复杂网络被广泛用于描绘与分析复杂系统中不同元素之间的相互作用。无论是日常的人际关系网络还是生态系统的内在运作结构,都可以用复杂网络进行研究。复杂网络上元素之间的相互博弈与演化,推动着整个系统向前发展。本文围绕复杂网络展开研究,分析网络结构对系统功能的影响,并将复杂网络研究与智能优化算法相结合。为理解合作行为的涌现,研究人员分析复杂网络结构对策略演化的影响,并尝试寻找有利于合作策略演化的复杂网络结构。本文将分析网络结构对合作策略演化的促进作用,并基于智能优化算法改进演化博弈网络结构。同时,本文将分析如何基于复杂网络解决智能优化领域中的研究问题。本文的主要工作总结如下:1.针对大规模演化博弈网络结构优化难的问题,研究了社团网络上的社团结构对整体合作策略演化的影响。基于Holme与Kim提出的网络设计方法,设计了社团合作水平可调的网络模型。分析社团合作水平与整体合作水平之间的联系,并研究社团对整体策略演化的影响力大小。实验结果表明,通过优化网络中的各社团可以实现对演化博弈网络结构的优化。同时,大规模社团对演化博弈结果的影响要大于一系列小社团的影响,即使两种情况下参与的节点数目相同。2.针对名誉机制与惩罚机制缺失情况下的公共物品博弈,研究了复杂网络引入的个体多样性对合作策略演化的重要作用。参考社会多样性的设计理念,基于复杂网络结构进一步设计策略多样性。研究了策略多样性下的合作策略演化情况,以及长期收益偏好对策略多样性的影响。实验结果表明策略多样性能有效促进合作策略的演化与传播,但在极端条件下容易受到邻域策略稳定性的影响。当博弈个体基于长期收益调整策略时,个体策略的稳定性能够得到有效的提升。相应的,在该种情况下,策略的多样性能够更好地提升网络在不同博弈参数下的合作水平。3.针对演化博弈网络结构优化难的问题,设计了多层进化算法。复杂网络优化是NP（non-deterministic polynomial）难问题,优化演化博弈网络结构还面临评估结果方差大的挑战。传统进化算法需要引入大量重复采样来确定解的质量,以避免算法崩溃。通过优先采样高质量的解来降低算法所需的重复采样次数,并利用还原列表调整种群避免算法崩溃,设计的多层进化算法可以在低采样条件下对演化博弈网络结构进行优化。实验中测试了所设计算法在不同策略更新规则下对演化博弈网络结构的优化情况,实验结果表明所设计方法能够成功优化不同情况下的演化博弈网络结构。4.针对优化演化博弈网络结构时算法效率不高的问题,通过研究合作策略的演化与传播特点,为演化博弈网络结构的改进与优化设计先验经验。基于微观分析合作行为在囚徒困境问题下的保留与传播,引入了影响力传播结构用于分析复杂网络上合作策略的传播,相应设计了具有较高合作水平的多层无标度网络模型。通过分析合作水平与影响力覆盖率之间的联系,为优化过程总结了先验经验,并利用先验经验改进优化算法。实验中测试了改进算法在不同策略更新规则下的优化情况,并比较了改进算法与多层进化算法的性能差异。实验结果表明,改进算法的优化效率得到了明显的提升。这说明总结的先验经验能够很好的引导算法进行搜素。5.针对目前定制性优化策略研究中存在的定制性与泛化性不可兼得的情况,将进化算法与深度学习相结合,设计了深度进化卷积网络。基于卷积操作与交叉操作之间的共性,将进化算法的优化过程嵌入深度网络。深度进化卷积网络调整网络参数以学习优化策略,本质上完成了对进化操作中的信息流网络的优化。由于进化算法本质上是对已有信息的利用,这使得深度进化卷积网络学到的优化策略具有更好的泛化能力。实验中测试了深度进化卷积网络为不同优化函数定制的优化策略的效率,以及所学策略的泛化能力。实验结果表明,所设计方法可以为不同的目标函数自动定制高效的优化策略,同时学习到的优化策略具有较为良好的泛化能力。6.针对深度进化卷积网络无法同时为不同目标函数定制策略的情况,通过学习目标函数特征与信息流网络结构之间的映射关系,设计了可实现一对多的自动优化算法。相应的网络模型基于初始种群分析目标函数的特征,并基于特征与信息流网络之间的映射关系定制优化策略,最终完成优化任务。实验中分析了所设计网络模型在一对多情况下的优化效率,同时分析了模型为新的函数推测优化策略的情况,并分析了模型在挖掘历史优化数据以及为优化过程提供先验经验上的潜在价值。实验结果表明,该模型在相应的实验中展现出了优秀的优化能力,并体现了其在挖掘历史优化数据与提供优化先验上的应用价值。7.针对粒子群算法探索能力弱的问题,基于复杂网络的分析与优化,设计了多领导的粒子群算法。传统粒子群算法中粒子与记忆之间的关系网络容易导致冗余搜索。多领导的粒子群算法通过改进算法中的记忆结构以提供更多的全局记忆以及局部记忆用于调整粒子的搜索方式,并通过多领导机制引导粒子选择记忆的过程。这使得粒子群算法中粒子与记忆之间的关系网络更加的灵活,并有利于增强粒子的探索能力。实验测试了所设计算法在CEC-2013测试集以及基因调控网络重建问题上的性能,并对比了所设计算法与已有方法的优化性能。实验结果表明所设计方法相比于已有的算法在测试问题上具有明显的性能优势。8.针对深度方法在时序预测时表现不稳定的问题,通过将复杂网络的学习过程融入深度网络,设计预测稳定性更好的深度网络模型。传统深度网络难以处理偏离训练集分布的信号输入。本文将模糊认知图学习方法与深度网络相结合,学习产生相应观测的复杂系统结构,为偏离训练集分布的数据提供更为合理的预测结果。实验中对比了当前主流的深度学习网络与所设计网络在十二组时序数据集上的性能差异,并分析了所设计模型的优势。实验结果表明通过嵌入复杂网络的学习过程,可以有效提升深度网络在时序预测问题上的稳定性。