进化计算中多物种多目标算法优化研究
2024-03-11
来源:榕意旅游网
第35卷第2期 文章编号:1006—9348(2018)02—0229—06 计算机仿真 2018年2月 进化计算中多物种多目标算法优化研究 张君 ,黎 明 ,肖慧荣 ,鲁宇明 (1.南昌航空大学无损检测教育部重点实验室,江西南昌330063) 2.南京航空航天大学自动化学院,江苏南京210016) 摘要:进化算法是智能计算中涉及到组合优化问题的一个子域,模仿种群活动、自然规律等通过优胜劣汰的自然选择极值和 遗传信息的传递,不断迭代演化寻求问题的最优解。各种算法的相互影响和促进使进化计算得到了飞速发展,关于多物种 协同进化的研究也逐渐深入。针对大多文献中多物种的基因型和表现型映射关系一致,不能体现多物种的不同基因型的问 题。提出了一种基于矩阵映射的多物种不同基因型构造方法,可以构造出不同基因型的多物种。并利用矩阵数学模型分析 了不同基因型多物种构造的原理和形成机制。还分析了构造不同基因型映射矩阵的性质,并给出了映射矩阵修改的方法, 可以给相关研究不同基因型多物种多目标优化算法提供一些借鉴。 关键词:多物种;基因型;映射矩阵;数学模型 中图分类号:TP301.6 文献标识码:B Multi——species and Multi——objective Algorithm Optimization Research in Evolutionary Computation ZHANG Jun ,LI Ming ,XIAO Hui—rong ,LU Yu—ming (1.Key Laboratory of Nondestructive Testing,Ministy rof Education, Nanchang Hangkong University,Nanchang 330063,China) 2.College of Automation,Nanjing Aeronautics and Astronautics University,Nanjing 210016,China) ABSTRACT:Evolutionary algorithm is a branch of intelligent computing,which involves combinatorial optimization. Various evolutionary algorithms imitate population activity or the law of nature,and constantly iterate to seek the opti- mal solution of problem by natural selection and genetic operator.Various algorithms influence and promote between each other,SO that evolutionary computation has been developed rapidly.The study on multi—species CO—evolution moves towards increasing sophistication,but genotype and phenotype of multi—species have the same mapping rela· tion.This same mapping relation can not reflect different genes of multi—species.A method of generating different genotype species based on matirx mapping was proposed and analyzed in detail in this paper.By using matrix mathe— matical model,the principle and formation mechanism of different genotype multi—species were given in this paper. In this paper,the nature of the mapping matrix was analyzesd,and the method of mapping matix modirifcation was given.We also gane some suggestions for the optimization research on multi—species and multi—objective algo· rithm. KEYWORDS:Multi—species;Genotype;Mapping matrix;Mathematical model 进化算法不断出现 …。例如遗传算法 ,进化规 1 引言 进化计算从20世纪5O年代兴起以来,各种模拟种群的 划 ”],进化策略 “],遗传程序设计¨ 。 ,差分进化,粒子群 算法,蚁群算法和随机蛙跳算法等等。它们大大丰富了进化 算法的研究。近些年来文化算法 从双层结构来构建基 基金项目:国家自然科学基金项目(61262019);国家自然科学基金项 目(61305010) 于知识指引的种群进化算法;文化基因算法 叫通过研究 局部搜索和全局搜索更好结合来改善进化算法。各种算法 纷纷引人多种群协同进化,并达到了较好的效果。文献[31] ...-——收稿日期:2017—02—20修回日期:2017—03—20 229 提出了两阶段多种群遗传算法解决有多个目标的并行及其 调度问题,第一阶段被分成几个子群体,进化演变后使用精 M= al1 a12 ··· aln a2 1 a22 ··· a2n 英保存策略初始第二种群。文献[32]使用改进的多种群遗 传算法提出一种快速灵活的对接方法,来模拟可旋转蛋白的 快速配对。文献[33]提出了多种群的个体和群体的分层三 元树结构,来解决同步和综合两级分级和调度问题。文献 (3) an1 an2 ‘。 0nn 为保证经过映射矩阵 映射后的搜索空间还在原搜索 域内,对映射矩阵 做如下规定 a ∈(0,1) (4) [34—38]提出的多种群中,个体都是都是同一基因型的,同 一类个体,人为分成若干群体使用不同策略协同进化。 文献[39]在粒子群优化算法中引入捕食策略,用于保持 ∑ai,j=1 (5) 群体的多样性,放置过早收敛到局部最优,把物种分为两个 为更好地了解映射矩阵 是如何作用于种群矩阵P 种群,认为定义捕食者和被捕食者,两者在基因型编码上并 没有不同。文献[40]使用生态学的捕食模型,设计每个捕食 者有不同的选择标准,只在当前区域内进行捕食,通过此进 化算法来解决多目标优化问题,此文首次提出了捕食区域的 概念。文献[41]提出了一种实数编码捕食的元胞结构来解 决多目标优化,不同于以往类似的工作,特别强调引入动态 捕食种群的空间结构,允许动态变化的猎物种群规模,鼓励 更多的自适应搜索。文献[42,43]将捕食关系引入到元胞 遗传算法中,形成捕食元胞遗传算法,用元胞控制捕食邻域, 通过物种间的捕食关系来推动物种进化。 现有的捕食算法,不同物种从基因型到表现型的关系映 射完全一致,基因编码完全一致,仅人为规定捕食者与被捕 食者,不能体现不同物种在基因型上的变化。文献[44]提 了一种改变基因型的策略,利用矩阵映射实现不同物种的基 因变化,并实验证明这种转变基因型方法的有效性,但未进 行详细地理论分析。 多物种基因型转变的相关研究很少,理论分析更少。本 文利用矩阵映射的相关数学理论,分析论证了矩阵映射构建 多基因型物种,对进化计算的影响。本文还建立了完整的矩 阵映射数学模型,并给出了映射矩阵的改进方法,促进进化 算法寻优。 2矩阵映射模型 基于种群的进化算法,在算法实现过程中,一般是用一 个矩阵来表示种群,行向量是种群的个体,行数表示种群的 个体数量,列数表示个体的基因位数,即目标函数的维度。 所以通过矩阵映射生成新基因型的捕食者,可归纳为如下数 学模型: NP…=P… M “ (1) 其中P为被捕食者种群,NP为捕食者种群,m为被捕食者种 群个体数量,n为测试问题的维度,M为映射矩阵。 对于1个个体来说,映射公式如下 = M (2) 其中 为当代种群中的被捕食者, 为映射后的捕食 者。映射矩阵是n n矩阵,具体表示如下 ·-—-——230·--——— 的。本文先从2维空间人手进行探讨。 假设 =[m,n]为种群空间中一个个体,映射矩阵M= fL r吼 吼 上2I r上22 J1 ,当前最优解B:[0,0],m∈(一10,10),n∈(一 1O,10)。则 =X M…+B =c, ,凡 半[ : ]+ 。,。 =[m水aI1+n水a21,m水al2+n术a22] (6) 为探讨映射矩阵作用后映射区间如何变化,先假设in: n,则 ’ :[m木all+m术a2l,m水aI2+m木a22] =,孔水l aI1+ 2l 12+n22 J =m¥[1,1] =[m,m] (7) 即当种群个体 的2个基因位相同时,经过映射矩阵 映射后生成的新个体 与原个体相同。即2维区间上Y: 这条线上的点在映射后不变。假设2维区域边界是 ∈[一 range,range],Y E[一range,range],即以2 range为边长的 正方形。2维区域中(一range,一range),(range,range)2个 顶点映射后是不变的。另2个顶点(一range,range),(range, 一range)如何变化。假设m=一n,则 =[m¥al1一m a2】,m al2一m a22] =m [al1一a21 a12一a22] (8) 因为n ∈(o,1),且∑。 。:1,所以 l alI—a2】I<max(a…a2】)<1 (9) i al2一。22 l<max(a…a21)<1 (10) 即当种群个体 的2个基因位相反时,映射后区间会小于原 区问。所以2维区间上Y=一 这条线上的点映射后被压 缩,2个顶点(一range,range),(range,一range)距离变近。 四个顶点经过限定的 矩阵映射后,2顶点不变,2顶点 距离缩短。所以原区间映射后被缩小了,映射后区间为原区 问内两顶点同定的平行四边彤。通过矩阵映射生成的捕食 者搜索区域变小: 例M=[0.1 0.9;O.8 0.2],range=10。 则映射后区如图1.红色部分所示: 图6 FI函数三维图像 经 阵MI 【0.2635 0.8765 J, M !=r0.7365 0.12351 图1 原搜索空间映射后的搜索空间 ,= .. 0.620。.一 0 379 5 0:7236910]I映射后,映射后.如图所示 J 2.1 映射矩阵对测试函数图像的影响 给ff{两个满足要求的映射矩阵M, = r【0.7365 0.I2351 r0.6205 0.26901 o.2635 o.8765 J, 2 【0.3795 o.73l0 J。对 :10, ∈[一range,rtlnge],Y∈[一range,range]这个2维区间进行 映射,映射后搜索域如图2,3,4,5所示 {◆ ▲图7 MI映射后Fl函数三维图像图8 M2映射后n函数三维图像 对比闰6,冈7,图8可以看出,经过肘矩阵映射后,函数 在y: 方向上没有变化,在y=一 这个方向上被放大。结 ◆. 一、 彤,其中映射操作为g( )=[ 。, ] ,果与第1节映射分析的结果正好相反。 根据最大优化冠理论,M2映射后的函数,M1映射后的 函数,原函数的搜索难度是逐渐增加的。可见通过映射矩阵 生成捕食者可以降低 数优化难度。 2.2映射矩阵对测试函数图像影响原因分析 原函数表达式 图3 MI映射后搜索域三维图投影 F( l, 2)=_厂( l, 2) 映射后函数表达式 f’( 。, 2):-/ g( 。, 2)) (12) (13) 映射后变坐标表达式: F( ,, 2)=-, 。, 2):., g( 。,X:)) 图4 nl映射后搜索域二维图 图5 M2映射后搜索域三维图投影 (14) 其中: 以F1函数为例, m原函数图形以及映射后的函数图 g( )=[ ,X2] M (15) ,其中 为2 2的 以卜节 l函数为例.取M.= 0_ 2 1, : 0.8765 J — 映射矩阵,并满足元素(Lij∈(0,1),且∑n =l,比较函数 像的变化,、 1:Mexican hat Function .r【0.6205 0.26901 3795 0.73】o J。l囝j}H F(‘Y一, :)函数如罔9,图10,图 .I1,罔l2 r /_ —对比图3、冈lO,罔5、图l2可以看 F( ., 2)函数图 :): /xi+ i ,一10≤XI,X2≤10(1 1) 像就是以映射矩阵决定的 —y平面搜索域在z轴上截取搜 索域内的函数图像。以(X。, 2)为原像,( .,X )为经过肘 映射后的像.( 。, )和( 。, :)一一对应。在绘制 映射 后F( ., )的函数图像时,即把M映射后的搜索域变为原 一该函数为单峰函数,函数最大值在(0,0)处。函数原图 形如图6所示, 23l一 图9 M1映射后F( , ) 三维图像 图10 M1映射后F( I, 2) 图13 M2a映射后搜索域 图14 M2b映射后搜索域 三维裙带图像 索与空间面积不变,但空间沿y= 直线发生了镜像翻转。 在n维情况下,当M的列向量固定后,任意2个列向量互换 不会影响搜索面积大小,但会影响搜索区域方位,假设第i, 列向量互换,则映射后搜索区域会沿n,=nj轴镜像翻转。 性质三。二维情况下,映射矩阵 通过控制元素之和 n (Zi图12 M2映射后F(xI,x2) 三维裙带图像 一 .,=1,实现对函数在Y=一 周上的放大效果,简化 轴,Y轴的寻优。 3 映射矩阵的改进 搜索域。也就是把由 映射后的搜索域截取后的F( , ,)图像扩展到原搜索域显示。 映射矩阵实现了对函数罔像局部放大的作用,使得生成 给定限制条件n (o,1)和∑n =1的映射矩阵,2 维映射后搜索区域都有相同的对角线。即Y: 方向上映射 矩阵无缩放作用。如果能从_y=一 ,Y= 这2个方向同时缩 放,应该更能简化 轴,Y轴的寻优。 的捕食者能促进局部寻优。 2.3映射矩阵的性质分析 对比冈2,罔4,图7,图8可知,肼矩阵映射后的搜索域 面积越小,则放大作用越好,降低问题难度的效果越好。如 何控制 矩阵映射后的搜索域面积? 假设∑al,j=0.5,即选取 0.5 -o.5 6 。。 5], 0.2635 0.8765 Lj.3 795 U.73lU J 假设鸭=【 】,帆=[:: :: ]。则映射后区域分 别为原搜索域和Y= 在搜索域内的线段。由极端情况 可知: 0.5 ::o.5 『o·620 o·269o1为映射矩阵,映射 后搜索域分别如图15,图16: 性质一。二维情况下,当肘的元素离均值0.5越远,映 射区间越大。放大效果越差;当肘的元素离均值0.5越近,映 射区间越小,放大效果越好。在n维情况下,当 的元素离 均值1/n越远,映射区间超平面越大,放大效果越差;当 的 元素离均值1/n越近,映射区间超平面越小,放大效果越好。 其中离均值远近可以用标准差衡量。 r 0.6205 0.2690 ̄ r0.3795 0.73lOl 选M2 【0.3795 0.73l0J, M2b :.lo.6205 0.2690 J, 图15 0.5 MI映射后搜索域圈16 0.5 M2映射后搜索域 69『0。2【0! ’!: 1分别映射后搜索域如图 图 7310 0.3795 ….J分别映射后搜索域如图13,图14 以Fl函数为例,映射后的函数图像分别如图17,图18 对照图7、图l7和图8、图l8可以看出,经过改造的 矩 所示。 对比图4.图13,图14可知: 阵映射后,Y= 轴也进行了缩放,使得,l函数在Y= ,Y :一 性质二。二维情况下,当肘的行向量互换,形成新的映 射矩阵时,映射后搜索域空间不变。原因,行向量互换仅是 这2个方向都进行了放大,并使曲面平滑,利于局部 于是给出了改进后的线性映射公式 = ¥ +曰 (16) 寻优。 使二维搜索域于原点中心对称。在n维情况下,当肘的行向 量固定后,任意2个行向量互换都不会影响映射后的搜索域 空间。当M的列向量互换,形成新的映射矩阵时,映射后搜 ....——其中映射矩阵K的元素为 232....—— 图17 0.5}nl映射后 图18 0.5 M2映射后 Fl函数三维图像 F1函数三维图像 k 0 a 且有 ≤1,吼, ∈(0,1),∑0 =1,通过控制ri可实现多向 缩放,改善寻优难度。rI的参数控制,引人文化算法中的规范 知识进行调整。具体如下: 规范知识中储存的是每一维变量的上界和下界。对于 一个n维函数,用n维行向量nku,nkl来分别储存每一维的 上界和下界。即nku(j),nkl( )分别表示第 维向量的上界 和下界,随着种群进化,nku( )一nkl( )的区间在不断缩小, 直至最优点。用n维行向量range表示n维函数各个维度上 的初始搜索区间,range(j)表示第 维的搜索区间。 则r 可以表示为 , : ÷ (18) range L, 信仰空间初始化时,nku(j)=0.5 range( ),nkl(j)=一 0.5 range(j),即rj:1,此时是原始的映射矩阵。随着种群 的进化,nku(j)一nkl( )在不断缩小,映射后搜索域不断缩 小,函数放大效果不断扩大,直至寻优结束。 4总结和展望 本文从理论上分析了映射矩阵生成不同基因型捕食者 对函数优化的影响效果,并系统证明了产生影响的原因。详 细阐述了映射矩阵的性质,原有映射矩阵只是在单方向实现 缩放,本文在此基础上提出了双方向缩放的改进映射矩阵。 并给出了基于文化进化知识的多维映射矩阵的调整方法,比 原有的映射矩阵的调节矩阵更具有物理意义和指向性。 参考文献: [1] Y Jin.A comprehensive survey of iftness approximation in evolu- tionary computation[J].Soft Computing,Jan 2005,9:3一l2. [2] M C Chen and S H Huang.Credit scoring and rejected instances reassigning through evolutionary computation techniques[J].Ex— pert Systems with Applications,May 2003,24:433—441. [3]D B Fogel and L J Foge1.Evolutionary Computation[J].Ieee Transactions on Neural Networks,Jan 1994,5:1—1. [4] R.Kicinger,T Arciszewski,and K De Jong.Evolutionary compu— tation and structural design·A survey of the state一0f—the—art [J].Computers&Structures,Sep 2005,83:1943—1978. [5] W G S Hines.Evolutionary Stable Strategies—A Review of Basic Theory[J].Theoretical Population Biology,Apr 1987,3 1:195 —272. [6] S M Bhandarkar and H Zhang.Image segmentation using evo]u- tionary computation[J].Ieee Transactions on Evolutionary Compu- tation,Apr 1999,3:1—21. [7] H Takagi.Interactive evolutionary computation:Fusion of the ca- pabilities of EC optimization and human evaluation[J].Proceed- ings of the Ieee,Sep 2001,89:1275—1296. [8] V Tandon,H El—Mounayri,and H Kishawy.NC end milling 0p- timization using evolutionary computation[J].International Journal of Machine Tools&Manufacture.Apr 2002.42:595—605. [9] C Dimopoulos and A M S Zalzala.Recent developments in evoIu— tionary computation for manufacturing optimization:Problems.s0一 lutions,and comparisons[J].Ieee Trnasactions on Evolutionary Computation,Jul 2000,4:93—113. [10] J He and X Yao.Towards an analytic framework for analysing the computation time of evolutionary algorithms[J].Artiifcial Intelli- gence,Apr 2003,145:59—97. F Hen'era,M Lozano,and J L Verdegay.Tackling real—coded genetic algorithms:Operators and tools for behavioural analysis [J].Artiifcila Intelligence Review,Aug 1998,12:265—319. [12] K F Man,K S Tang,and S Kwong.Genetic algorithms:Concepts and applications[J].Ieee Transactions on Industrial Electronics, Oct 1996,43:519—534. [13] D Smith.Intelligence through simulated evolution:Forty years of evolutionary programming[J].Journal of the Operational Re— search Society,Mar 2005,56:352—352. [14] A Martimsyan,E Moreno,and J P Gorve1.An evolutionary strat— egy ofr a stealthy intracellular Brucella pathogen[J].Immunologi- cal Reviews,Mar 2011,240:211—234. [15] P G Espejo,S Ventura,and F Hen'era.A Survey on the Applica— tion of Genetic Programming to Classiifcation[J].Ieee Transac- tions on Systems Man and Cybernetics Part C—Applications and Reviews,Mar 2010,40:121—144. [16] P Kouchakpour,A Zaknich,and T Braeun1.A survey and taxon- omy of performance improvement of canonical genetic program- ming[J].Knowledge and Information Systems,Oct 2009,21:1 —39. [17] M Oltean,C Grosan,L Diosan,and C Mihaila.Genetic Pro— gramming With Linear Representation:A Survey[J].Internation- al Journal on Artificila Intelligence Tools,Apr 2009,18:197 —238. [18] S Srinivasan and S Ramakrishnan.A social intelligent system for multi—objective optimization of classiifcation rules using cultural lagorithms[J].Computing,Apr 2013,95:327—350. [19] A Khodabakhshian and R Hemmati.Multi—machine power sys- tern stabilizer design by using cultural algorithms[J].Internation- al Journal of Electrical Power&Energy Systems.Jan 2013.44: 571—580. [2O] K Vitale,R Reynolds,J O’Shea and G Meadows.Exploring ·---——233--—-— Ancient Landscapes Under Lake Huron Using Cultural Algorithms [J].Procedia Computer Science,2011,6:303—310. [21]H C Kuo and C H Lin.Cultural Evolution Algorithm for Global Optimizations and its Applications[J].Journal of Applied Re— search and Technology,Aug 2013,1 1:510—522. [22]J.Xu,M.Zhang,and Y.Cat.Cultural Ant Algorithm for Con- tinuous Optimization Problems[J].Applied Mathematics&Infor— mation Sciences,Jun 2013,vo1.7:PP.705—710. [23] R G Reynolds and B Peng.Cuhural Algorithms:Computational Modeling of How Cultures Learn to Solve Problems:An Engineer- ing Example[J].Cybernetics&Systems,2005,36:753—771. [24]H Ishibuchi,T Yoshida,and T Murata.Balance between genetic search and focal search in memetic algorithms for muhiobjective permutation flowshop scheduling_J].Ieee Transactions on Evolu· tionary Computation,Apr 2003—7:204—223. [25]Y S Ong,M H Lim,N Zhu,and K W Wong.Classiifcation of a— daptive memetic algorithms:a comparative study[J].IEEE Transactions on Systems Man and Cybernetics Part B——Cybernet-- ics,Feb 2006,36:141—152. [26] Y S Ong and A J Keane.Meta—Lamarckian learning in memetic algorithms[J].Ieee Transactions on Evolutionary Computation, Apr 2004,8:99—110. [27] M Chica,O Cordon,S Damas,and J Bautista.Muhiobjective memetic algorithms for time and space assembly line balancing [J].Engineering Applications of Artiifcial Intelligence,Mar 2012,25:254—273. [28]Y Bao,Z Hu,and T Xiong.A PSO and pattern search based memetic algorithm for SVMs parameters optimization[J].Neuro— computing,Oct 6 2013,117:98—106. [29] C K Ting and x L Liao.The selective pickup and delivery prob. 1em:Formulation and a memetic algorithm[J].International Journal of Production Economics,Jan 2013,141:199—21 1. [3O] N Krasnogor and J Smith.A tutorial for competent meinetic algo— rithms:Model,taxonomy,and design issues[J].IEEE Transac— tions on Evolutionary Computation,Oct 2005,9:474—488. [31]J K Cochran,S M Horng,and J W Fowler.A muhi—population genetic algorithm to solve muhi—objective scheduling problems ofr parallel machines[J].Computers&Operations Research,Jun 2003.30:】087—1l02. [32] H L Li,C L Li,C S Gut,X M Luo,K X Chen,J H Shen,X C Wang,and H L Jiang.GAsDock:a new approach for rapid flexi— ble docking based on an improved multi——population genetic algo-- irthm[J].Bioorganic&Medicinal Chemistyr Letters,Sep 20 2004,14:4671—4676. 1 33] C F M Toledo,P M Franca,R Morabito,and A Kimms.Multi— population genetic algorithm to solve the synchronized and inte— grated two—level lot sizing and scheduling problem[J].Interna— tional Journal of Production Research,2009 2009,47:3097 —3l19. [34]L Chen and F J Chang.Applying a real—coded muhi—popula一 ---——234...—— tion genetic algorithm to muhi—reservoir operation[J].Hydro— logical Processes,Feb 28 2007,21:688—698. [35] O Faugeras,J Touboul,and B Cessac.A constructive mean— ifeld analysis of multi—population neural networks with random synaptic weights and stochastic inputs[J].Frontiers in Compula— tional Neuroscience,Feb 2009,3. [36] V Grosbois,M P Harris,T Anker—Nilssen,R H McCleery,D N Shaw,B J T Morgan,and O Gimenez.Modeling survival at multi population scales using mark~recapture data[J].Ecology, Oct 2009.90:2922—2932. [37] Y Li,S Zhang,and X Zeng.Research of multi—population a— gent genetic algorithm for feature selection[J].Expert Systems with Applications,Nov 2009,36:11570一l1581. [38] J Yao,N Kharma,and P Grogono.A multi—population genetic algorithm for robust and fast ellipse detection[J].Pattern Analy— sis and Applications,2005 2005,8:149—1 62. [39] A Silva,A Neves and E Costa.An empirical comparison of parti- ele swarm and predator prey optimisation[C].in Arfiifcial Intelli— gence and Cognitive Sieence,Proceedings vo1.2464,M. Oneill,R.F.E.Sutcliffe,C.Ryan,M.Eaton,and N.J.IJ _Gri嫡th,Eds..ed,2002:103—110. [4O] M Laumanns,G Rudolph and H P Schwefe1.A spatial predator— prey approach to muhi—objective optimization:A preliminary study[C].in Parallel Problem Solving from Nature—Ppsn V. vo1.1498,A.E.Eiben,T.Back,M.Schoenauer,anti H.P. Sehwefel,Eds.,ed,1998:241—249. [41] X D Li.A real—coded predator~prey genetic algorithm for mul— tiobjective optimization[C].in Evolutionary Multi—Criterion Op- timization,Proceedings.vo1.2632,C.M.Fonseea,P.J. Fleming,E.Zitzler,K.Deb,and L.Thiele,Eds.,ed,2003: 207—221. [42] 陈吴,黎明,陈曦.处理动态优化问题的捕食元胞遗传算法 [J].控制与决策,2012,27(6):827—832,838. [43] 黎明,王莹,陈吴,鲁字明.基于捕食机制的元胞遗传算法 [J].应用科学学报,2012,30(6):669—676. [44] 黎明,卢明,陈吴,黎政秀.基于线性映射的多物种捕食元胞 遗传算法[J].模式识别与人T智能,2013,26(10):959 967 [作者简介] 张君(1982一),男(汉族),山东省东营市人,讲 师,博士研究生,主要研究领域为人工智能,进化 算法。 黎明(1965一)男(汉族),江两人,教授,博士生 导师,研究领域:人T智能、模式识别。 肖慧荣(1963一)女(汉族),江西省南昌市人,教授,硕士生导师,研 究领域:人工智能、电力电子。 鲁宇明(1969一),女(汉族),江西省南昌市人,教授,硕士生导师, 研究领域:人1二智能、机械制造。