论文部分内容阅读
本文针对动态优化问题,以从进化计算中寻找有效解决动态优化问题的改进、创新方法为研究目标,从保持种群多样性与可进化能力、改善个体优选机制、合理重用历史信息、准确探测环境变化、引入生存竞争关系等方面入手,提出能够有效地处理动态优化问题的进化计算方法。主要研究工作与成果如下:1)通过保持种群多样性与可进化能力,提高进化计算对动态环境的适应能力。建立动态环境下多目标化进化算法中附加信息的选择理论,选取个体的多样性和可进化性为附加函数,提出动态环境下的多目标化进化算法。基于个体多样性度量的多目标化进化算法在多样性保持、动态环境下的跟踪性能等方面具有良好的算法性能。从个体适应值改进与基因型差异两方面对个体可进化性进行度量并引入到多目标化进化算法中,前者可以有效地处理微弱变化的动态优化问题,后者在随机和剧烈动态环境下具有良好的动态环境适应能力。2)为缩短种群中个体对动态环境的适应过程,利用家族优生学来改善动态环境下个体的优选机制,提出基于家族优生学的动态进化算法。通过合理选择父代个体组成家庭来保证全局搜索能力,利用正交设计技术合理选择中间个体,通过种间竞争避免冗余操作并提高种群的多样性。该方法可在不过于增加计算负担的前提下提高算法的空间搜索能力与多样性保持能力,有效地适应外部环境的变化。3)针对动态环境下如何合理重用历史信息的问题,提出将短时记忆与长时记忆相结合的混合记忆策略,并构建动态环境下基于混合记忆策略的遗传算法。该方法在各种复杂度的动态环境下都具有良好的适应性能和精确性能。在记忆策略的基础上,提出动态环境下基于预测机制的多种群进化算法,将预测机制引入到动态进化算法的研究中,对算法所得的某些信息进行记忆,根据记忆序列构建预测模型,当环境发生变化时能够通过预测模型对动态环境进行预先判断。实验表明预测机制的引入能够有效地提高算法对动态环境中极值点的跟踪性能。4)为了在无历史信息的情况下对动态环境进行准确探测,利用能够在定性概念与定量数据之间进行不确定性转换的云模型理论,提出基于Y-条件云模型的云预测方法。当环境发生变化时,还可根据预测信息通过带方向的半降云搜索算法对动态极值点进行跟踪。从云模型中云滴的汇聚特性得到启发,构建一种云搜索机制来进行局部区域的搜索操作。提出基于云模型的混合遗传算法来处理动态多峰问题,实验表明该方法具有快速的环境适应能力和高精度的动态搜索能力。5)为提高动态环境中种群的进化质量,在元胞遗传算法的基础上引入生存竞争关系,根据自然界中的捕食—被捕食机制提出一种捕食策略进行元胞空间的演化,构建基于捕食策略的元胞遗传算法来处理动态环境下的优化问题。该方法能够较好的保持种群的多样性,并有效地处理不同复杂度的动态测试问题。