简介:为提高粒子群算法的搜索效率,克服分解方法处理复杂多目标问题的不足,通过考虑父代解的选择和种群的更新对算法收敛性及解的分布均匀性的重要影响,提出了一种基于分解的改进自适应多目标粒子群优化算法。首先,为提高算法收敛速度,在分解方法确保进化种群多样性的前提下,设计了新的适应度评价方法以评价个体的优劣,并将在竞争中获胜的优质后代解添加到父代候选解中;其次,为避免算法陷入局部最优,在更新粒子时,从当前粒子的邻居或邻居外随机选择个体最优和全局最优位置;最后,引入外部文档,将其作为候选的输出种群,并采用拥挤距离维持多样性,增强了算法处理复杂问题的能力。用12个测试函数的数值实验,并与5种多目标优化算法的比较,表明了所提算法的优越性。
简介:为了探索复杂适应系统的演化、涌现规律,介绍了一个自主开发的数字人工生命模型:Au-tolife,并在该系统上完成了一系列计算机仿真试验.Autolife中的数字生命都可以看作自主决策的Agent,它们用有限自动机建模;同时程序允许Agent通过变异和繁殖而完成开放式的进化.在该模型的基础上,本文主要针对Autolife涌现出来的数字生命个体行为、群体行为进行了论述,并着重讨论了组织的生成、社会性寄生、自修复等现象.数字人工生命模型Autolife中的丰富隐喻可以用于总结一般复杂适应系统的规律,包括:个体为了提高自身的适应性会把决策行为推到混沌的边缘;不同的环境会造就Agent的不同群体适应性动态行为;当系统中Agent间的交互出现因果闭圈的时候,组织会自发涌现,并且它们会展现出创生、演化、灭亡的必然发展规律.