进化计算有四大主要分支：遗传算法，遗传编程，进化策略和进化规划。它们是一类模拟生物进化过程与机制的随机优化算法。 因为进化计算的独特理论和解决一些问题的能力，自80年代中期以来，世界各国都掀起了进化计算的研究热潮。20世纪60年代中期，美国密歇根大学的Holland教授首次应用模拟遗传算子来研究适应性中的人工问题，提出了模仿自然界生物进化过程的遗传算法(GA)。经过三十多年的发展，无论在算法的改进方面，还是理论以及应用研究方面，都己取得了很大的进步和成功。但是遗传算法中仍然存在许多问题，如建筑块假设、早熟收敛和进化时间长等问题。 根据对GA存在问题的思考以及对人类思维进步的分析，孙承意教授于1998年8月提出了思维进化计算(Mind Evolutionary Computation，MEC)，其思想来源是人类社会中存在的趋同和异化现象，经过几年来的理论和实验研究，目前思维进化计算在理论上已经有了很大的发展，同时也广泛应用于一些实际问题，所有这些工作已经为MEC建立了一个初步完整的体系。 本文回顾了进化计算和思维进化计算的背景知识；构造了基于双目标优化的双层MEC；用双层MEC更深一步地研究了MEC的多峰优化性能，从而进一步丰富了MEC框架；讨论了MEC参数对解的精度及对算法搜索计算量的影响，以便在今后的工作中能够更好地应用MEC解决问题。太原理工大学硕士研究生学位论文 首先，为了提高实验效率，解决手工调参带来的不便，构造了基于双目标优化的双层MEC，高层MEC中以一组参数为一个个体，每个个体将被底层MEC评价，返回该个体对应的适应值。考虑到评价次数是评价算法性能好坏的重要标准，同时还要考虑找到的解的质量(即所找到的解的精确性)，以每个个体对应底层MEC中函数的评价次数与找到的解与真实解之间绝对误差的加权和作为其适应值，从而得到底层MEC的个体评价次数和解的精度的折中解。底层MEC优化函数。 其次，用双层MEC更近一步地研究了MEC的多峰优化性能。测试了十个多峰函数，其中有峰高相等及不等的。且与几种小生境遗传算法及物种保存遗传算法作了性能比较，实验表明，MEC优化多峰函数是非常高效的，尤其对于复杂欺骗问题，其计算效率竟高于对照算法92%以上。 最后，为了更好地应用MEC解决问题，用双层MEC分别讨论了MEC解决一维及二维数值优化问题时参数:l)N，对找到的解的精度的影响(MEC趋同操作的停止准则是:连续若干代(记为N。)子群体不再产生新的胜者)。结果表明:子群体尺寸又、固定，从:越大，所得到的解的精度越高。2)s。对算法搜索计算量的影响。通过实验得到了数值优化时在所找到的解达到精度要求的前提下，算法搜索计算量较少时又、的取值范围。