进化规划是一种随机优化方法,它的目标是通过进化达到行为智能化。但在最初的发展中,进化规划并未得到足够的重视。直到20世纪90年代,进化规划方法得到改善,并作为进化算法的一个分支开始得到广泛的应用。进化规划算法从一组随机产生的个体开始进行搜索,通过变异、选择等操作使个体向着搜索空间中越来越靠近全局最优值的区域进化。类似于遗传算法,进化规划算法也很容易早熟收敛。因此,避免早熟收敛,均衡算法的探索和执行能力,已成为进化规划研究的主要内容之一。本文所做的主要工作及创新如下:1、对进化计算与进化规划的相关知识进行概括总结。进化计算是借鉴生物进化思想发展起来的启发式随机搜索优化方法。它是模拟生物进化过程中“优胜劣汰”的自然选择机制和遗传信息传递规律的算法的总称,主要用来解决复杂优化问题。进化计算作为一种高鲁棒性的全局最优搜索算法被人们所接受。它具有适应性强、效果良好、操作简单等优点。进化规划是进化计算的一个分支,起源于20世纪60年代。进化规划对生物进化过程的模拟主要着眼于物种的进化过程,在进化规划算法中,变异算子是个体进化的唯一手段。目前对进化规划算法的评价仅对仿真结果进行比较,理论分析较为薄弱。2、对几种进化规划算法进行了详细的介绍和分析,提出了一种新的混合策略进化规划算法,SPCEP算法。标准进化规划算法(CEP)是进化规划的基本算法。FEP、SPMEP算法通过将CEP算法中的高斯变异算子替换为柯西变异算子和单点变异算子的方式对CEP算法进行了改进。MSEP算法引入了进化博弈论的思想,通过策略参数决定个体使用的变异方式。本文提出的SPCEP算法是基于CEP和SPMEP算法的混合策略进化规划算法。SPCEP算法利用高斯变异算子和单点变异算子各产生一个后代个体,选择其中较好的一个作为唯一的后代。实验结果表明,SPCEP的性能比CEP和SPMEP有了一定程度的提高。3、通过对进化规划算法的探索与执行能力以及搜索步长的学习研究,提出了一种新的变异方法Bagging方法,并将Bagging方法与CEP算法结合,提出一种Bagging进化规划算法。在进化规划中,算法的探索和执行能力有很重要的作用,在一定程度上决定了算法收敛到全局最优解的速度和精确度。对算法探索和执行能力的调节一般是通过调整搜索步长实现的。Bagging变异方法通过控制参数调节两个步长分量在进化过程中的作用,使搜索步长随着进化的进行逐渐减小,达到加快收敛速度,均衡算法探索和执行能力的目的。通过将Bagging变异方法与CEP算法结合,提出一种新的Bagging进化规划算法。通过将算法应用到函数优化问题中对算法的性能进行检验。本文选择了8个标准测试函数测试算法求解不同类型问题的能力。由于CEP算法本身的局限性,Bagging算法求解高维多模函数的效果并不理想。文中通过将CEP变异方法替换为单点变异方法对Bagging算法进行了改进,提高了算法求解高维多模函数时的精确度。