×
霍贾特·拉赫沙尼;阿明·拉哈蒂

数值和工程优化问题的智能多重搜索策略布谷算法。 （英文） Zbl 1390.90592号

阿拉伯的。科学杂志。工程师。 42，第2期，567-593（2017）.
摘要：本文提出了一种智能多搜索策略算法（IMSS），作为布谷鸟搜索（CS）的一种新的改进，以提高传统算法的性能。为此，本文提出的IMSS算法采用了多重搜索策略和Q学习技术。引入的多重搜索策略将CS和协方差矩阵自适应进化策略（CMAES）结合起来，以更有效地探索搜索空间，并减少寻找最优解的计算时间。更准确地说，CS使IMSS能够通过Lévy航班获得更好的最终解决方案准确性，CMAES通过称为进化路径的概念提高其收敛速度。为了在探索和开发行为之间提供智能平衡，IMSS采用Q学习方法，从而获取有关每个搜索策略性能的信息。然后，随着优化过程的进行，它使用这些信息动态地选择最佳策略来进化候选解决方案。换言之，IMSS算法将Q学习中学习最优策略的任务转化为搜索有效的自适应优化行为。在CEC 2005和CEC 2013测试套件上对IMSS进行了评估，并将其结果与几种最先进算法的结果进行了比较。为了进一步验证，所提出的方法还应用于两个经过深入研究的工程设计问题。所得结果表明，与其他算法相比，IMSS在上述优化问题上提供了非常有竞争力的结果。

MSC公司：

90 C59 数学规划中的近似方法和启发式

关键词：

布谷鸟搜索;协方差矩阵自适应进化策略;强化学习;工程设计问题

软件：

中国电子13;中国电子05;玉;基础知识;磷虾群;CMA-ES公司
PDF格式BibTeX公司 XML格式引用
\textit{H.Rakhshani}和\textit{A.Rahati}，阿拉伯文。科学杂志。Eng.42，编号：2567-593（2017；兹bl 139090592）
全文： 内政部

参考文献：

[1] 不列颠哥伦比亚省莫汉。；Baskaran，R.：一项调查：基于若干工程领域最新研究和实施的蚁群优化。支出系统。申请。39（4），4618-4627（2012）
[2] 邱，J。；陈，R.-B。；Wang，W。；Wong，W.K.：利用动物本能，通过粒子群优化设计高效的生物医学研究。Swarm进化。计算。18, 1-10 (2014). doi:10.1016/j.swavo.2014.06.003·doi:10.1016/j.swevo.2014.06.003
[3] Holland，J.H.：《自然和人工系统中的适应》。密歇根大学出版社，安娜堡（1975）·Zbl 0317.68006号
[4] Geem，Z.W。；Kim，J.H。；Loganathan，G.V.：一种新的启发式优化算法：和谐搜索。模拟76（2），60-68（2001）。doi:10.1177/003754970107600201·doi:10.1177/003754970107600201
[5] 肯尼迪，J。；Eberhart，R.：粒子群优化。1995年IEEE神经网络国际会议。《会议记录》，1995年11月/12月，第1944卷，第1942-1948页（1995）
[6] 斯托恩，R。；Price，K.：差分进化——一种简单有效的启发式算法，用于连续空间上的全局优化。J.全球。最佳方案。11(4), 341-359 (1997) ·Zbl 0888.90135号
[7] 卡拉博加，D。；Basturk，B.：一种强大而有效的数值函数优化算法：人工蜂群（ABC）算法。J.全球。最佳方案。39(3), 459-471 (2007). 数字对象标识代码：10.1007/s10898-007-9149-x·Zbl 1149.90186号 ·数字对象标识代码：10.1007/s10898-007-9149-x
[8] Yang，X.-S。；Deb，S.：通过征税航班进行布谷鸟搜索。摘自：《自然与生物启发计算》，2009年。NaBIC 2009年。世界大会，2009年12月9日至11日，第210-214页（2009年）。doi:10.1109/NABIC.2009.5393690
[9] Yang，X.-S。；Deb，S.：布谷鸟搜索：最新进展和应用。神经。计算。申请。24(1), 169-174 (2014)
[10] Civicioglu，P。；Besdok，E.：杜鹃搜索、粒子群优化、差异进化和人工蜂群算法的概念比较。Artif公司。智力。版本39（4），315-346（2013）
[11] Ko，Y.博士。；月亮，P。；Kim，C.E。；哈姆，M.-H。；Myoung，J.-M。；Yun，I.：使用神经网络和遗传算法对ZnO薄膜的生长速率进行建模和优化。实验系统。申请。36(2), 4061-4066 (2009)
[12] 杜尔根，I。；Yildiz，A.R.：使用布谷鸟搜索算法对车辆部件进行结构设计优化。材料试验54（3），185-188（2012）
[13] A.H.卡山。；M.H.卡珊。；Karimiyan，S.：用于分组问题的粒子群优化器。信息科学。252, 81-95 (2013) ·Zbl 1320.68170号
[14] 古普塔，V。；Lehal，G.S.：文本挖掘技术和应用综述。J.Emerg.技术。网络智能。1(1), 60-76 (2009). doi:10.4304/jetwi.1.1.60-76·doi:10.4304/jetwi.1.1.60-76
[15] 亚兹达尼，D。；纳西里，B。；Sepas-Moghaddam，A。；Meybodi，M.R.：一种新的基于粒子群优化的动态环境优化多温算法。申请。软计算。13(4), 2144-2158 (2013)
[16] 沃尔顿，S。；O.哈桑。；摩根，K。；Brown，M.：改进的布谷鸟搜索：一种新的无梯度优化算法。混沌孤子分形44（9），710-718（2011）
[17] Layeb，A.：一种新颖的量子杜鹃搜索背包问题。国际生物灵感杂志。计算。3(5), 297-305 (2011)
[18] 查克拉弗蒂，S。；Kumar，A.：分布式多处理器嵌入式系统设计空间探索的模糊杜鹃搜索驱动方法。《嵌入式和实时系统开发：软件工程视角》，第131-150页。斯普林格（2014）。doi:10.1007/978-3642-40888-55
[19] 李，X。；Wang，J。；Yin，M.：使用正交学习方法提高布谷鸟搜索算法的性能。神经计算机。申请。24(6), 1233-1247 (2014). doi:10.1007/s00521-013-1354-6·doi:10.1007/s00521-013-1354-6
[20] Zhang，Y。；Wang，L。；Wu，Q.：改进的自适应布谷鸟搜索（MACS）算法和全局优化的形式化描述。国际期刊计算。申请。Technol公司。44（2），73-79（2012）
[21] 瓦利安，E。；Tavakoli，S。；Mohanna，S。；Haghi，A.：改进可靠性优化问题的布谷鸟搜索。计算。Ind.Eng.64（1），459-468（2013）。doi:10.1016/j.cie.2012.07.011·doi:10.1016/j.cie.2012.07.011
[22] Kanagaraj，G。；Ponnambalam，S.G.公司。；Jawahar，N.：可靠性-冗余分配问题的混合杜鹃搜索和遗传算法。计算。Ind.Eng.66（4），1115-1124（2013）。doi:10.1016/j.cie.2013.08.003·doi:10.1016/j.cie.2013.08.003
[23] Wolpert，D.H。；Macready，W.G.：没有免费的优化午餐定理。IEEE传输。进化。计算。1(1), 67-82 (1997)
[24] Hansen，N。；穆勒，S.D。；Koumoutsakos，P.：使用协方差矩阵自适应（CMA-ES）降低非自治进化策略的时间复杂性。进化。计算。11(1), 1-18 (2003)
[25] 沃特金斯，C.J。；大研，P.：Q-learning。机器。学习。8(3-4), 279-292 (1992) ·Zbl 0773.68062号
[26] Yang，X.-S。；Deb，S.：设计优化的多目标布谷鸟搜索。计算。操作。第40（6）号决议，1616-1624（2013）·Zbl 1348.90650号
[27] 王，G.-G。；A.H.甘多米。；Yang，X.-S。；Alavi，A.H.：一种基于磷虾群和布谷鸟搜索的新混合方法，用于全局优化任务。国际生物灵感杂志。计算。(2012)
[28] 拉赫沙尼，H。；拉哈蒂，A。；Dehghanian，E.：杜鹃搜索算法及其在二级蛋白质结构预测中的应用。2015年第二届基于知识的工程与创新国际会议（KBEI），IEEE，第412-417页（2015）。doi:10.1109/KBEI.2015.7436080
[29] Wang，L。；Yin，Y。；Zhong，Y.：不同比例因子的杜鹃搜索。前面。计算。科学。9(4), 623-635 (2015)
[30] 伊伦加·姆布扬巴，E。；克鲁兹·杜阿尔特，J.M。；Avina-Cervantes，J.G。；科雷亚·克莱，C.R。；Lindner，D。；Chalopin，C.：用于脑肿瘤图像分割的杜鹃搜索策略驱动的活动轮廓。支出系统。申请。56, 59-68 (2016)
[31] Araghi，S。；Khosravi，A。；Creighton，D.：多交叉口网络的智能布谷鸟搜索优化交通信号控制器。实验系统。申请。42(9), 4422-4431 (2015)
[32] Naumann，D。；埃文斯，B。；沃尔顿，S。；Hassan，O.：使用改进的杜鹃搜索实现计算气动形状优化的新方法。申请。数学。模型。(2015). doi:10.1016/j.apm.2015.11.023·Zbl 1459.74156号 ·doi:10.1016/j.apm.2015.11.023
[33] 苏雷什，S。；Lal，S.：一种基于多级阈值的高效布谷鸟搜索算法，用于使用不同目标函数分割卫星图像。支出系统。申请。58, 184-209 (2016)
[34] Wang，J。；姜浩。；Wu，Y。；Dong，Y.：使用杜鹃搜索算法优化的混合模型预测太阳辐射。能源81，627-644（2015）
[35] Huang，L.等人。；丁·S。；于斯。；Wang，J。；Lu，K.：用于全局优化的混沌增强杜鹃搜索优化算法。申请。数学。模型。(2015). doi:10.1016/j.apm.2015.10.052·Zbl 1459.90227号
[36] 刘，X。；Fu，M.：基于蛙跳局部搜索和混沌理论的杜鹃搜索算法。申请。数学。计算。266, 1083-1092 (2015) ·兹比尔1410.90272
[37] Nguyen，T.T。；Vo，D.N.：一阶布谷鸟搜索算法在解决经济负荷分配问题中的应用。申请。软计算。37, 763-773 (2015)
[38] 黄，J。；高，L。；Li，X.：一种有效的基于教学的布谷鸟搜索算法，用于结构设计和加工过程中的参数优化问题。申请。软计算。36, 349-356 (2015)
[39] 科布斯，C。；穆尼奥斯·科拉佐斯，H。；Urbano-Muñoz，R。；门多萨，M。；莱昂，E。；Herrera-Viedma，E.：基于布谷鸟搜索算法和平衡贝叶斯信息准则的网络搜索结果聚类。信息科学。281, 248-264 (2014)
[40] 李，X。；Yin，M.：采用自适应参数法的改进布谷鸟搜索算法。信息科学。298, 80-97 (2015)
[41] AlRashidi，M。；El-Naggar，K。；AlHajri，M.：使用布谷搜索估计凸和非凸热曲线参数。阿拉伯的。科学杂志。工程40（3），873-882（2015）
[42] Hansen，N。；尼德伯格，A.S。；古泽拉，L。；Koumoutsakos，P.：一种处理进化优化中不确定性的方法，应用于燃烧反馈控制。IEEE传输。进化。计算。13(1), 180-197 (2009)
[43] Fukagata，K。；科恩，S。；查特兰，P。；库穆塔科斯，P。；Kasagi，N.：各向异性柔顺表面的进化优化，以减少湍流摩擦阻力。J.Turbul公司。9，N35（2008）。网址：10.1080/14685240802441126·网址：10.1080/14685240802441126
[44] Hansen，N.：CMA进化策略：比较综述。《走向新的进化计算》，第75-102页。斯普林格（2006）。doi:10.1007/3-540-32494-14
[45] Hansen，N。；Kern，S.（2004）评估多模态测试函数的CMA进化策略。摘自：Nature-PPSN VIII中的并行问题解决，第282-291页。斯普林格。doi:10.1007/978-3-540-30217-929
[46] Hansen，N。；Ostermier，A.：进化策略中的完全错乱的自我适应。进化。计算。9(2), 159-195 (2001)
[47] 穆勒，C。；Baumgartner，B。；Sbalzarini，I.F.：多漏斗景观优化的粒子群CMA进化策略。In：进化计算。CEC’09年。2009年IEEE大会，IEEE，第2685-2692页（2009年）。doi:10.1109/CEC.2009.4983279
[48] 布萨伊·D·I。；Lepagnot，J。；Siarry，P.：优化元启发式调查。信息科学。23782-117（2013）·Zbl 1321.90156号
[49] Suganthan，P.N。；Hansen，N。；梁，J.J。；Deb，K。；陈永平。；Auger，A。；Tiwari，S.：CEC 2005年关于实际参数优化的特别会议的问题定义和评估标准。KanGAL报告2005005（2005）
[50] Ballester，P.J。；斯蒂芬森，J。；Carter，J.N。；Gallagher，K.：使用SPC-PNX对CEC-2005基准进行的实时参数优化性能研究。摘自：进化计算大会，第498-505页（2005年）
[51] Ronkkonen，J。；库科宁，S。；Price，K.V.：差分进化的实时参数优化。In：程序。IEEE CEC，第506-513页（2005）
[52] Auger，A。；Hansen，N.：高级局部搜索进化算法的性能评估。In：进化计算。2005年IEEE大会，IEEE，第1777-1784页（2005）。doi:10.1109/CEC.2005.1554903
[53] 阿凯，B。；Karaboga，D.：用于实际参数优化的改进人工蜂群算法。信息科学。192, 120-142 (2012)
[54] 卡拉博加，D。；Akay，B.：人工蜂群算法的比较研究。申请。数学。计算。214(1), 108-132 (2009) ·Zbl 1169.65053号
[55] 梁，J。；Qu，B。；Suganthan，P。；Hernández-Díaz，A.G.：CEC 2013实参数优化特别会议的问题定义和评估标准。中国郑州大学计算智能实验室和新加坡南洋理工大学，技术报告201212（2013）
[56] 布雷斯特，J。；格雷纳，S。；博什科维奇，B。；默尼克，M。；Zumer，V.：微分进化中的自适应控制参数：数值基准问题的比较研究。电气与电子工程师协会。事务处理。进化。计算。10（6），646-657（2006）
[57] 秦，A.K。；黄，V.L。；Suganthan，P.N.：具有全局数值优化策略自适应的差分进化算法。电气与电子工程师协会。事务处理。进化。计算。13(2), 398-417 (2009)
[58] 张杰。；Sanderson，A.C.：JADE：具有可选外部存档的自适应差异进化。电气与电子工程师协会。事务处理。进化。计算。13（5），945-958（2009）
[59] Mallipeddi，R。；Suganthan，P.N。；潘，Q.-K。；Tasgetiren，M.F.：参数和变异策略集成的差分进化算法。申请。柔软。计算。11(2), 1679-1696 (2011)
[60] Tanabe，R。；Fukunaga，A.：差异进化的基于成功历史的参数自适应。摘自：进化计算（CEC），2013年IEEE大会，IEEE，第71-78页（2013）。doi:10.1109/CEC.2013.6557555
[61] Wang，Y。；蔡，Z。；Zhang，Q.：具有复合试验向量生成策略和控制参数的差分进化。IEEE传输。进化。计算。15(1), 55-66 (2011)
[62] Wu，G。；Mallipeddi，R。；Suganthan，P.N。；王，R。；Chen，H.：基于多种群的突变策略集合的差异进化。信息科学。329, 329-345 (2016). doi:10.1016/j.ins.2015.09.09·doi:10.1016/j.ins.2015.09.09
[63] Shi，Y。；Eberhart，R.：一种改进的粒子群优化算法。In：进化计算程序。IEEE计算智能世界大会。，1998年IEEE国际会议，IEEE，第69-73页。(1998)
[64] Clerc，M.：群和皇后：走向确定性和自适应粒子群优化。In：进化计算。CEC 99。1999年国会会议记录。IEEE（1999）
[65] Krohling，R.：高斯群：一种新的粒子群优化算法。摘自：《控制论与智能系统》，2004年IEEE会议，第372-376页。IEEE（2004）
[66] 肯尼迪，J.：赤骨粒子群。参加：Swarm Intelligence研讨会。SIS’03。2003年IEEE会议记录2003，第80-87页。IEEE（2003）
[67] Krohling，R。；Coelho，L.D.S.：PSO-E：指数分布的粒子群。In：进化计算。CEC 2006。2006年IEEE大会，第1428-1433页。IEEE（2006）
[68] T.J.Richer。；T.M.布莱克威尔：勒维粒子群。In：进化计算。CEC 2006。2006年IEEE大会，第808-815页。IEEE（2006）
[69] 梁，J.J。；秦，A.K。；Suganthan，P.N。；Baskar，S.：用于多模态函数全局优化的综合学习粒子群优化器。IEEE传输。进化。计算。10(3), 281-295 (2006)
[70] 梁，J。；Suganthan，P.N.：动态多温粒子群优化器。参加：Swarm Intelligence研讨会。SIS 2005。2005年IEEE 2005年会议记录，第124-129页。IEEE（2005）
[71] 门德斯，R。；肯尼迪，J。；Neves，J.：完全知情的粒子群：更简单，也许更好。IEEE传输。进化。计算。8(3), 204-210 (2004)
[72] Sun，J。；徐伟（Xu，W.）。；冯，B.：量子粒子群优化的全局搜索策略。摘自：《控制论与智能系统》，2004年IEEE会议，第111-116页。IEEE（2004）
[73] Sun，J。；方，W。；帕拉德五世。；吴，X。；Xu，W.：高斯分布局部吸引子点的量子粒子群优化。申请。数学。计算。218(7), 3763-3775 (2011) ·Zbl 1244.65089号
[74] Wang，F。；罗，L。；他，X·s。；Wang，Y.：粒子群优化和布谷鸟搜索的混合优化算法（2011）
[75] Wang，L。；Yin，Y。；Zhong，Y.：逐个维度改进的布谷鸟搜索算法。J.软件。24(11), 2687-2698 (2013) ·Zbl 1299.90422号
[76] Deb，K.：遗传算法的一种有效约束处理方法。计算。方法应用。机械。工程186（2），311-338（2000）·Zbl 1028.90533号
[77] 马哈达维，M。；Fesanghary，M。；Damangir，E.：用于解决优化问题的改进和声搜索算法。申请。数学。计算。188(2), 1567-1579 (2007) ·Zbl 1119.65053号
[78] 卡尼纳，L.C。；埃斯基维尔，南卡罗来纳州。；Coello，C.A.C.：使用简单的约束粒子群优化器解决工程优化问题。Informatica 32、319-326（2008）·Zbl 1155.90482号
[79] Siddall，J.N.：《工程设计中的分析决策》。Prentice Hall，上鞍（1972）
[80] 拉格斯代尔，K.M。；Phillips，D.T.：使用几何规划对一类焊接结构进行优化设计。《工程学报》98（3），1021-1025（1976）。数字对象标识代码：10.1115/1.3438995·doi:10.115/1.3438995
[81] Deb，K.：通过遗传算法进行焊接梁的优化设计。AIAA J.29（11），2013-2015（1991）
[82] Leite，J.P。；Topping，B.H.：结构工程优化的改进遗传算子。高级工程师软件。29(7), 529-562 (1998)
[83] Coello，C.A.C.：基于GA的优化的自适应惩罚。In：进化计算。CEC 99。1999年国会会议记录。IEEE（1999）
[84] Coello Coello，C.C.：使用进化多目标优化技术进行约束处理。土木工程系统。17(4), 319-346 (2000)
[85] 阿提奎拉，M.M。；Rao，S.：模拟退火和并行处理：约束全局设计优化的实现。工程优化+A35 32（5），659-685（2000）
[86] 阿赫塔，S。；Tai，K。；Ray，T.：工程设计优化的社会行为模拟模型。工程优化。34(4), 341-354 (2002)
[87] 巴博萨，H.J。；Lemonge，A.C.：约束优化问题遗传算法中的自适应惩罚方案。收录于：GECCO，第287-294页。Citeser（2002）
[88] 雷，T。；Liew，K.M.：社会与文明：基于社会行为模拟的优化算法。IEEE传输。进化。计算。7(4), 386-396 (2003)
[89] Lemonge，A.C.公司。；Barbosa，H.J.：结构优化中遗传算法的自适应惩罚方案。国际期刊数字。方法工程59（5），703-736（2004）·Zbl 1060.74582号
[90] He，S。；Prempain，E。；Wu，Q.：一种用于机械设计优化问题的改进粒子群优化器。工程优化。36(5), 585-605 (2004)
[91] K.S.Lee。；Geem，Z.W.：一种新的用于连续工程优化的元神经算法：和谐搜索理论与实践。计算。方法应用。机械。工程194（36），3902-3933（2005）·Zbl 1096.74042号
[92] Liu，J.-L.：利用分数析因分析解决全局优化问题的新型正交模拟退火。工程优化。37(5), 499-519 (2005)
[93] 帕索普洛斯，K.E。；Vrahatis，M.N.：用于解决约束工程优化问题的统一粒子群优化。摘自：《自然计算进展》，第582-591页。施普林格，柏林（2005）
[94] 赫达尔，A.-R。；Fukushima，M.：约束连续全局优化的无导数滤波器模拟退火方法。J.全球。最佳方案。35(4), 521-549 (2006) ·Zbl 1133.90421号
[95] 黄，S.-F。；He，R.-S.：用于函数优化的混合实参数遗传算法。高级工程信息20（1），7-21（2006）
[96] 贝尔纳迪诺，H.S。；巴博萨，H.J。；Lemonge，A.C.：机械工程中约束优化问题的混合遗传算法。2007年IEEE进化计算大会（2007）
[97] 贝尔纳迪诺，H.S。；巴博萨，H.J。；莱蒙，A.C。；Fonseca，L.：机械工程中约束优化问题的新混合AIS-GA。摘自：2008年IEEE进化计算大会（IEEE计算智能世界大会）（2008）
[98] Mezura-Montes，E。；Hernández-Ocana，B.：针对工程设计问题的细菌觅食：初步结果。收录于：Gto，CIMAT，《国家计算进化大会纪念》（COMCEV’2008）。墨西哥（2008年）
[99] Fesanghary，M。；马哈达维，M。；米纳里·乔兰丹，M。；Alizadeh，Y.：将调和搜索算法与序列二次规划相结合，用于工程优化问题。计算。方法应用。机械。工程197（33），3080-3091（2008）·Zbl 1194.74243号
[100] 张，M。；罗，W。；Wang，X.：约束优化的动态随机选择差分进化。信息科学。178(15), 3043-3074 (2008)
[101] 张杰。；Liang，C。；黄，Y。；吴杰。；Yang，S.：一种有效的多智能体进化算法，集成了一种用于工程优化的新型轮盘赌反演算子。申请。数学。计算。211（2），392-416（2009）·Zbl 1162.65357号
[102] 扎哈拉，E。；Kao，Y.-T.：约束工程设计问题的混合Nelder-Mead单纯形搜索和粒子群优化。支出系统。申请。36（2），3880-3886（2009）
[103] 阿拉贡，V.S。；Esquivel，S.C.公司。；Coello，C.A.C.：约束优化问题的T细胞算法的修改版本。国际期刊数字。方法工程84（3），351-378（2010）。doi:10.1002/nme.2904·Zbl 1202.74128号 ·数字对象标识代码：10.1002/nme.2904
[104] Kaveh，A。；Talatahari，S.：一种新的启发式优化方法：充电系统搜索。机械学报。213(3-4), 267-289 (2010) ·Zbl 1397.65094号
[105] A.H.甘多米。；Yang，X.-S。；Alavi，A.H.：使用firefly算法的混合变量结构优化。计算。结构。89(23), 2325-2336 (2011)
[106] A.H.甘多米。；Yang，X.-S。；阿勒维。；Talatahari，S.：约束优化任务的Bat算法。神经计算。申请。22(6), 1239-1255 (2013)
[107] Gandomi，A.H.：内部搜索算法（ISA）：一种新的全局优化方法。ISA事务。53(4), 1168-1183 (2014)
[108] Y'lmaz，S。；Küçüksille，E.U.：解决优化问题的bat算法的新修改方法。申请。柔软。计算。28, 259-275 (2015)
[109] 雷，T。；Saini，P.：利用群体进行工程设计优化，并在个体之间进行智能信息共享。工程优化。33(6), 735-748 (2001)
[110] 胡，X。；R.C.埃伯哈特。；Shi，Y.：使用粒子群进行工程优化。参加：Swarm Intelligence研讨会。SIS’03。2003年IEEE 2003会议记录，第53-57页。IEEE（2003）
[111] 科埃洛·科埃洛，C.A。；Becerra，R.L.：通过使用文化算法进行有效的进化优化。工程优化。36(2), 219-236 (2004)
[112] 何，Q。；Wang，L.：约束工程设计问题的有效协同进化粒子群优化。工程应用。Artif公司。智力。20（1），89-99（2007）
[113] 黄，F.-Z。；Wang，L。；He，Q.：约束优化的有效协同进化差分进化。申请。数学。计算。186(1), 340-356 (2007) ·Zbl 1114.65061号
[114] 许永乐。；Liu，T.-C.：开发用于工程设计优化问题的模糊比例导数控制器优化引擎。工程优化。39(6), 679-700 (2007)
[115] Mezura-Montes，E。；Coello，C.A.C.：关于进化策略对解决约束优化问题有用性的实证研究。国际通用系统杂志。37(4), 443-473 (2008) ·Zbl 1219.90129号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。