進化算法的研究及其設計.pdf

1、大量的優(yōu)化問題存在于現(xiàn)實生活和生產管理之中。近些年來，智能計算已成為求解優(yōu)化問題的一個研究熱點，特別是進化計算。進化計算由最初的生物計算發(fā)展到各種類型的自然計算算法及技術，包括神經計算、生態(tài)計算以及經濟計算等等，在科學研究、工程實踐以及生產管理取得了顯著的發(fā)展。
　　本文對進化算法進行探討，其中分別對單目標類型和多目標類型的優(yōu)化問題進行算法設計，主要工作內容和創(chuàng)新之處有:
　　在單目標最優(yōu)化方面，提出了一個基于協(xié)方差學習機制

2、和搜索偏好的算法CMLSP以及采用了切換開關算法框架把CMLSP與CMAES結合為算法CM-LSP/AES。其基本目的是在良好的解的附近投入更多的搜索資源尋找更好的解。為了達到這一目的，我們摒棄了進化算法中傳統(tǒng)的雜交變異方式，而設計了一個基于協(xié)方差矩陣學習的方法來產生更高質量的解。CM-LSP/AES的設計包含了兩個部分，一是CMLSP基于協(xié)方差學習機制以及基于高斯分布變異的搜索偏好設計;二是基于開關切換框架下結合了CMLSP和CMAE

3、S，使得兩個算法相輔相成。CM-LSP/AES與經典的進化算法CMAES和CoBiDE進行實驗對比。實驗仿真表明，CM-LSP/AES是一個能解決復雜問題（包括大部分黑箱問題）全局優(yōu)化的有效方法。
　　在多目標最優(yōu)化方面，提出了一個基于種群分解以及種群參考距離的超多目標進化算法，命名為EAPD-RD。該算法的設計目的主要是為了解決高維多目標最優(yōu)化問題中出現(xiàn)的維數災難問題帶來的弱收斂性、弱搜索能力以及弱多樣性。EAPD-RD引用了種

4、群分解技術，保證了進化過程中種群的多樣性以及降低了計算量;其次，利用了種群的距離信息實現(xiàn)了二次判斷使得傳統(tǒng)的非支配關系在高維空間中的效用性增強;最后，采用小生態(tài)技術來衡量種群之間的擁擠程度并且作為選擇更好解的依據，保證了種群的多樣性。EAPD-RD與MOEA/D、NSGA-Ⅲ以及GrEA三個算法對六個測試問題在三個不同維度下進行實驗仿真。通過實驗仿真分析，證明了EAPD-RD在處理高維多目標問題具有一定的優(yōu)勢，平衡了收斂性、多樣性以及計