高斯過程及動態(tài)混合框架算法求解昂貴約束優(yōu)化問題.pdf

1、進(jìn)化算法(EAs，Evolutionary Algorithms)由于其具有隱并行性及強(qiáng)魯棒性等特性，被廣泛應(yīng)用于解決單/多目標(biāo)優(yōu)化問題。但在進(jìn)化過程中，進(jìn)化算法需要對候選解進(jìn)行大量的目標(biāo)函數(shù)值評價和比較才能獲得可接受的最優(yōu)解。然對復(fù)雜優(yōu)化設(shè)計問題，僅一次目標(biāo)函數(shù)評價就需消耗大量時間或計算成本（簡稱為昂貴問題），因此采用基于原始目標(biāo)函數(shù)值評價的EAs去搜索最優(yōu)解，代價高昂。同時，現(xiàn)實(shí)生活中很多優(yōu)化問題帶有一定的約束條件（稱為約束優(yōu)化問題

2、），雖然已有的約束優(yōu)化進(jìn)化算法對一般的約束優(yōu)化問題有一定的效果，但這些方法并未涉及帶有昂貴屬性的約束優(yōu)化問題（稱為昂貴約束優(yōu)化問題）。高斯隨機(jī)過程(GP，Gaussian stochastic Process)模型（簡稱高斯過程）是一種代理模型方法，它具有模型參數(shù)少且易于求解、克服過度擬合能力強(qiáng)等特點(diǎn)。通過不斷添加樣本點(diǎn)，可提高高斯過程代理模型的預(yù)測精度。約束優(yōu)化進(jìn)化算法由進(jìn)化算法和約束處理技術(shù)構(gòu)成。動態(tài)混合框架算法是使用基于多目標(biāo)的約

3、束處理技術(shù)，利用差分進(jìn)化算法作為搜索策略，在求解約束優(yōu)化問題上表現(xiàn)出了優(yōu)良的性能。
　　本文使用高斯過程作為昂貴函數(shù)的代理模型，利用增強(qiáng)的動態(tài)混合框架算法在求解約束優(yōu)化問題上優(yōu)秀的尋優(yōu)能力，聯(lián)合求解昂貴約束問題，提出高斯過程—動態(tài)混合框架集成算法(GP_DyHF)。本文的研究內(nèi)容如下：
　　(1)樣本集處理：算法使用拉丁超立方體采樣方法得到初始樣本集，采用模糊聚類方法處理大樣本集，減少建立代理模型的計算代價；提出樣本集的內(nèi)部

4、更新模式和外部更新模式，通過這兩種方式添加和替換樣本點(diǎn)，提高代理模型的預(yù)測精度；
　　(2)算法改進(jìn)：對動態(tài)混合框架算法的全局搜索模型和局部搜索模型予以改進(jìn)，增強(qiáng)了動態(tài)混合框架算法的尋優(yōu)能力；
　　(3)算法集成：集成高斯過程與動態(tài)混合框架算法（GP_DyHF算法），在進(jìn)化過程中使樣本集和種群獨(dú)立更新和進(jìn)化，但在樣本更新時會進(jìn)行信息交互；為合理使用代理模型和真實(shí)函數(shù)，根據(jù)進(jìn)化過程中的可行解比例，提出一種動態(tài)控制方法，加快算法