中文摘要：

通过对自适应差分进化算法的缺陷分析与解决，提出一个对解决复杂优化问题更为有效的新的算法框架，并基于此框架构建一种能够同时自适应地调整算法、策略与参数的自适应集成进化算法，为解决复杂的静态或动态的多模态(multi-modal)优化问题提供了一个高效的方案。在普通PC上，实现并行的自适应集成进化算法，以克服影响算法实用化的速度屏障，同时算法将根据硬件平台上GPU和CPU的并行处理能力，自动调整算法的并行结构，从而实现最大程度的加速。此算法将用于解决模式识别与图像处理领域的复杂优化问题。

结论摘要：

本项目开发了一种新型的自适应集成进化算法。该算法通过对历史搜索经验的不断学习，在搜索进程中，自适应地选择和调节算法中的算子与参数，从而自动地构建出一个适合于解决复杂优化问题的高效方案。同时，该算法通过基于GPU（图形处理器）计算的并行化实现，来克服影响其实用化的速度屏障。最终，该算法的性能通过解决复杂的函数优化问题和实际优化问题（例如模式识别与图像处理中的优化问题）进行了测试。该项目的研究内容包括分析和解决现有的自适应差分进化算法中存在的缺陷、对现存的各类自适应和集成进化算法进行综合分析和全面比较、设计和开发新型自适应集成进化算法及其并行化实现、算法的测试和应用。