协同运算研究（Ι）-多单体基因演算法.pdfVIP

協同運算研究( Ι) - 多單體基因演算法 Study of Cooperative Computing Methodology( Ι) –Multi-Simplexes Genetic Algorithms 李漢祥(工工所研二) 張晴翔(工工所博四) 黃千展(工工所研一) 指導老師：張炳騰 曾宗瑤 東海大學工業工程與經營資訊研究所 地址: 407 台中市西屯區台中港路三段 181 號工業工程與經營資訊研究所 E-mail: ptchang@ie.thu.edu.tw 摘要 在求解最佳化的過程中，精確度(Precision) 、 1.1 協同式搜尋（Cooperative Search ）的原理 收斂率(Convergence Rate)以及計算時間(Computing 協同式搜尋（Cooperative Search ）主要在主張 Time) 這三者的結果關係著演算法搜尋能力的好 多群體（multi-team ）之間本應能自我演化並存在著 壞，一旦遇到高維度且複雜度高的問題時，不好的 資訊的交流、溝通與激化（stimulate ）的機制，告 演算法便會使的精確度降低、收斂率及計算時間增 別以往的單點式或多點式的個別獨立運作方式，藉 加，如何解決這三大問題便是本研究的重點所在。 由這樣的機制使多群體在搜尋時能快速且有效的 因此，本研究認為要使得搜尋的效率更高，就 得到最佳點所在位置的資訊並將它附近的區域快 應導入協同搜尋(Cooperative Search)的概念。本研 速的包圍住，以達到快速收斂的目的。 究認為在搜尋的過程中應強化多群體(Multi-team) 圖 1. 1為本研究提出的搜尋演算法之演化簡 的關連性，建立群體間與群體內部資訊的溝通、傳 圖。早期的演算法強調的是單點式的方式，在搜尋 遞及協調機制，使群體間能記憶彼此的資訊並藉由 時最佳解時會先將周圍的資訊先比較過後再決定 持續的交換及激化(stimulate)後，快速找到最佳點的 其路徑。到了下一代的演算法時則是以多點來同時 資訊，並讓群體間在適當的時機進行分合動作，以 搜尋最佳解的資訊。接下來則是以多群體的方式來 快速包圍最佳點的位置，以達快速收斂及有效搜尋 個別獨立搜尋最佳點的資訊，而群體間並無任何的 的目的。 關連性存在。最後是由協同式搜尋的方式藉由將不 為實現協同式搜尋(Cooperative Search) 的概 同的群體間有關連的個體重新分合激化（stimulate ） 念，本研究藉由基因演算法(GA)及單體法(Simplex Method)的合併，來作為其演算法之一：混合式多單 ? 體 GA 協同搜尋法(HMSGA-CS) 。許多文獻強調基 因演算法(GA)的優點是在對於整個解空間的搜尋 後，將最佳點的資訊迅速的找出來。接著，我們將 能力(Exploration)極佳並將它廣泛的使用在求解最 說明以往演算法的缺點或不足之處。 佳化的問題上，但基因演算法(GA)欠缺的是探勘 圖1. 1 搜尋演算法的演化簡圖 (Exploitation)的能力，因此便將有探勘能力的局部 對於以點為主的演算法而言，找尋最佳解的效 搜尋法(Local Search)與之混合。本研究除了利用此 率的好壞可能決定於母體數量的多寡，如果母體數 優點外，並導入協同搜尋的概念，以使搜尋效率更 量少，它所搜尋的範圍就小，且容易提早收斂，因 佳。 此不容易將真正的最佳解給挖掘出來。但如果數量 關鍵字：協同搜尋，基因演算法，單體法 一多，因為在搜尋時彼此獨立、互相缺乏訊息的緣 故，即使曾經很靠近最佳值了，但總是缺臨門一