基于復雜適應度函數(shù)的優(yōu)化模型及其應用研究.pdf

1、智能控制是指智能機器在無人干預條件下自主驅動并實現(xiàn)控制目標的自動控制技術，它是一門新興的邊緣交叉學科，其發(fā)展得益于認知科學、系統(tǒng)科學、人工智能以及生物信息學等許多學科的進步，同時也促進了相關學科的不斷完善。對于許多復雜系統(tǒng)來說，由于不確定性、不完全性、復雜性、非線性等因素的存在，很難用常規(guī)的控制理論或一個有效的數(shù)學模型來定量的分析、計算。因而，控制理論已逐步從“經(jīng)典控制理論”、“現(xiàn)代控制理論”，發(fā)展進入到“智能控制理論”階段。智能控制的

2、研究對象往往往往具有不確定性（即該模型的結構和參數(shù)在較大的范圍內(nèi)變化或模型未知或知之甚少）或模型雖然具有確定性但是不能用抽象的解析式顯性表達。針對此類問題，本文將常用的優(yōu)化此類控制問題的進化類算法，根據(jù)適應度函數(shù)的表達與計算方式的不同分為:不確定型、迭代型、異構型等幾種類型，并分別提出相應的改進計算模型和算法，有力地推動了各種新型智能控制方法和關鍵技術的研究。
　　論文主要在以下幾個方面展開了研究工作:
　　針對目前工程中普

3、遍存在的，許多適應度函數(shù)的計算代價巨大或者顯性的適應度函數(shù)并不存在的問題，引入統(tǒng)計學中Hoeffding邊界的概念，提出了基于Hoeffding不等式的進化算法估計框架。該方法首先定義了一種新型操作算子-Hoeffding選擇算子;然后基于該算子提出了具有雙路（確定型和估計型）適應度函數(shù)計算方法的進化算法框架;最后，將該框架與大規(guī)模數(shù)據(jù)集的符號回歸、關聯(lián)分類等問題相結合，驗證了該框架的有效性。實驗表明，新框架能夠在求解精度保持近似不變的

4、前提下，大大加快算法的優(yōu)化速度。
　　為了解決適應度函數(shù)計算中需要反復迭代、大量的數(shù)據(jù)需要讀入讀出、內(nèi)存空間有限、需要消耗系統(tǒng)大量計算時間的問題，我們提出一種新的進化算法框架-多生命期進化框架。該框架有如下特征:首先，傳統(tǒng)的進化算法經(jīng)過改造后都可以在該框架下運行;其次，該框架允許不同代的個體在同一時間并存，種群中的每一個個體隨著時間的推移，并行成長、發(fā)育，不同代的個體的發(fā)育和繁衍是一個持續(xù)的串、并混合的過程;最后，所有個體都有一個

5、最大的生命期，每個個體既可以生長到最大生命期后死亡或繁衍，也可以在一定約束條件的限制下，成長到特定的年齡后，自行消亡或產(chǎn)生后代。實驗結果表明，該算法成功的將基于靜態(tài)環(huán)境、并行運行的標準進化算法擴展到動態(tài)、復雜的環(huán)境中去，以串、并混合的方式高效運行。當需要讀入讀出內(nèi)存的數(shù)據(jù)塊數(shù)M遠大于種群中個體數(shù)目N時，該算法有效的提高了傳統(tǒng)進化算法的效率。
　　為了解決進化過程中，由異構型個體組成的種群內(nèi)個體的適應度不能有效指導進化方向的問題，我

6、們提出了一種混齡遺傳規(guī)劃算法(MGP)來指導種群進化。個體根據(jù)各自的年齡（結構特征）被分到不同的組，不同個體的競爭被限制在具有相同年齡的組中。該方法維持了一個串、并混合的進化過程，該過程中選擇壓力被限制在特定年齡范圍內(nèi)，因而交叉、變異操作不會破壞進化的連續(xù)性。實驗結果顯示，MGP算法在尋優(yōu)由異構型個體組成的種群時，能有效協(xié)調局部搜索與全局搜索的關系，指導進化搜索到最優(yōu)個體。
　　目前，移動機器人目標識別、跟蹤過程中，基于傳統(tǒng)色彩特

7、征的跟蹤方法往往存在著對跟蹤目標在場景內(nèi)的移動或變形、對視頻圖像外觀尺寸的較大改變、對光線強度的劇烈變化過于敏感的問題。為了提高跟蹤算法的魯棒性，本文提出一種基于目標材質特征的機器人識別、跟蹤算法。該算法引入Shafer雙色性反射模型，基于Hoeffding進化算法構造數(shù)學模型。然后，利用該目標的數(shù)學模型對物體進行識別、跟蹤，解決了機器人目標跟蹤、識別過程中因目標變形、場景及目標運動軌跡復雜而難于跟蹤的問題。
　　針對當前傳統(tǒng)的機