细菌趋药性算法

细菌趋药性算法是一种新的从生物行为中取得灵感的优化方法。这种算法利用细菌在化学引诱剂环境中的运动行为来进行优化。研究趋药性算法的先驱是Bremermann及其同事们。他们研究表明了细菌在引诱剂环境下的应激机制和梯度下降相类似。
阅读全文 >

蚁群算法

蚁群算法(ant colony optimization，ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型技术。它由Marco Dorigo于1992年在他的博士论文中引入，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。
阅读全文 >

差分进化算法

差分进化算法(Differential Evolution, DE)是一种新兴的进化计算技术，或称为差分演化算法、微分进化算法、微分演化算法、差异演化算法。它是由Storn等人于1995年提出的，最初的设想是用于解决切比雪夫多项式问题，后来发现DE也是解决复杂优化问题的有效技术。
阅读全文 >

思维进化计算

思维进化计算(Mide Evolution Computation)MEC亦有称为思维进化算法。

思维进化计算MEC的理论依据是：人类思维进步比生物自然进化快得多，趋同与异化交替作用，比生物进化中杂交与变异的作用明显，教育的发展使得学习和知识的积累更为有效，通讯的发展使得交流逐渐便利，从而使科技发展越来越快。
阅读全文 >

三角进化算法

三角进化算法(Triangle Evolution简称TE)是由罗长童于2007年提出的一种新型进化算法。TE是实数编码，种群进化，但与遗传算法不同的是它不含个体的选择、杂交、变异等算子。此算法具有群体智能，内在并行性，全局搜索，不包含调试参数，编程简单等优点，是一种效率较高的优化方法。
阅读全文 >

仿生智能优化算法

在仿生智能优化算法中每一个个体都是具有经验和智慧的智能体，个体之间存在互相作用机制，通过相互作用形成强大的群体智慧来解决复杂的问题。仿生智能优化优化算法本质上是一种概率搜索算法，它不需要问题的梯度信息，具有以下不同于传统优化算法的特点：
阅读全文 >

人工免疫算法

人工免疫系统概述

二十世纪八十年代，Farmer等人率先基于免疫网络学说给出了免疫系统的动态模型，并探讨了免疫系统与其它人工智能方法的联系，开始了人工免疫系统的研究。直到1996年12月，在日本首次举行了基于免疫性系统的国际专题讨论会，首次提出了“人工免疫系统” (AIS)的概念。随后，人工免疫系统进入了兴盛发展时期，D. Dasgupta和焦李成等认为人工免疫系统已经成为人工智能领域的理论和应用研究热点，相关论文和研究成果正在逐年增加。1997和1998年IEEE国际会议还组织了相关专题讨论，并成立了“人工免疫系统及应用分会”。D. Dasgupta系统分析了人工免疫系统和人工神经网络的异同，认为在组成单元及数目、交互作用、模式识别、任务执行、记忆学习、系统鲁棒性等方面是相似的，而在系统分布、组成单元间的通信、系统控制等方面是不同的，并指出自然免疫系统是人工智能方法灵感的重要源泉。Gasper等认为多样性是自适应动态的基本特征，而AIS是比GA更好地维护这种多样性的优化方法。
阅读全文 >