论文部分内容阅读
合作型协同演化(CC:Cooperative Coevolution)是一种通过决策变量分组来求解大规模实值优化问题的算法框架。决策变量分组策略基于“分而治之”思想,将原问题分解成若干子问题进行处理,以应对日益大规模的优化问题。此前的研究主要关注分组方法的研究,而关于如何根据不同问题选择合适的分组方法的研究较少出现,有关于不同分组方法的适用范围的研究报道也并不多见。
本文对合作型协同演化算法(CCEAs)中与决策变量分组有关的若干问题进行了研究,主要工作和贡献如下:
1、对决策变量相关性、分组大小以及多方法结合优化等影响CCEAs算法性能的因素分别进行了实验分析,在排除算法参数的影响后,定性地分析了每个因素对决策变量分组效果的影响。
2、分析了不同分组方法的适用范围,进而推荐对于不同优化问题的最佳分组方法。
3、根据实验研究和分析的结论,基于决策变量相关性、分组大小、以及多方法结合优化等技术,设计了一个新的求解大规模实值优化问题的演化算法,能够有效地解决大规模问题。