基于云模型的CMA-ES算法研究與應(yīng)用.pdf

1、針對現(xiàn)實世界中存在的各類優(yōu)化問題，各種優(yōu)化算法被相繼提出。一般地，優(yōu)化算法主要分為確定型算法和概率型算法。傳統(tǒng)的優(yōu)化算法根據(jù)目標(biāo)函數(shù)的數(shù)學(xué)形式進(jìn)行極值求取，當(dāng)面對不連續(xù)、不可導(dǎo)的情形時，確定型算法就顯得無能為力，具有很大的局限性。受自然界啟發(fā)，基于各種自然機(jī)制的概率型算法成為優(yōu)化算法發(fā)展的主流，如基于物理機(jī)制的模擬退火算法(SA)，基于群智能機(jī)制的蟻群優(yōu)化算法(ACO)，基于進(jìn)化機(jī)制的進(jìn)化算法(EAs)等等。雖然，這些算法在一定程度上表

2、現(xiàn)出令人滿意的求解效果，但在某些問題的求解上仍存在諸如收斂速度慢、搜索能力差、早熟收斂等常見問題。目前，沒有哪一種算法能夠解決所有的優(yōu)化問題，針對具體問題的特點，設(shè)計或改進(jìn)算法的運(yùn)行機(jī)制來解決不同類型的問題是非常有意義的工作。
　　進(jìn)化算法作為一種概率型算法，已成為優(yōu)化算法研究的重點領(lǐng)域。進(jìn)化策略作為進(jìn)化算法的重要分支之一，在解決連續(xù)實值優(yōu)化問題方面性能優(yōu)越。特別地，協(xié)方差矩陣自適應(yīng)進(jìn)化策略(CMA-ES)具有不依賴種群大小，小種

3、群收斂快，大種群全局性能好等優(yōu)點，在連續(xù)實值優(yōu)化領(lǐng)域備受關(guān)注。然而，在解決某些問題時，CMA-ES存在同其他進(jìn)化算法一樣的缺點，如易于陷入局部而難以跳出、求解精度差等。
　　云模型是一種有效的不確定性問題處理工具，可以很好地實現(xiàn)對不確定性問題的建模與推理。進(jìn)化過程是一個充滿諸多不確定性的復(fù)雜過程，進(jìn)化過程中的許多概念和行為都具有不確定性。CMA-ES中的步長控制過程遵循不確定性控制準(zhǔn)則，利用“進(jìn)化路徑”的歷史反饋信息，使得進(jìn)化具有

4、很高的效率，但其通過確定性的函數(shù)映射來實現(xiàn)步長的控制過程，在一定程度上忽視了這種不確定性。針對此問題，本文基于云模型在處理不確定性方面的優(yōu)良能力，對CMA-ES的步長控制過程進(jìn)行改進(jìn)，得到了一種基于云推理的改進(jìn)CMA-ES算法。首先，通過分析算法運(yùn)行過程，建立步長控制的云推理模型;然后，采用云模型的不確定性推理方法實現(xiàn)對種群步長的不確定性控制;最后，在63個常用的測試函數(shù)組成的測試集上進(jìn)行仿真測試實驗，結(jié)果表明:改進(jìn)CMA-ES算法較基

5、本CMA-ES算法有著較強(qiáng)的全局尋優(yōu)能力，在提高求解成功率的同時，進(jìn)一步提高了求解精度和收斂速度，并具有較好的尋優(yōu)穩(wěn)定性。
　　支持向量機(jī)(SVM)模型參數(shù)的選擇對其性能具有很大影響。將改進(jìn)后的CMA-ES算法引入SVM的參數(shù)優(yōu)化中，得到一種基于改進(jìn)CMA-ES算法的SVM參數(shù)尋優(yōu)選取方法。通過對常用UCI數(shù)據(jù)集的訓(xùn)練與預(yù)測，并與基于遺傳算法(GA)和粒子群算法(PSO)的方法對比，實驗結(jié)果表明:基于改進(jìn)CMA-ES算法參數(shù)尋優(yōu)后