论文部分内容阅读
大规模优化广泛的存在于科学研究和工程实践中。合作型协同进化算法将大规模问题分解为维度较小的子问题,是一种解决大规模问题有效的方法。与传统进化算法相比,协同进化算法使用的“分而治之”的策略带来了两个新的任务:(1)设计问题分解策略;(2)设计子问题的协作策略,这两个问题的研究均对算法性能有着重要影响。本文对这两个任务,分别进行了研究并提出了相应的改进方法。(1)针对子问题之间的协作方式,主要贡献包括:(1)提出了基于非平衡多模优化的协同进化算法IMMO-CC。将多模优化算子引入协同进化框架,并采用基于双目标(适应度与多样性)选择原理实现多模优化的非平衡搜索,使协同进化算法的子问题能够获得更充分的信息,从而更好地彼此协作。此外,非平衡也能够在多模优化算子中节省计算资源,让协同进化能够进行地更充分。所提算法使用基于排斥的协方差自适应进化策略作为优化算子,并在CEC’10大规模测试函数上进行了实验,对实验结果的统计分析显示,所提算法性能优于其它7个已有的协同进化算法。(2)提出了一种基于选择的多种群协同进化算法。通过分析协同进化算法子问题呈动态性的特点,在多种群进化机制下设计了一种选择策略,对多种群CMA-ES(协方差自适应进化策略)进行动态选择,使具有更高质量的种群获得更多的进化机会。该算法利用CMA-ES强大的局部搜索能力发现多个最优解,同时增加了对动态问题的适应性。在CEC’10大规模测试函数上的实验结果证实了CC-SMP算法的有效性。(2)针对问题分解策略,提出了使用边缘分布乘积模型,进行在线分组的协同进化算法。从遗传算法中连接学习的方法得到启发,基于扩展压缩遗传算法中的基因分组方法,设计了一种运行在协同进化算法框架下的在线变量分组方法。将基于边缘概率乘积模型和最小描述准则的变量分组策略与CC-SMP算法结合,提出了可在线分组的协同进化算法CC-SMP-MDL。通过CEC’10大规模测试函数实验,验证了算法具有良好的性能。