论文部分内容阅读
大量的优化问题存在于现实生活和生产管理之中。近些年来,智能计算已成为求解优化问题的一个研究热点,特别是进化计算。进化计算由最初的生物计算发展到各种类型的自然计算算法及技术,包括神经计算、生态计算以及经济计算等等,在科学研究、工程实践以及生产管理取得了显著的发展。本文对进化算法进行探讨,其中分别对单目标类型和多目标类型的优化问题进行算法设计,主要工作内容和创新之处有:在单目标最优化方面,提出了一个基于协方差学习机制和搜索偏好的算法CMLSP以及采用了切换开关算法框架把CMLSP与CMAES结合为算法CM-LSP/AES。其基本目的是在良好的解的附近投入更多的搜索资源寻找更好的解。为了达到这一目的,我们摒弃了进化算法中传统的杂交变异方式,而设计了一个基于协方差矩阵学习的方法来产生更高质量的解。CM-LSP/AES的设计包含了两个部分,一是CMLSP基于协方差学习机制以及基于高斯分布变异的搜索偏好设计;二是基于开关切换框架下结合了CMLSP和CMAES,使得两个算法相辅相成。CM-LSP/AES与经典的进化算法CMAES和CoBiDE进行实验对比。实验仿真表明,CM-LSP/AES是一个能解决复杂问题(包括大部分黑箱问题)全局优化的有效方法。在多目标最优化方面,提出了一个基于种群分解以及种群参考距离的超多目标进化算法,命名为EAPD-RD。该算法的设计目的主要是为了解决高维多目标最优化问题中出现的维数灾难问题带来的弱收敛性、弱搜索能力以及弱多样性。EAPD-RD引用了种群分解技术,保证了进化过程中种群的多样性以及降低了计算量;其次,利用了种群的距离信息实现了二次判断使得传统的非支配关系在高维空间中的效用性增强;最后,采用小生态技术来衡量种群之间的拥挤程度并且作为选择更好解的依据,保证了种群的多样性。EAPD-RD与MOEA/D、NSGA-Ⅲ以及GrEA三个算法对六个测试问题在三个不同维度下进行实验仿真。通过实验仿真分析,证明了EAPD-RD在处理高维多目标问题具有一定的优势,平衡了收敛性、多样性以及计算速度。