一種白盒問題的大規(guī)模協(xié)同全局優(yōu)化算法.pdf

1、在現(xiàn)實世界中，很多問題都可以抽象成實值優(yōu)化模型加以求解，例如工程設計，分類器構造，人工神經網絡訓練等。進化算法實值優(yōu)化作為一種基于自然啟發(fā)的群體搜索優(yōu)化方法，因具有簡單、易實現(xiàn)、并行搜索以及不要求目標函數(shù)連續(xù)可微等特點，而被廣泛應用到優(yōu)化領域。但是對于變量規(guī)模達到1000以上的大規(guī)模全局優(yōu)化問題，傳統(tǒng)的進化算法顯得無能為力。
　　協(xié)作型協(xié)同進化方法是目前解決大規(guī)模全局優(yōu)化算法的一種很有效的框架，它采用“分治”思想，將大規(guī)模問題（變

2、量1000維以上）先分解成若干小規(guī)模（變量規(guī)模為200維以下）子問題，然后用進化算法求解每個子問題，最后合并每個子問題的解從而得到大規(guī)模問題的解。即先對大規(guī)模變量進行分組，然后用進化算法優(yōu)化每組變量，最后合并所有組的變量最優(yōu)值得到大規(guī)模問題的最優(yōu)解和最優(yōu)值。
　　然而，由于變量之間存在相關性，如果將相關變量分到同一個組里，則最終的優(yōu)化的結果比較好，然而如果將相關變量分到不同的組里，則最終結果優(yōu)化比較差；因此如何識別并將相關變量分到

3、同一個組里，保證組內變量相關，組與組之間變量不相關，是目前研究的熱點及難點問題?；诖?，本文提出來一種改進的變量分組策略，這種變量分組策略利用目標函數(shù)表達式相關信息對大規(guī)模問題的變量進行分組。一般而言，大規(guī)模問題的目標函數(shù)表達式通常是初等函數(shù)；初等函數(shù)是由基本初等函數(shù)經過有限次的加、減、乘、除及復合運算形成的。這種改進的變量分組策略具體做法是：將這些運算以及函數(shù)看成對變量的某種操作，把這些操作分為兩類：一類是導致變量相關的操作，一類是不

4、導致變量相關的操作。該分組策略通過掃描目標函數(shù)表達式分析其中每個操作對變量相關性的作用，得到相關變量若干分組和非相關變量分組，使得相關變量可以被準確的分到同一個組里，保證組內變量相關，組與組之間變量不相關。
　　使用這種變量分組策略和協(xié)同進化框架本文提出來了一種新的求解大規(guī)模全局優(yōu)化問題的算法――一種白盒問題的大規(guī)模協(xié)同全局優(yōu)化算法（WbCC）。該算法采用改進的變量分組策略對變量進行分組，然后利用改進的廣義適應差分進化算法（GaD