UMDA与AA混合算法的收敛性分析1收敛性的分析方法.pdfVIP

UMDA 与 AA 混合算法的收敛性分析 (t )  在进化算法中，当进化代数 趋于无穷时，算法产生的最优解序列 A  收敛 t * 于真实的解序列Y ，则认为该算法是全局收敛的。对于每一种算法，都必须考 虑它的收敛性，收敛性是算法最重要的指标之一，也是当前学术界的研究热点。 算法的收敛性分析不仅在理论上具有指导意义， 而且在实际中对于编制具体的计 算机应用程序同样具有重要意义。 分布估计算法的收敛性是进化算法研究中的一 个基本的理论问题，也是实施分布估计算法的基本依据。它指的是分布估计算法 所生成的迭代种群收敛到某一稳定状态， 或者是分布估计算法的适应值函数的最 大值或者平均值迭代趋于优化问题的最优值。收敛性的分析可分为Vose.Liepins  模型、随机过程的马尔科夫链模型和公理化模型 [2][25­26][34] 。 随着进化计算的不断发展， 智能混杂算法成为了当前智能优化算法的研究热 点。智能混杂算法可以融合多种优化算法的优势，以提高算法的搜索能力，能够 更好的平衡算法的收敛性和种群多样，提高算法的性能。因此，对智能混杂算法 的收敛性进行研究有着非常重要的理论意义和现实意义。  1  收敛性的分析方法 目前用来分析进化算法的收敛性的数学工具主要有随机过程理论中的马氏 链鞅论方法，泛函分析中的压缩映射原理，Vose模型等方法 [2][25­26][34] 。本文主要 使用随机过程中的马尔科夫链来分析分布估计算法的多样性。 设{x } 是随机变量序列，状态空间 S = {i} ，如果对于任意的正整数 ，任意 k n  的 i ,i ,i ,L i , i Œ S 有  0 1 2 n n + 1  p(x = i |x = i ,x = i ,L ,x = i ) = p(x = i |x = i )  (3­1)  n+ 1 n+ 1 0 0 1 1 n n n+ 1 n+ 1  n n  则称{x } 为马尔科夫链，上式表达的性质称为马氏性 [34­35] 。  n  i, j ŒS 称 p(x = j |x = i)= p (n) 为n 时刻的一步转移概率；称  n+ 1  n ij  (k )  p(x = j |x = i) = p (n) 为n 时刻的 步转移概率。 k n+ k n ij  (k)  若对 i,j ŒS,p (n) = p 与n无关，则称{x ,n 0} 为（时间）齐次马氏链  ij ij  n  [34­35]  。 (k )  若用 p  表示马氏链的 步转移概率所组成的矩阵，则 k Ê p(k) p(k) L  p (k ) ˆ Á 00 01