基于信息維的協(xié)同進化算法研究.pdf

1、協(xié)同進化算法(CoevolutionaryAlgorithm，CEA)是借鑒生態(tài)學上多物種相互作用、彼此驅動、協(xié)同進化機理而建立的一組新型進化算法。協(xié)同進化算法擴展了傳統(tǒng)進化算法的應用范圍，能有效地解決一些傳統(tǒng)進化算法難以解決的復雜問題。在人工智能的機器學習領域，有相當一部分問題無明確的目標評價函數(shù)，候選解的性能需要通過測試進行評價，比如分類策略學習問題、博弈策略學習問題等。典型情況下，可能的測試樣本數(shù)目巨大，無法在完整測試集上進行評價

2、，而選擇一個固定測試集又易于造成過適應。協(xié)同進化算法將候選解和測試樣本構造成兩個競爭關系的種群，讓它們一起進化，個體適應度通過與對方個體直接競爭獲得，從原理上為解決該類問題開辟了一條有效的途徑。
　　 但是，協(xié)同進化算法的動態(tài)性評價方式容易導致評價的不穩(wěn)定，以至在進化中常常出現(xiàn)復雜的動態(tài)性，如循環(huán)、特化等，致使進化脫離預定的目標，不能可靠地進化。如何組織、設置這種動態(tài)性評價才能確保協(xié)同進化算法成為一個有效、可靠的搜索方法是算法研

3、究面臨的一個主要挑戰(zhàn)。
　　 研究顯示“基于測試”(test-based)問題域內(nèi)隱含存在一組信息維，它們架構了問題域的評價空間。可將評價信息壓縮到一個小的維度集上，每一個維度可看作一個基本目標，并按照進化多目標優(yōu)化的觀點，對候選解進行評價。本文以此為研究基礎，提出了幾種針對“基于測試”問題的可靠協(xié)同進化算法設計方案。
　　 (1)提出了一個基于信息維識別的協(xié)同進化存檔方案，改善了目前可靠存檔算法存檔量過大，執(zhí)行效率低的

4、現(xiàn)狀。在協(xié)同進化期間，借助動態(tài)維度識別，僅選擇代表各維度最新進展的測試個體進檔保留，并以它們作為評價基準，選擇保留優(yōu)秀候選解，以此阻止進化倒退，輔助協(xié)同進化可靠有效地推進。本方案在確保可靠地進化的同時最小化存檔量。其中，維度識別是本方案的實施關鍵。針對問題類型的難易，提供了兩種維度識別方法和配套實施策略：針對COMPARE-ON-ONE類問題，其特征是域內(nèi)每一個測試個體僅能提供一個維度上的評價信息，構建了算法EPCA；針對一般二值收益問

5、題，構建了算法DI-CA。兩算法均通過實驗進行了驗證，結果顯示較以前的存檔算法均有更好的性能和效率。
　　 (2)提出了一個在線維度抽取方法，并在此基礎上構建了一個帶有維度抽取的協(xié)同進化算法PCA-DE。在線維度抽取方法借助個體間的特征收益關系來實施維度抽取，再根據(jù)維度固有的順序性對抽取的維度進行修正，使抽取到的維度具有更高的準確性。在PCA-DE算法的執(zhí)行過程中，同步抽取問題域的維度系統(tǒng)，并以此對個體實施準確評價，保留最優(yōu)個體

6、，引導進化單調(diào)有效地進展。實驗證實了PCA-DE的可行性，并顯示出比同類算法更高的性能和維度抽取準確率。
　　 (3)提出了一個非確定性雙向維度抽取方案，降低了維度抽取條件，并在此基礎上構建了一個基于雙向維度抽取的協(xié)同進化存檔算法CA-BDE。在進化過程中，算法借助測試端的維度抽取，選擇具有維度代表特征的測試個體存檔保留，用于為后續(xù)進化提供完整評價支持；同時算法借助于從對偶端進行的候選維度抽取，選擇具有維度代表特征的高性能候選個