基于高斯过程代理模型的粒子群算法研究

• 作 者: 张磊
• 出 处: 浙江科技学院
• 发表日期: 2019年01期
• 关键词: 粒子群算法 群智能算法 高斯过程 代理模型 集成模型

群智能算法是一类重要的优化方法,因其具有较好的并行性、鲁棒性,亦可解决非连续、不可导、黑盒优化等问题而成为智能计算领域的一个研究热点。作为一种基于种群的迭代算法,群智能算法在求解复杂问题时常常需要大量的适应度评价,由此会导致算法的时间代价剧增,进而影响群智能算法的使用效率。代理模型是根据已知数据对复杂函数模型进行近似建模,以代替高精度的复杂计算,可有效降低计算代价。因此,本论文基于数据驱动技术,采用粒子群算法作为优化搜索算法,构建各种高效的代理模型用于算法的适应度值评估,主要内容如下:1、提出了基于主从式高斯过程模型的协同粒子群算法。在使用代理模型对群智能算法作评价时,对于搜索种群分别采用主高斯过程模型与从高斯过程模型评价,主高斯过程模型从全局的角度对粒子进行了评价,而从高斯过程模型则在各局部最优进行二次评价,两模型协同合作,大大提高了算法寻优的能力。2、提出了基于EI采样的自适应模型粒子群算法。考虑到在模型管理的过程中,代理模型的频繁更新需要耗费一定的计算时间,为避免无效且耗时的模型更新,提出了代理模型自适应更新的方法,并结合EI采样方法提高模型准确度。3、提出了基于集成模型的社会学习粒子群算法,该算法将几个基本的代理模型通过一定的方式加权构成集成模型,减小模型的预测误差。论文中提出了同构集成模型与异构集成模型两种方法,并分析了两种模型的优化性能。最后尝试将集成模型与社会学习粒子群算法相结合,有效提高算法的搜索能力及实际问题的解决能力。基于复杂Benchmark数值优化问题,对本论文的上述方法进行了仿真测试与性能分析,并将其用于弹簧结构优化设计问题的求解。相关研究结果表明,本论文所提出的三种方法均在不同程度上提高了算法的优化性能,有效均衡了粒子群算法在解决复杂问题的评估代价与优化效率之间的矛盾。由此可知,基于代理模型的数据驱动技术是改善群智能计算性能的一种有效途径,能够有效拓展群智能计算的实际求解能力。