基于合作協(xié)同策略的演化算法研究.pdf

1、優(yōu)化問(wèn)題是日常生活與工作中普遍存在的重要問(wèn)題。演化算法作為一類(lèi)高效啟發(fā)式優(yōu)化算法，近二十年也取得了很大的發(fā)展，發(fā)展出一系列新的算法和技術(shù)，如GP，DE，PSO，ACO等。傳統(tǒng)演化算法在解決低維問(wèn)題上取得了很好的效果，當(dāng)變量個(gè)數(shù)不多的時(shí)候，能夠很快找到最優(yōu)解;但當(dāng)問(wèn)題規(guī)模增大時(shí)，其求解難度也急劇增加，許多經(jīng)典演化算法都失去了其在低維中的性能和表現(xiàn)。而實(shí)際工程應(yīng)用中的很多優(yōu)化問(wèn)題都是大規(guī)模的，并且變量之間還可能存在復(fù)雜的相關(guān)性，迫切需要有效

2、和高效的大規(guī)模優(yōu)化算法。
　　合作協(xié)同是提高演化算法求解高維問(wèn)題能力最有效的策略之一。近年來(lái)，基于合作協(xié)同策略的高維數(shù)值優(yōu)化演化算法的研究主要集中在變量相關(guān)性估計(jì)、問(wèn)題分解與降維、演化狀態(tài)判斷、多策略自適應(yīng)選擇、以及自適應(yīng)策略設(shè)計(jì)上。本文主要基于粒子群優(yōu)化(PSO)算法，研究了大規(guī)模全局優(yōu)化相關(guān)技術(shù)，主要工作及成果如下:
　　1)對(duì)基于合作協(xié)同演化策略的粒子群優(yōu)化算法(CCPSO)進(jìn)行了實(shí)驗(yàn)研究，對(duì)其在大規(guī)模數(shù)值優(yōu)化問(wèn)題上的

3、性能表現(xiàn)進(jìn)行了分析。
　　2)對(duì)基于隨機(jī)分組策略的CCPSO中粒子速度進(jìn)行跟蹤觀察，發(fā)現(xiàn)當(dāng)問(wèn)題真實(shí)最優(yōu)解的某些維靠近其取值邊界時(shí)，算法執(zhí)行后期，粒子的速度在該維上經(jīng)常處于發(fā)散狀態(tài)，導(dǎo)致算法在后期很難收斂。基于此觀察，本文提出了速度隨機(jī)重置技術(shù)來(lái)解決速度發(fā)散問(wèn)題，其執(zhí)行概率隨適應(yīng)度評(píng)估次數(shù)的增加而增加。實(shí)驗(yàn)結(jié)果表明，速度隨機(jī)重置技術(shù)能有效改善算法后期的收斂性，并獲得較好優(yōu)化結(jié)果。
　　3)對(duì)多子代抽樣(MOS)演化算法進(jìn)行了研

4、究。基于“No Free Lunch”理論，采用競(jìng)爭(zhēng)學(xué)習(xí)方法，對(duì)多個(gè)子代算法的表現(xiàn)進(jìn)行跟蹤，采用賭輪算法進(jìn)行選擇，表現(xiàn)好的算法有更多的概率參與優(yōu)化，使得不同的優(yōu)化問(wèn)題可以更好地選擇適合該問(wèn)題的算法。
　　4)演化算法在執(zhí)行過(guò)程中，群體的搜索區(qū)域會(huì)隨時(shí)間而變化。解空間不同區(qū)域的fitness landscape對(duì)算法的性能需求不盡相同。本文通過(guò)對(duì)粒子當(dāng)前的分布進(jìn)行判斷，并根據(jù)判斷結(jié)果選擇不同的子算法實(shí)施優(yōu)化，取得較好的實(shí)驗(yàn)結(jié)果。