导读:本文包含了模型演化算法论文开题报告文献综述及选题提纲参考文献，主要关键词:演化算法,代理模型,高代价问题,Voronoi图分割
模型演化算法论文文献综述
童浩[1]（2019）在《基于代理模型的演化算法及其算法组合》一文中研究指出计算高代价问题广泛存在于实际工业设计和生产领域。这类问题往往不存在具体的数学表达式,无法用常规数值方法解决。演化算法作为一种不依赖梯度信息解决优化问题的优化算法,通过大量的适应度评估来选择优良的个体,从而找到问题的最优解。然而,评估一次高代价问题的解需要消耗大量计算成本。这使得常规演化算法在这类高代价问题中很难发挥优良的性能。对此,研究人员们提出了代理模型辅助的演化算法:该类算法利用代理模型代替真实昂贵的适应度评估过程,能在一般的演化算法中替代大部分的真实评估过程。该类算法在大大降低真实的适应度评价次数的同时,依然保持着演化算法优秀的优化能力。在高代价问题中,存在一类超高代价问题。对超高代价问题解的一次评估往往需要几个小时、甚至几天的计算时间以及高昂的经济开销。当总的计算成本很有限的情况下,解决超高代价问题所拥有的总个体评价次数将会非常少。这在现有很多算法中,只能满足算法初始化的要求。因而,高效地解决这类问题在实际工业应用中具有十分重要的意义。在本文的工作中,我们对已有的代理模型辅助的演化算法框架进行改进,针对超高代价问题提出了基于Voronoi的代理模型辅助的演化算法。在该算法中,我们利用留一交叉验证技术探测模型的不确定区域来辅助算法进行全局模式的搜索。同时,我们利用Voronoi图分割技术将整个搜索空间分成若干个子空间,使算法的局部搜索模式更加注重有潜在价值的局部子区域。全局搜索模式和局部搜索模式相辅相成,共同解决超高代价问题,使其在有限的计算成本下能够寻找到一个优秀的解。为了验证算法的性能,我们将此算法与现有的优秀算法在一系列的测试函数上进行了实验分析。结果表明,在总的适应度评估次数极度有限的情况下,我们所提出的算法表现更加优秀,同等条件下获得解的质量更高。在利用演化算法解决高代价问题时,我们除了需要关注如何设计有效策略降低计算成本之外,算法对问题的求解风险也是一个需要关注的点。没有免费的午餐理论证明了没有任何一种算法能够完美地解决所有问题。这意味着当研究人员随机选择一个算法对一个未知的问题进行求解时,存在一定的概率无法获得一个优质的解,这就是算法对问题的求解风险。而当研究人员使用一种算法未能获得一个满意的解时,他们往往会选择使用同一种算法或者换一种算法对问题重新求解,这使得求解问题的计算成本成倍增加。尤其在高代价问题中,计算成本消耗增加现象更加明显,资源浪费更为严重。为了降低算法对问题的求解风险,研究人员提出了算法投资组合的方法。这类方法通过一定的策略将计算成本分配给不同算法,从而使组合算法能够获得一个更高质量的解,降低单一算法的求解风险。然而,由于高代价问题的特殊性——总适应度评价次数有限,目前的算法投资组合研究还未能够解决高代价问题的求解风险问题。因此,在本文的另一个工作中,我们设计了两种针对高代价问题的算法投资组合框架:并行式的算法组合框架和基于UCB的算法组合框架。组合框架通过将有限的计算成本在不同算法中进行合理分配,来降低单一算法带来的高求解风险。并行式框架将所有子算法分配到不同的子进程中,使所有算法并行对问题进行优化。子算法之间共享一个样本数据库,充分利用不同算法之间的特性,优势互补,增强对问题的求解能力。相反,基于UCB的算法框架则借鉴了强化学习中的UCB策略来辅助算法的动态选择。UCB策略通过分析各算法在求解过程中的收益,在各个阶段选出最合适的算法,使候选算法中针对具体问题更加合适的算法分配得到更多的计算资源。同样,我们选取了一些优秀算法嵌入到组合框架中组成算法组合实例,并将它们在测试函数上进行了实验对比分析。结果证明我们提出的两种框架相比于各子算法而言,能够有效降低高代价问题的求解风险,并在一些问题上最终获得一个更高质量的解。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
冯夫健,黄翰,张宇山,郝志峰[2]（2019）在《基于等同关系模型的演化算法期望首达时间对比分析》一文中研究指出演化算法的首达时间分析是演化计算领域理论基础研究的难点和热点问题.本文研究建立了演化算法期望首达时间的随机过程模型,以该模型为基础,结合等价关系的性质,提出了等同关系模型作为判定演化算法在期望首达时间上是否等价的评判标准,实现了不同演化算法在期望首达时间上的等价类划分.在等同关系模型的基础上,论文提出了一种便于演化算法对比分析的数学工具——性能对比不等式,为不同算法在期望首达时间上的直接对比分析提供了依据.为了验证所提理论方法的可行性,本文选用(1+1)-EA作为研究对象,证明了不同选择算子和不同变异算子的(1+1)-EA算法的性能对比关系,并通过实验结果验证了理论分析结果的正确性.因此,论文提出的等同关系模型可以作为演化算法在性能对比分析的一种理论工具.(本文来源于《计算机学报》期刊2019年10期）
张宇山,黄翰,郝志峰,杨晓伟[3]（2019）在《连续型演化算法首达时间分析的平均增益模型》一文中研究指出连续型演化算法(Evolutionary Algorithms,EAs)的计算时间分析(Runtime analysis)是演化计算理论研究中的难点和热点问题,相较于离散型演化算法,有关前者的理论结果相对较少,数学基础较为薄弱.该文引入鞅论和停时理论,建立了平均增益模型,以估算连续型演化算法的平均首达时间(Expected First Hitting Time,EFHT)上界.平均增益模型建立在一个非负随机过程的基础上,不依赖于算法具体的实现形式.论文介绍了如何应用该模型进行连续型演化算法的计算时间分析.作为案例分析,研究分析了:(1)带自适应步长的非精英(1,λ)ES(Evolution Strategy)求解球函数问题的平均首达时间,得到了3维情形下的时间上界的闭合表达式,并讨论了确保算法收敛条件下步长与子代种群规模λ之间的关系;(2)(1+λ)ES求解2维倾斜平面问题的平均首达时间,得到了上界的闭合表达式.数值实验的结果表明实际的平均首达时间与理论计算的上界吻合.理论分析和实验结果表明平均增益模型有助于获得连续型演化算法平均首达时间紧致的上界,为连续型演化算法的计算时间分析提供了一种新的有效方法.(本文来源于《计算机学报》期刊2019年03期）
陆晓芬[4]（2017）在《基于代理模型的实值演化算法研究》一文中研究指出实值优化在现实生活中存在着广泛的应用背景。演化算法(Evolutionary Al-gorithm)作为一类基于种群的随机优化算法,在实值优化领域受到了广泛的关注。不过,演化算法在实际应用中仍然面临着挑战。由于演化算法使用基于种群的搜索和以个体适应度值为基础的优胜劣汰选择机制,演化算法往往需要大量的适应度评估才能获得满意的解。然而,在实际应用中,广泛存在着计算代价高的问题(Computationally Expensive Problems)。对于这类问题,一次适应度评估的代价是非常高的,这限制了演化算法在相关领域里的应用。针对演化算法存在的这点不足,本论文的主要目的是研究设计适用于计算代价高的实值优化问题的演化算法。基于这个目的,本文从代理模型(Surrogate Model)着手,通过构造计算代价不高的代理模型并引入到演化算法中来代替真实的适应度评估,从而使演化算法更好地求解计算代价高的实值优化问题。本文的主要研究工作与创新之处包括以下几个方面:1.基于分类模型的差分演化(Differential Evolution)算法在演化算法中引入代理模型牵涉到学习和优化的互相作用。一般来讲,代理模型的选择和使用方式需要结合具体的演化算法来进行设计。本文通过分析差分演化算法的搜索原理,将差分演化算法的选择过程归约为一个分类问题。基于此,本文提出了将分类模型引入到差分演化的选择过程中、以代替真实适应度评估对个体进行比较的基于分类模型的差分演化算法。区别于以往基于代理模型的演化算法中常常用到的回归模型和排序模型,分类模型能更好地匹配差分演化算法的选择机制的本质,因而可以更好地提高差分演化算法在有限的计算时间内求解计算代价高的优化问题的性能。2.基于分类模型和回归模型结合的差分演化算法代理模型有不同的类型。不同类型的代理模型求解的问题不同,因而可以在演化算法中扮演不同的角色。作为对本文提出的基于分类模型的差分演化算法的改进,本文将分类模型和回归模型结合起来融入到差分演化算法中。分类模型可以帮助差分演化算法避免在不好的子代个体上浪费真实的适应度评估;回归模型可以在分类模型预测的好的子代个体上给出替代真实适应度值的近似适应度值,从而进一步减少差分演化算法每代所需要的真实适应度评估的次数。3.基于代理模型的自适应差分演化框架演化算法对操作算子及参数设置敏感。自适应机制在演化算法中扮演着重要的角色,它可以帮助演化算法在演化搜索的过程中自动地调整操作算子和参数值,从而提高演化算法的性能。本文分析了自适应差分演化算法在求解计算代价高的问题时存在的不足,并提出了基于代理模型的方法来对差分演化的操作算子和参数设置进行自适应调整,为差分演化算法提供了一种适用于计算代价高问题的自适应机制。4.基于多模型的模因演算法(Memetic Algorithm)构建代理模型的方式有很多种。同样的构建方式构建出的代理模型在不同问题上的表现不同,因而代理模型的构建方式的选择是影响基于代理模型的演化算法的性能的一个重要因素。一般来讲,代理模型的建模方式应该结合具体的应用问题来进行选择。然而,由于这需要一些事先并不知道的有关具体应用问题的先验知识,所以是不可行的。基于此,本文在模因演算法的框架下提出了具有层次结构的多模型使用机制,实现了一种新颖的模型构建方式的自适应选择机制。本论文分别从演化算法层面和代理模型构建层面开展工作,研究如何设计高效的基于代理模型的演化算法。在演化算法层面,考虑到代理模型能够在演化算法中扮演不同的角色,本文分别提出了基于分类模型的差分演化算法、基于分类模型和回归模型结合的差分演化算法、以及基于代理模型的自适应差分演化框架。在代理模型层面,考虑到同样的构建方式构建出的代理模型在不同问题上的表现不同,本文在模因演算法的框架下提出了一种高效的具有层次结构的代理模型构建方式的自适应选择机制。本文提出的基于分类模型的差分演化算法以及基于分类模型和回归模型结合的差分演化算法,可以供后续的为其它使用成对比较的选择机制的演化算法设计代理模型融入方式的工作参考。本文提出的基于代理模型的自适应差分演化框架可以作为通用的框架和其它同时使用多个搜索策略的差分演化算法结合。本文提出的多模型自适应选择机制能够为后续的基于多个代理模型的优化算法的研究设计提供参考。(本文来源于《中国科学技术大学》期刊2017-04-18）
温志超[5]（2016）在《基于演化算法及改进词袋模型的病虫害分类识别技术研究》一文中研究指出农作物病虫害的爆发意味着农作物的大规模减产和品质下降,同时农户盲目施药也导致了农药残留超标、环境破坏等严重后果。随着计算机技术的发展,机器视觉技术的研究与应用已经扩展到农业工程领域。利用机器视觉技术检测和识别农作物病虫害,提供准确、可靠的病虫害诊断及防治意见,以达到合理施药,提质增产的目的,对促进我国现代化、智能化农业的发展具有重要意义。本论文以玉米农作物为研究对象,设计出适用于农作物病虫害诊断领域的分类识别方案,对图像病斑区域的精细化提取,并结合改进词袋模型实现玉米病虫害分类识别。本论文主要研究工作及创新点如下:(1)采集并分析玉米病虫害图像数据集。本论文主要采集玉米叶部病虫害图像用以进行测试实验,包括大斑病、小斑病、炭疽病等常见玉米病虫害类别,并对采集的图像数据集进行规格化。对数据集中玉米病虫害图像进行分析,得出病斑区域与无病状区域的颜色、纹理等方面的差异信息,作为病虫害图像分割及病斑提取的主要依据。(2)针对玉米病斑部位在图像中表现的特征,设计了基于演化算法的直方图二次分割方法。结合对玉米病虫害图像的分析,充分考虑病虫害病斑的颜色、纹理等特征,将图像色度与灰度组成二元组构建二维直方图,解决了一维直方图不能明显地区分目标和背景双峰分布的情况,同时改进了传统二维直方图应用在病虫害病斑提取的不足。运用了基于演化算法的OTSU二次分割方法,设计适合病虫害图像数据特征的染色体编码,并结合图像分析结果选择初始化种群,提高寻优效率,同时通过设定波动阈值,在最佳阈值的波动领域范围内继续搜索,实现全局搜索与局部搜索相结合。(3)借鉴导向滤波算法思想,实现了对玉米病虫害图像病斑区域的精细化提取。在病斑区域提取过程中,借鉴导向滤波算法的思想,利用灰度导向图进行引导,对图像分割结果进行滤波操作,设置权系数矩阵,针对在分割后病斑边缘、纹理模糊和粗糙位置进行恢复,优化病斑提取结果,更好地保留病虫害图像病斑的边缘、纹理特征。(4)通过对传统词袋模型各个算法模块的研究,融合病斑提取算法,设计应用于农作物病虫害识别的改进词袋模型识别方案。对农作物病虫害图像进行演化算法的区域提取,并采用Dense-SIFT进行均匀采样的特征提取,对提取的图像特征使用空间金字塔匹配方案映射到高分辨率空间中进行匹配,最后使用LIB-SVM对数据集进行分类。最后,通过病斑区域提取实验说明:本论文提出的病虫害图像病斑区域提取算法能够有效确定玉米病虫害图像中病斑位置,提取出具有细腻边缘和纹理的病斑,通过与基于阈值的传统OTSU算法、基于聚类的EM算法、G-MRF算法、SRG算法进行对比实验,证明本论文病斑提取算法的有效性和优越性。在此基础上,通过病虫害图像分类实验证明:本论文设计的应用于农作物病虫害识别的改进词袋模型识别方案提高了词袋模型对病虫害图像的识别性能,能够更加关注病虫害图像中病斑位置的特征,适用于病虫害图像识别领域,取得令人满意的结果。(本文来源于《华南农业大学》期刊2016-06-01）
刘会超[6]（2015）在《差分演化算法的演化模型分析与算法改进研究》一文中研究指出差分演化算法(DE)是基于自然界生物演化原理而提出的一种启发式搜索算法,是当今众多智能算法的杰出代表。过去10年来,DE算法得到快速的发展和广泛应用。与其他的智能算法相比,DE算法具有实现简单、收敛速度快、算法鲁棒性强等突出优点。因此也受到众多研究者的青睐,其各种衍生版本屡次在有关演化计算的国际会议竞赛中获得佳绩。当前,DE算法被广泛应用于求解各类复杂的优化问题,以及诸如科学研究、工程设计、工业生产及管理调度等众多实际应用领域。当前,DE研究领域仍然存在诸多未解的问题。首先,关于DE的理论研究还比较薄弱。同类似的算法如遗传算法(GA)或演化策略(ES)相比,DE的理论研究还不充分,其复杂的寻优密码并没有被破解。其次,新的应用问题层出不穷,每种问题都有自己的特点。在求解这些问题时往往需要对DE做一些适配工作,以取得更优的结果和性能。因此,对DE进行改进和优化也是DE研究的一项重要内容。目前,基于DE现有的参数和算子展开优化,或引入外在的优化机制和算法,已成为众多学者改进DE算法的重要手段。本文的主要研究内容有以下几点：(1)研究了DE算法的演化过程和寻优模型。对DE种群及演化操作的基本数字特征进行了分析,并对各种DE操作在演化过程中发挥的作用以及控制参数对演化性能的影响进行了分析。研究了相邻演化代种群的数值变化特征,发现DE差分操作具有内在的扩展搜索区域的能力。交叉操作中,交叉率参数除了影响测试向量的构成外,还可以调节算法的收敛速度。基于变异和交叉操作的统计特征构建了一个测试向量计算模型。研究表明DE算法的操作算子和控制参数所发挥的作用都不是孤立的,他们对算法各项寻优特性的影响是相互交织和制约的。(2)应用基于反向学习的DE算法求解参数识别问题。双曲型偏微分方程的参数识别反向题具有非常强的不适定性。为此,采用将吉洪诺夫正则化和全变差正则化相结合的方法来构建问题的适应度函数,以引导DE算法高效寻优。此外,对DE算法进行了改进,集成了一般反向学习机制和平滑算子来提高DE算法的性能和收敛速度。(3)提出了两种自适应的算法性能增强机制。一是自适应反向学习机制。通过统计每次反向操作的成功率,来动态调整反向概率参数的大小,进而调控后续反向操作的频率。既克服了传统的反向概率参数需要手工调整的问题,又提高了算法性能。二是动态种群机制。根据实验经验定义了种群大小的边界函数,让种群在演化过程中根据演化成效来动态调整大小。若种群更新较快则减小种群的个体,以加快收敛速度；若种群寻优较慢则通过增加随机个体来提高种群的多样性,加强算法的勘探能力。(4)提出了一种基于旋转的学习机制。该机制是反向学习机制在二维空间的扩展,通过指定不同的旋转角度可搜索旋转空间中的任意点。模拟显示,旋转学习机制的搜索是非线性的,不同的旋转角度具有不同的搜索特点。通过调整旋转角度,旋转学习机制可以具有多种应用模式。(5)提出了基于旋转学习的DE算法。将旋转学习机制的一种应用模式集成到DE算法来提高其寻优能力。采用自适应机制来控制旋转概率和旋转角度参数,以提高算法的易用性和鲁棒性。分析表明新算法在不增加DE算法计算时间复杂度的同时可实现良好的寻优性能。根据DE算法以概率收敛的充分条件,证明了新算法也以概率收敛。总之,本文对DE算法的演化原理进行了分析研究,并以提高DE算法的寻优性能为目标,提出了一些针对性的算法改进机制,包括自适应反向机制、动态种群机制以及旋转学习机制等。通过将这些机制与DE算法结合来求解相关优化问题,实验验证了机制设计和算法改进的有效性。(本文来源于《武汉大学》期刊2015-09-01）
卢剑锋[7]（2014）在《基于替代模型的演化算法》一文中研究指出演化算法是一类基于群体的随机优化方法。在求解实际的优化问题时,其不依赖于要优化的目标函数的导数信息,甚至都不需要知道目标函数的完整数学表达形式,只需要知道任意自变量处目标函数对应的函数值,也称之为适应度值的评估。然而,在工程优化领域,存在一类适应度值评估时间或者其它费用消耗很高的问题,例如：空气动力学外形设计,结构设计,电路设计,药剂设计等。此时,便可以在演化算法中结合使用近似模型,其主要目的,便是去减少代价很高的目标函数的评估。本文就是对基于替代模型的演化算法进行深入的研究,致力于提出一个高效的算法框架,使得演化算法也适用于求解这一类高评估代价的问题。本文首先对演化算法进行了简要的介绍,随后详细介绍了当前被广泛采用的近似模型,然后深入调研了已有的一些基于替代模型的算法框架,最后确定了采用基于高斯过程模型的演化算法作为主要的研究方向,并通过具体的实验对其进行了深入的研究。在各类近似模型中,高斯过程模型是一个较有效的模型,因为高斯过程模型不仅能够提供预测的适应度值,还有预测的置信度。由于粗糙的近似模型可能会误导演化算法,使其陷入局部最优解,而高斯过程模型提供的预测的适应度值的置信度则提供了额外的信息,充分利用适应度值的置信度便能够进一步提高真实适应度值评估的效率。本文首先对基于高斯过程模型的差分演化算法进行了实验研究。研究过程中发现,高斯过程模型的训练代价会随着训练样本数的增加而快速增加。为了减少高斯过程模型的训练代价,本文提出采用局部组合高斯过程模型,其中各局部模型具有相同的模型参数,并随后比较了基于该模型的协方差自适应演化策略的5种不同的采样策略。实验结果表明,局部组合高斯过程模型在显着较少训练代价的同时,依然能够提供可靠的适应度值以及置信度预测。而在比较的采样策略中,采用适应度值提高下确界的聚类方法表现出了最好的全局搜索性能。(本文来源于《中国科学技术大学》期刊2014-05-10）
王庆荣,赵小柠,杨景玉[8]（2014）在《动力演化算法的应急物资分类Vague熵权投影寻踪模型》一文中研究指出文章运用Vague集和信息熵确定定指标权重,提出了应急物资分类的Vague熵权投影寻踪模型,在此基础上,设计了动力演化算法的求解思路。最后,以实例分析了该模型的客观性和科学性。(本文来源于《统计与决策》期刊2014年03期）
王浩,张欣,王志刚,夏慧明[9]（2013）在《差异演化算法优化灰色模型的负荷预测》一文中研究指出传统灰色预测模型GM(1,1)在预测增长较快的电力负荷时预测效果会变差,为克服这一缺陷,首先对原始数据进行开次方处理使数据增长变平稳,再将差异演化算法与GM(1,1)模型相结合,利用差异演化算法求解GM(1,1)模型中的参数。电力负荷预测实例结果表明该模型具有较高的预测精度和较广的应用范围。(本文来源于《价值工程》期刊2013年20期）
杨珍[10]（2013）在《基于TV模型和演化算法的图像修复技术研究》一文中研究指出随着电子产品的不断涌现，通讯技术的不断发展，越来越多的数字图像出现在人们的日常生活中。然而现实中存在着许多人为（保存不善或为了使图像具有某种特殊效果特意将其损坏）或非人为（数字图像在其传输或存储环节中产生信息缺失）因素会导致图像受损。为了简单有效地恢复那些具有一定价值和意义的受损图像，人们不断地对数字图像修复技术进行研究。现如今，数字图像修复技术已成为图像处理领域中一个热门的研究课题，并被应用于诸多领域。目前，数字图像修复技术主要分为两大类，一是基于变分PDE（Partial DifferentialEquation，偏微分方程）的图像修复技术；二是基于纹理合成的图像修复技术。针对第一类算法，本文主要研究其代表性算法，基于TV（Total Variation，整体变分）模型的图像修复算法。对于第二类算法，本文则着重研究其经典算法，由Criminisi等人提出的基于样本的图像修复技术。在对这两种算法进行分析研究的基础上，本论文对它们进行了一定的改进，主要研究内容和创新点如下：（1）提出一种基于TV模型的改进修复算法。本文的改进算法为了能够更多地利用那些与待修复点相关程度较高的像素点的信息，同时从待修点与其邻域像素点等照度线方向的距离和两者之间的像素间隔来确定各像素点的扩散系数。该算法使得那些间隔像素少，等照度线方向距离近的像素点具有较大的扩散系数，以此尽量减少因使用相关程度较小的已知信息所带来的误差累积。（2）提出一种新的优先权计算方法。针对Criminisi算法中优先权计算不准确和置信度为零对优先权计算造成影响的问题，本文重新定义了优先权函数，使得待修复块的结构信息所占比重更大。同时修改了数据项，使得图像的修复同时考虑等照度线方向和梯度方向上的信息。（3）提出一种基于演化算法的搜索策略。针对Criminisi算法搜索最佳匹配块时存在的效率低，易产生误匹配的缺陷，本文采用演化算法在待修复区域的环形外邻域搜索与待修复块最近似的匹配块。并且，在整个搜索过程中，当待修复块中心点的梯度较大时，使用较小的模板窗口；反之亦然。(本文来源于《江西理工大学》期刊2013-06-07）
模型演化算法论文开题报告
（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：
演化算法的首达时间分析是演化计算领域理论基础研究的难点和热点问题.本文研究建立了演化算法期望首达时间的随机过程模型,以该模型为基础,结合等价关系的性质,提出了等同关系模型作为判定演化算法在期望首达时间上是否等价的评判标准,实现了不同演化算法在期望首达时间上的等价类划分.在等同关系模型的基础上,论文提出了一种便于演化算法对比分析的数学工具——性能对比不等式,为不同算法在期望首达时间上的直接对比分析提供了依据.为了验证所提理论方法的可行性,本文选用(1+1)-EA作为研究对象,证明了不同选择算子和不同变异算子的(1+1)-EA算法的性能对比关系,并通过实验结果验证了理论分析结果的正确性.因此,论文提出的等同关系模型可以作为演化算法在性能对比分析的一种理论工具.
（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。
模型演化算法论文参考文献
[1].童浩.基于代理模型的演化算法及其算法组合[D].哈尔滨工业大学.2019
[2].冯夫健,黄翰,张宇山,郝志峰.基于等同关系模型的演化算法期望首达时间对比分析[J].计算机学报.2019
[3].张宇山,黄翰,郝志峰,杨晓伟.连续型演化算法首达时间分析的平均增益模型[J].计算机学报.2019
[4].陆晓芬.基于代理模型的实值演化算法研究[D].中国科学技术大学.2017
[5].温志超.基于演化算法及改进词袋模型的病虫害分类识别技术研究[D].华南农业大学.2016
[6].刘会超.差分演化算法的演化模型分析与算法改进研究[D].武汉大学.2015
[7].卢剑锋.基于替代模型的演化算法[D].中国科学技术大学.2014
[8].王庆荣,赵小柠,杨景玉.动力演化算法的应急物资分类Vague熵权投影寻踪模型[J].统计与决策.2014
[9].王浩,张欣,王志刚,夏慧明.差异演化算法优化灰色模型的负荷预测[J].价值工程.2013
[10].杨珍.基于TV模型和演化算法的图像修复技术研究[D].江西理工大学.2013
标签：演化算法; 代理模型; 高代价问题; Voronoi图分割;