2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩141頁未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、實(shí)值優(yōu)化在現(xiàn)實(shí)生活中存在著廣泛的應(yīng)用背景。演化算法(Evolutionary Al-gorithm)作為一類基于種群的隨機(jī)優(yōu)化算法,在實(shí)值優(yōu)化領(lǐng)域受到了廣泛的關(guān)注。不過,演化算法在實(shí)際應(yīng)用中仍然面臨著挑戰(zhàn)。由于演化算法使用基于種群的搜索和以個(gè)體適應(yīng)度值為基礎(chǔ)的優(yōu)勝劣汰選擇機(jī)制,演化算法往往需要大量的適應(yīng)度評估才能獲得滿意的解。然而,在實(shí)際應(yīng)用中,廣泛存在著計(jì)算代價(jià)高的問題(Computationally Expensive Proble

2、ms)。對于這類問題,一次適應(yīng)度評估的代價(jià)是非常高的,這限制了演化算法在相關(guān)領(lǐng)域里的應(yīng)用。針對演化算法存在的這點(diǎn)不足,本論文的主要目的是研究設(shè)計(jì)適用于計(jì)算代價(jià)高的實(shí)值優(yōu)化問題的演化算法。基于這個(gè)目的,本文從代理模型(Surrogate Model)著手,通過構(gòu)造計(jì)算代價(jià)不高的代理模型并引入到演化算法中來代替真實(shí)的適應(yīng)度評估,從而使演化算法更好地求解計(jì)算代價(jià)高的實(shí)值優(yōu)化問題。本文的主要研究工作與創(chuàng)新之處包括以下幾個(gè)方面:
  1.基

3、于分類模型的差分演化(Differential Evolution)算法在演化算法中引入代理模型牽涉到學(xué)習(xí)和優(yōu)化的互相作用。一般來講,代理模型的選擇和使用方式需要結(jié)合具體的演化算法來進(jìn)行設(shè)計(jì)。本文通過分析差分演化算法的搜索原理,將差分演化算法的選擇過程歸約為一個(gè)分類問題。基于此,本文提出了將分類模型引入到差分演化的選擇過程中、以代替真實(shí)適應(yīng)度評估對個(gè)體進(jìn)行比較的基于分類模型的差分演化算法。區(qū)別于以往基于代理模型的演化算法中常常用到的回歸

4、模型和排序模型,分類模型能更好地匹配差分演化算法的選擇機(jī)制的本質(zhì),因而可以更好地提高差分演化算法在有限的計(jì)算時(shí)間內(nèi)求解計(jì)算代價(jià)高的優(yōu)化問題的性能。
  2.基于分類模型和回歸模型結(jié)合的差分演化算法代理模型有不同的類型。不同類型的代理模型求解的問題不同,因而可以在演化算法中扮演不同的角色。作為對本文提出的基于分類模型的差分演化算法的改進(jìn),本文將分類模型和回歸模型結(jié)合起來融入到差分演化算法中。分類模型可以幫助差分演化算法避免在不好的子

5、代個(gè)體上浪費(fèi)真實(shí)的適應(yīng)度評估;回歸模型可以在分類模型預(yù)測的好的子代個(gè)體上給出替代真實(shí)適應(yīng)度值的近似適應(yīng)度值,從而進(jìn)一步減少差分演化算法每代所需要的真實(shí)適應(yīng)度評估的次數(shù)。
  3.基于代理模型的自適應(yīng)差分演化框架
  演化算法對操作算子及參數(shù)設(shè)置敏感。自適應(yīng)機(jī)制在演化算法中扮演著重要的角色,它可以幫助演化算法在演化搜索的過程中自動(dòng)地調(diào)整操作算子和參數(shù)值,從而提高演化算法的性能。本文分析了自適應(yīng)差分演化算法在求解計(jì)算代價(jià)高的問題

6、時(shí)存在的不足,并提出了基于代理模型的方法來對差分演化的操作算子和參數(shù)設(shè)置進(jìn)行自適應(yīng)調(diào)整,為差分演化算法提供了一種適用于計(jì)算代價(jià)高問題的自適應(yīng)機(jī)制。
  4.基于多模型的模因演算法(Memetic Algorithm)
  構(gòu)建代理模型的方式有很多種。同樣的構(gòu)建方式構(gòu)建出的代理模型在不同問題上的表現(xiàn)不同,因而代理模型的構(gòu)建方式的選擇是影響基于代理模型的演化算法的性能的一個(gè)重要因素。一般來講,代理模型的建模方式應(yīng)該結(jié)合具體的應(yīng)用

7、問題來進(jìn)行選擇。然而,由于這需要一些事先并不知道的有關(guān)具體應(yīng)用問題的先驗(yàn)知識,所以是不可行的。基于此,本文在模因演算法的框架下提出了具有層次結(jié)構(gòu)的多模型使用機(jī)制,實(shí)現(xiàn)了一種新穎的模型構(gòu)建方式的自適應(yīng)選擇機(jī)制。
  本論文分別從演化算法層面和代理模型構(gòu)建層面開展工作,研究如何設(shè)計(jì)高效的基于代理模型的演化算法。在演化算法層面,考慮到代理模型能夠在演化算法中扮演不同的角色,本文分別提出了基于分類模型的差分演化算法、基于分類模型和回歸模型

8、結(jié)合的差分演化算法、以及基于代理模型的自適應(yīng)差分演化框架。在代理模型層面,考慮到同樣的構(gòu)建方式構(gòu)建出的代理模型在不同問題上的表現(xiàn)不同,本文在模因演算法的框架下提出了一種高效的具有層次結(jié)構(gòu)的代理模型構(gòu)建方式的自適應(yīng)選擇機(jī)制。本文提出的基于分類模型的差分演化算法以及基于分類模型和回歸模型結(jié)合的差分演化算法,可以供后續(xù)的為其它使用成對比較的選擇機(jī)制的演化算法設(shè)計(jì)代理模型融入方式的工作參考。本文提出的基于代理模型的自適應(yīng)差分演化框架可以作為通用

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論