進(jìn)化算法的研究及其設(shè)計(jì).pdf

1、大量的優(yōu)化問題存在于現(xiàn)實(shí)生活和生產(chǎn)管理之中。近些年來，智能計(jì)算已成為求解優(yōu)化問題的一個(gè)研究熱點(diǎn)，特別是進(jìn)化計(jì)算。進(jìn)化計(jì)算由最初的生物計(jì)算發(fā)展到各種類型的自然計(jì)算算法及技術(shù)，包括神經(jīng)計(jì)算、生態(tài)計(jì)算以及經(jīng)濟(jì)計(jì)算等等，在科學(xué)研究、工程實(shí)踐以及生產(chǎn)管理取得了顯著的發(fā)展。
　　本文對(duì)進(jìn)化算法進(jìn)行探討，其中分別對(duì)單目標(biāo)類型和多目標(biāo)類型的優(yōu)化問題進(jìn)行算法設(shè)計(jì)，主要工作內(nèi)容和創(chuàng)新之處有:
　　在單目標(biāo)最優(yōu)化方面，提出了一個(gè)基于協(xié)方差學(xué)習(xí)機(jī)制

2、和搜索偏好的算法CMLSP以及采用了切換開關(guān)算法框架把CMLSP與CMAES結(jié)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(dá)到這一目的，我們摒棄了進(jìn)化算法中傳統(tǒng)的雜交變異方式，而設(shè)計(jì)了一個(gè)基于協(xié)方差矩陣學(xué)習(xí)的方法來產(chǎn)生更高質(zhì)量的解。CM-LSP/AES的設(shè)計(jì)包含了兩個(gè)部分，一是CMLSP基于協(xié)方差學(xué)習(xí)機(jī)制以及基于高斯分布變異的搜索偏好設(shè)計(jì);二是基于開關(guān)切換框架下結(jié)合了CMLSP和CMAE

3、S，使得兩個(gè)算法相輔相成。CM-LSP/AES與經(jīng)典的進(jìn)化算法CMAES和CoBiDE進(jìn)行實(shí)驗(yàn)對(duì)比。實(shí)驗(yàn)仿真表明，CM-LSP/AES是一個(gè)能解決復(fù)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(biāo)最優(yōu)化方面，提出了一個(gè)基于種群分解以及種群參考距離的超多目標(biāo)進(jìn)化算法，命名為EAPD-RD。該算法的設(shè)計(jì)目的主要是為了解決高維多目標(biāo)最優(yōu)化問題中出現(xiàn)的維數(shù)災(zāi)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(shù)，保證了進(jìn)化過程中種群的多樣性以及降低了計(jì)算量;其次，利用了種群的距離信息實(shí)現(xiàn)了二次判斷使得傳統(tǒng)的非支配關(guān)系在高維空間中的效用性增強(qiáng);最后，采用小生態(tài)技術(shù)來衡量種群之間的擁擠程度并且作為選擇更好解的依據(jù)，保證了種群的多樣性。EAPD-RD與MOEA/D、NSGA-Ⅲ以及GrEA三個(gè)算法對(duì)六個(gè)測(cè)試問題在三個(gè)不同維度下進(jìn)行實(shí)驗(yàn)仿真。通過實(shí)驗(yàn)仿真分析，證明了EAPD-RD在處理高維多目標(biāo)問題具有一定的優(yōu)勢(shì)，平衡了收斂性、多樣性以及計(jì)