潜能正反馈到反向学习模型,形成自适应的反向学习策略(AOBL);根据种群的进化状态选择不同的进化策略,以均衡算法的全局搜索与局部寻优能力。实验结果表明,该算法在收敛性、分布性和稳定性等方面均优于或部分优于其它对比算法。(本文来源于《计算机工程与设计》期刊2019年04期）
张强,李盼池[10]（2019）在《进化策略自主选择的改进混洗蛙跳算法》一文中研究指出针对经典混合蛙跳优化算法寻优精度不高和易陷入局部收敛区域的缺点,本文提出一种基于进化策略自主选择的混洗蛙跳算法。算法中最差个体根据不同知识来源采取4种进化策略,每次迭代通过计算每种进化策略的立即价值、未来价值和综合奖励来决定最差个体的进化方式,并通过个体进化策略概率变异算法来提升寻优速度和避免陷入局部最优解。利用10个Benchmark函数对本文算法与8种进化算法进行性能比较。实验表明:所提的算法能较好地平衡全局探索能力和局部挖掘能力,可以用较少的迭代次数获取较优结果,具有很好的收敛速度和精度。(本文来源于《哈尔滨工程大学学报》期刊2019年05期）
进化策略论文开题报告
（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：
为了进一步提高粒子群优化算法的寻优精度,并改善收敛速度慢的问题,本文基于传统的粒子群优化算法,借鉴协同进化的思想和共生机制,提出了将协同进化算法和粒子群算法相结合的算法模型(CEA-PSO)。群体内部采用精英保留策略保留精英个体,将个体的进化和群体之间发生信息交换,达到优势互补的效果。实验结果表明,协同进化策略的粒子群优化算法精度更高,优化性能更佳。
（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。
进化策略论文参考文献
[1].康锰,许峰.多进化策略自适应免疫多目标进化算法[J].安徽理工大学学报(自然科学版).2019
[2].杨蕾,梁永全.协同进化策略的粒子群优化算法[J].软件.2019
[3].唐双焱.酶的定向趋异进化策略在代谢工程中的应用[C].第十二届中国酶工程学术研讨会论文摘要集.2019
[4].张强,李盼池,王梅.基于自适应进化策略的人工蜂群优化算法[J].电子科技大学学报.2019
[5]..宿主对抗寄生虫的进化策略[J].大众科学.2019
[6].张焕,丁豪,关康翔,孙源,张蔚.新生代大学生视角下的大学校园交通空间进化策略——以浙江大学紫金港校区为例[J].建筑与文化.2019
[7].翟志波,宋光婕.基于双种群进化策略的教与学-免疫克隆多目标进化算法[J].宝鸡文理学院学报(自然科学版).2019
[8].宋仕杰.基于深度卷积神经网络和进化策略算法的机器人端对端伺服控制[D].华中科技大学.2019
[9].耿焕同,周山胜,韩伟民,周利发.基于自适应进化策略的MOEA/D算法[J].计算机工程与设计.2019
[10].张强,李盼池.进化策略自主选择的改进混洗蛙跳算法[J].哈尔滨工程大学学报.2019
论文知识图
