论文部分内容阅读
演化算法是一类基于群体的随机优化方法。在求解实际的优化问题时,其不依赖于要优化的目标函数的导数信息,甚至都不需要知道目标函数的完整数学表达形式,只需要知道任意自变量处目标函数对应的函数值,也称之为适应度值的评估。然而,在工程优化领域,存在一类适应度值评估时间或者其它费用消耗很高的问题,例如:空气动力学外形设计,结构设计,电路设计,药剂设计等。此时,便可以在演化算法中结合使用近似模型,其主要目的,便是去减少代价很高的目标函数的评估。本文就是对基于替代模型的演化算法进行深入的研究,致力于提出一个高效的算法框架,使得演化算法也适用于求解这一类高评估代价的问题。本文首先对演化算法进行了简要的介绍,随后详细介绍了当前被广泛采用的近似模型,然后深入调研了已有的一些基于替代模型的算法框架,最后确定了采用基于高斯过程模型的演化算法作为主要的研究方向,并通过具体的实验对其进行了深入的研究。在各类近似模型中,高斯过程模型是一个较有效的模型,因为高斯过程模型不仅能够提供预测的适应度值,还有预测的置信度。由于粗糙的近似模型可能会误导演化算法,使其陷入局部最优解,而高斯过程模型提供的预测的适应度值的置信度则提供了额外的信息,充分利用适应度值的置信度便能够进一步提高真实适应度值评估的效率。本文首先对基于高斯过程模型的差分演化算法进行了实验研究。研究过程中发现,高斯过程模型的训练代价会随着训练样本数的增加而快速增加。为了减少高斯过程模型的训练代价,本文提出采用局部组合高斯过程模型,其中各局部模型具有相同的模型参数,并随后比较了基于该模型的协方差自适应演化策略的5种不同的采样策略。实验结果表明,局部组合高斯过程模型在显著较少训练代价的同时,依然能够提供可靠的适应度值以及置信度预测。而在比较的采样策略中,采用适应度值提高下确界的聚类方法表现出了最好的全局搜索性能。