论文部分内容阅读
随着社会生产的快速发展，对解决优化问题的需求越来越迫切。确定性优化算法在许多优化问题上的效果不好甚至无法使用，而演化算法是解决此类问题的重要工具。近年来，许多演化算法包括群智能算法被陆续提出。然而，没有免费午餐理论指出没有任何一种优化算法可以在所有类型的优化问题上都表现的比其他算法好。还有研究表明，存在对某一种算法来说比较困难的问题，对另一种算法却比较简单的情况。因此，不同优化算法的集成或协同以及多种群策略，可以增加算法有效解决问题的范围，已成为了比较有前途的解决方案。
协同演化算法是传统演化算法的扩展，在解决使用一般演化算法解决时性能较差的问题上具有很大的潜力。本文以演化规划算法和粒子群优化算法为依托，研究协同演化策略，并以平衡探索和开发能力的手段改进演化算法。同时，将所提的协同粒子群优化算法用于解决特征空间的演化搜索问题。本文的主要研究内容和创新点为：
(1)基于夏普利值的协同策略：针对演化规划算法的不同变异算子在不同类型问题上的适用性存在差异的问题，提出了适用性更强的基于夏普利值的协同演化规划算法。协同策略将不同变异算子生成的成功子代的平均适应度值作为收益，使用夏普利值方法为变异算子分配“公平的”选择概率，使算法可以有效地根据变异算子的性能调整选择概率。同时，为了平衡演化规划算法的探索和开发能力，采用平均变异步长更新个体，以便在演化过程的前期更好地探索搜索空间，在后期更好地开发搜索空间，避免变异标准差快速下降，导致搜索停滞。
(2)基于局部适应度地形的协同策略：针对基于夏普利值的协同策略对适应度值敏感的问题，提出一种基于局部适应度地形粗糙度的协同演化策略。首先，提出一种基于种群中的局部和全局最优点的估算局部地形粗糙度的计算方法。不同参数的列维变异算子适用于解决具有不同地形特点的问题，算法根据局部地形粗糙度调整列维变异算子的参数，使得使用适应此地形的列维变异算子的个体更多。此策略使得算法具有很好的种群多样性，主要完成探索任务。同时在算法中加入了一个改进的局部搜索步骤，提高算法的开发能力。
(3)基于适应度值变化率的协同策略：针对优化算法所适用的适应度地形难以确定的问题，根据博弈论中的混合策略思想提出了一种基于适应度值变化率的协同粒子群优化算法，算法的适应能力强并且易于实现。算法将种群中的粒子看作是博弈的参与者，搜索过程即是博弈的过程，粒子在搜索过程中概率的选择不同策略生成子代个体与其他粒子进行博弈，根据适应度值变化率动态的调整粒子对策略的选择概率。此外，为了进一步提高算法的优化性能，对其中一种变体算法进行改进，使得算法在保持较好的探索能力的同时增强开发能力。在算法中加入全局最优点参与速度更新，并且以随迭代次数增加而线性递减的概率使用种群平均速度来指导粒子速度的更新，以此来平衡算法的探索和开发能力。
(4)协同粒子群算法解决特征选择问题：特征选择问题可以看作是组合优化问题，使用优化算法进行特征选择时，优化算法的性能和目标函数的优劣是影响特征子集性能的两个主要因素。协同粒子群优化算法具有良好的优化性能，因此使用其解决特征选择问题可以提高特征子集的分类准确率。另外，为了使最终得到的特征子集既规模小又分类准确率高，提出一个将距离度量与信息熵相结合的目标函数，函数同时关注分类准确率和特征子集的规模。使用协同粒子群优化算法求解此目标函数，所得特征子集的分类准确率高，子集规模较小且稳定。
协同演化算法是传统演化算法的扩展，在解决使用一般演化算法解决时性能较差的问题上具有很大的潜力。本文以演化规划算法和粒子群优化算法为依托，研究协同演化策略，并以平衡探索和开发能力的手段改进演化算法。同时，将所提的协同粒子群优化算法用于解决特征空间的演化搜索问题。本文的主要研究内容和创新点为：
(1)基于夏普利值的协同策略：针对演化规划算法的不同变异算子在不同类型问题上的适用性存在差异的问题，提出了适用性更强的基于夏普利值的协同演化规划算法。协同策略将不同变异算子生成的成功子代的平均适应度值作为收益，使用夏普利值方法为变异算子分配“公平的”选择概率，使算法可以有效地根据变异算子的性能调整选择概率。同时，为了平衡演化规划算法的探索和开发能力，采用平均变异步长更新个体，以便在演化过程的前期更好地探索搜索空间，在后期更好地开发搜索空间，避免变异标准差快速下降，导致搜索停滞。
(2)基于局部适应度地形的协同策略：针对基于夏普利值的协同策略对适应度值敏感的问题，提出一种基于局部适应度地形粗糙度的协同演化策略。首先，提出一种基于种群中的局部和全局最优点的估算局部地形粗糙度的计算方法。不同参数的列维变异算子适用于解决具有不同地形特点的问题，算法根据局部地形粗糙度调整列维变异算子的参数，使得使用适应此地形的列维变异算子的个体更多。此策略使得算法具有很好的种群多样性，主要完成探索任务。同时在算法中加入了一个改进的局部搜索步骤，提高算法的开发能力。
(3)基于适应度值变化率的协同策略：针对优化算法所适用的适应度地形难以确定的问题，根据博弈论中的混合策略思想提出了一种基于适应度值变化率的协同粒子群优化算法，算法的适应能力强并且易于实现。算法将种群中的粒子看作是博弈的参与者，搜索过程即是博弈的过程，粒子在搜索过程中概率的选择不同策略生成子代个体与其他粒子进行博弈，根据适应度值变化率动态的调整粒子对策略的选择概率。此外，为了进一步提高算法的优化性能，对其中一种变体算法进行改进，使得算法在保持较好的探索能力的同时增强开发能力。在算法中加入全局最优点参与速度更新，并且以随迭代次数增加而线性递减的概率使用种群平均速度来指导粒子速度的更新，以此来平衡算法的探索和开发能力。
(4)协同粒子群算法解决特征选择问题：特征选择问题可以看作是组合优化问题，使用优化算法进行特征选择时，优化算法的性能和目标函数的优劣是影响特征子集性能的两个主要因素。协同粒子群优化算法具有良好的优化性能，因此使用其解决特征选择问题可以提高特征子集的分类准确率。另外，为了使最终得到的特征子集既规模小又分类准确率高，提出一个将距离度量与信息熵相结合的目标函数，函数同时关注分类准确率和特征子集的规模。使用协同粒子群优化算法求解此目标函数，所得特征子集的分类准确率高，子集规模较小且稳定。