论文部分内容阅读
从人工智能跨越到计算智能是计算机科学发展史上的一次重大变革。以进化算法和神经网络为核心的计算智能理论得到了长足的发展。最近十几年来,各种新的进化算法也纷纷被提出。这些算法都具有与问题无关、通用性好、收敛速度快、容易跳出局部最优等优点,因此在许多领域都得到了广泛的应用。
进化算法是一种具有高度计算复杂性的智能算法。当求解问题较复杂时,其计算所需的时间复杂度也比较高,同时,由于解集的庞大和局部最优问题的存在,在其中筛选出精确解所花费的过程也比较复杂。因此我们希望有一种能够有效降低进化算法时间复杂度的策略,以节约进化算法的计算时间。
目前存在着大量的进化算法模型,研究它们会发现有一些共同的规律,比如都存在一组优劣程度不等的候选解,经过一轮轮的反复迭代计算,每轮新生成的候选解总体上比上一轮精度更好,且存在着一定的相关性。每轮迭代所产生的最好候选解之间也存在着一定的相关性。那么能否研究这些算法的共同规律,优化这些规律,就能使计算智能算法模型的计算时间和性能都会得到整体上的提高。
本文介绍了目前主流的一些进化算法模型,并在总结它们共同规律的基础上,提出了一种分析解集进化规律来预测新的解集的算法思想,被称做附加统计—预测算法。它能够智能猜测最优解的取值范围,跳过进化算法中的适应值函数计算。通过这种方法可以对解集的演变规律进行分析,以诱使新的解集启发式的生成在最优解可能出现的范围内。从而大大减少了计算时间。具体内容如下:
(1)对进化算法的基本理论、基本思想和主流算法进行了详细的综述。论述了进化算法的发展历史、应用领域和发展趋势,并着重介绍了本文所阐述算法需要用到的进化算法的共同规律。
(2)介绍了本文所论述的附加统计—预测算法。首先分析该算法的来源和实现原理,然后阐述了其对应的基本思想和算法实现过程,并依次分析了适合应用该算法的一些进化算法模型。
(3)研究了使用附加统计—预测算法改进了的一些进化算法模型。结合了当今主流的几种进化算法,即遗传算法、粒子群优化算法和分布估计算法。列举附加统计—预测算法的嵌入位置和附加效果,以阐明本算法的普适性和可行性。
(4)将使用了附加统计—预测算法的进化算法用于最优化求解等问题进行对比实验。这些实验包括最优化求解等问题,对比这几种进化算法结合附加统计—预测算法后在计算时间和性能上的改进,以阐述本算法的有效性和可推广性。