论文部分内容阅读
计算智能方法是受自然界规律的启发而设计出的一类求解问题的算法簇。相对于传统的优化方法,计算智能方法因不需要对问题本身进行精确的数学或逻辑建模,从而非常适合于解决那些传统优化方法难以解决的具有多目标、大规模、带约束、动态且有不确定性等特征的复杂优化问题。差分演化算法是计算智能方法中重要的一员,它主要通过当前种群中父代个体间的交互产生新的子代个体,然后纵向对比两代个体,将其中更适应环境的一个保留下来,以推动整个种群向有希望的方向演化,从而逐步搜索找到最优解。由于它的易于实现、简单高效、鲁棒性强等特点,差分演化算法受到了诸多国内外学者的关注,且在理论研究和应用方面均获得了非常大的进展。传统差分演化算法的主要操作可以概括为种群初始化、种群评估、变异、交叉和选择几种。其中,变异、交叉和选择算子的设计会对算法的优化性能造成很大的影响,而变异算子产生的影响尤为显著,其对不同优化问题往往会表现出不同的效果。然而观察发现,在原始的差分演化算法中,选择交互个体的过程伴随着较大的随机性,变异算子的选择缺乏科学的指导,难以起到引导种群搜索的作用。针对该问题,相关研究领域的专家学者提出了许多改进差分演化算法的方案,其中利用适应值地形信息来引导种群搜索是一个较为新颖的角度,具有很大的研究空间和研究价值。基于以上思考,本文引入了适应值地形的概念,旨在从适应值地形的角度充分挖掘种群信息,并将这种信息用于指导变异策略的选择以及变异策略中引导个体的选择,从而更好的引导种群朝着有希望的方向演化。本文围绕适应值地形信息,提出四类差分演化算法框架,实现了对差分演化算法的优化性能的改善。本文的主要工作可以归纳为以下四个方面:(1)针对不同的变异策略对具有不同适应值地形的问题的优化性能不同,以及变异策略的选择缺乏有效的指导信息的问题,提出了基于函数模态利用机制的差分演化算法,在检测出待优化的函数的大致适应值地形后,将不同变异策略用于具有不同适应值地形模态的问题中。(2)为有效利用优势和劣势个体的信息引导种群演化以及减少评估次数的浪费,提出了基于历史信息利用机制的差分演化算法。其中包括有两个关键算子:基于邻近度的替换算子和负方向算子,这两个算子相结合,能够在加快算法收敛速度的同时保持种群的多样性。(3)由于适应值不同的个体在搜索空间中所处的区域不同,展现出的搜索行为也不同,因而个体的搜索机制需要与它们的搜索行为相匹配。在此基础上本文提出一种基于个体搜索行为的引导策略的差分演化算法,包括三个阶段,分别是构造、划分和引导,并在每个阶段都设计了一个启发式规则。通过这三个阶段充分利用搜索行为中个体之间的差异信息来指导种群的演变。(4)在由当前种群的最优个体引导的变异策略中,引导个体所处的区域往往会被忽略,这可能导致算法在没有希望的区域中搜索局部最优解。本文提出基于自适应多群体的学习策略的差分演化算法,采用基于群体的引导机制和基于群体的替换机制将整个种群划分成若干个群体并用于引导个体的选择。通过多样化的引导个体引导变异过程以及利用有希望的试验向量的信息,平衡算法的搜索能力和开发能力。综上所述,为了解决变异算子以及变异算子中个体的选择缺乏有效信息指导的问题,本文通过对适应值地形信息进行挖掘和利用,分别从函数模态、历史信息、个体搜索行为差异以及多群体学习四个方面,研究了对于解决全局优化问题的差分演化算法的提升机制,并用丰富的实验验证了提出的算法框架的良好优化性能,从而为科学研究与工程领域提供有效的参考。