1、進(jìn)化計(jì)算是一類模擬生物進(jìn)化過(guò)程與機(jī)制求解問(wèn)題的自適應(yīng)人工智能技術(shù)。它的核心思想是：從簡(jiǎn)單到復(fù)雜，從低級(jí)到高級(jí)的生物進(jìn)化過(guò)程，其本身是一種自然的、并行的、穩(wěn)健的優(yōu)化過(guò)程。目前，密母計(jì)算(Memetic Computation)及文化進(jìn)化計(jì)算(Cultural Evolutionary Computation)是在進(jìn)化計(jì)算向更高層次發(fā)展的過(guò)程中被提出，并已經(jīng)引起各國(guó)研究者的興趣和關(guān)注。本文提出了混合密母算法用來(lái)處理數(shù)值優(yōu)化問(wèn)題、聚類問(wèn)題和S

2、AR圖像檢測(cè)問(wèn)題。本文主要工作如下：
　　 1)提出了一種基于雙變異密母算法，簡(jiǎn)稱MADM。采用了兩種不同的局部學(xué)習(xí)算子來(lái)提高算法的全局和局部搜索能力。而雙變異算子來(lái)指導(dǎo)局部學(xué)習(xí)算子向好的方向搜索。局部搜索算子主要是讓個(gè)體學(xué)習(xí)周圍環(huán)境中有用信息來(lái)提高算法的搜索能力。最終通過(guò)實(shí)驗(yàn)分析本文算法與對(duì)比算法LCSA，DELG和CMA-ES性能。
　　 2)提出了一種多領(lǐng)域密母kernel k-means算法，簡(jiǎn)稱KCMA。主要處

3、理復(fù)雜的、無(wú)標(biāo)簽的、非線性的數(shù)據(jù)集。核函數(shù)將低維的非線性數(shù)據(jù)映射到高維特征空間中，從而增加數(shù)據(jù)在高維空間線性可分的概率，找到從屬的類別。本文根據(jù)數(shù)據(jù)集的不同分布，設(shè)計(jì)了三種不同的局部搜索算法，來(lái)提高算法的搜索能力。最終為了評(píng)估算法的性能，將已有的聚類算法和本文算法在人工數(shù)據(jù)集和UCI數(shù)據(jù)集上作比較來(lái)分析算法的性能。
　　 3)針對(duì)SAR圖像的變化檢測(cè)問(wèn)題，提出一種基于密母kernel k-means的SAR圖像變化檢測(cè)算法。該算