摘要: 近二十年以来，遗传算法和现代优化算法的研究与应用已使演化算法(EA)成为解决各种优化问题的有力工具，其中常见的演化算法，如遗传算法(GA)和粒子群算法(PSO)可以有效地解决不少优化问题，但在实际应用中往往存在如何避免早熟收敛与兼顾计算速度方面... 展开 近二十年以来，遗传算法和现代优化算法的研究与应用已使演化算法(EA)成为解决各种优化问题的有力工具，其中常见的演化算法，如遗传算法(GA)和粒子群算法(PSO)可以有效地解决不少优化问题，但在实际应用中往往存在如何避免早熟收敛与兼顾计算速度方面的矛盾。为克服这一矛盾，需要研究新的启发式搜索机制。 本文提出了一种原创的新颖的双群体的优化算法，称为团队进步算法(TPA)。该算法将一组团队成员按评价值大小分为精英组和普通组，并建立了两组的学习样板，两组团队成员在新成员产生规则及学习、探索和成员更新规则作用下表现出了快速进步的能力，最终能够通过较快的速度产生具有全局最优评价值的成员。该算法把一组团队成员分为两组，精英组确保收敛速度，普通组确保全局收敛，两组团队成员在搜索过程中的明显分工使算法兼备全局搜索、局部搜索和定向搜索的能力。 团队进步算法应用于十个函数和五个天线基准问题测试，数值试验表明了团队进步算法具有实现简单、全局寻优成功率高、计算量小及参数设置相对容易的特性。然后，把团队进步算法应用于天线阵幅度、幅度和相位的综合，并与对比算法GA和PSO在旁瓣控制、零陷控制和主瓣位置控制方面进行了统计比较，比较结果表明TPA在解决天线阵方向性图综合时具有收敛速度快、可靠性高的优势。 团队进步算法在成功寻优率、收敛性、有效性和可靠性方面具有优势性能，因此，该算法可以在组合优化、数据挖掘、工程优化等很多领域得以广泛应用。 收起