分布估计算法研究及在动态优化问题中应用.pdf

摘要 摘要 分布估计算法(EDAs)通过将统计学习理论与进化算法结合，形成一种全新 的进化模式，楚迸纯计算领域的研究热点。分布估计算法从提出到现在虽然取得 了一定的进展，但是还有很多问题需要深入研究，例如理论分析、算法设计、应 用研究等。本文以分布估计算法为基础，根据算法的类型和特点，主要从算法性 能的改进以及在动态优化问题中的应用两个方面进行了研究，主要创新成果如下： 1．研究了分布估计算法的收敛性，首先通过在期望分布基础上引入一个误差 量，建立有限群体分布估计算法模型；然后在三种不同的常用选择策略下证明了 EDAs的收敛性。结果显示在有限群体模型下，在本文所述误差范围内分布估计算 法具有全局收敛性。 对算法进行了改进研究。首先，针对BOA计算量大的闯题，提出了结合局部结构 学习的Bayesian优化算法并分析了算法的复杂度；其次，讨论了～般优化问题先 验知识的挖掘翘利用方式，把BOA中前一代种群所提供的信息{乍为先验知识结合 到当前代Bayesian网络的学习中，提高了所学习网络的可靠性，从而提高算法的 性能；最后，讨论了BOA的多样性，设计了一个种群多样性函数，通过此函数引 入变异算子，以保持种群多样性，避免算法陷入局部最优。以上算法均通过仿真 实验表明了算法的有效性。 3。提出一种改进的基于群体的增量学习分布估计算法(PBIL算法)，利雳改 进的算法求解了一类特殊的动态优化问题。首先从动态环境随时间变化的特点进 行分析，归纳蕊一类何时变化满足一定统计分布的动态优化闯题。然后针对这类 问题提出自适应PBIL算法，根据何时交化这个随机变量的概率自适应的调整当前 代群体的概率模型，增加种群多样性，快速适应环境的变化，最后对设计的算法 进行了比较性仿真验证。 4．针对动态离散优化问题，采用多群体的思想，提出了一种多群体单变量边 缘分布算法(MUMDA)，利用多个概率模型(对应多个群体)将搜索空闻分成几 个部分，通过对不同区域的搜索或者探索并对好解进行迁移，扩大搜索空间，增 加种群多样性，跟踪最优解的变化，并证明了所提算法的收敛性。比较分析表鳃， 所提算法能快速跟踪最优解。 5．针对动态单目标优化闯题，提出一种自组织策略，利用当前环境的局部信 息和最优解的历史信息，自适应的增加种群多样性，将自组织策略与单变量边缘 分布算法(UMDA)结合，提出～种新的自组织单变量边缘分布算法(SOUMDA)， 利用动态sphere函数对所提算法进行了测试。 11 分布估计算法研究及在动态优化问题中的应用 6．针对动态多模优化问题，提出一种新的多群体及扩散单变量边缘分布算法 (MDUMDA)，多群体方法用来并行地寻找多个最优解，扩散模型用来有指导的增 加种群多样性，使得前一环境的最优解的邻域集逐渐远离这一最优解并扩大搜索 空间，使算法快速适应环境的变化。利用动态优化问题标准测试例子MPB对所提 算法进行测试，仿真结果表明了算法的有效性。 7．针对动态多目标优化问题，提出了一种基于预测模型的正则分布估计算法 Pareto最优解集，设计了一种动态多目标问题中历史数据的存储方式；其次通过惯 性预测与高斯变异产生预测点集，并将预测点集结合到当前群体中，使得算法在 环境变化后有指导的增加种群多样性，提高算法适应环境的能力，快速跟踪最优 解，通过标准动态测试问题对所提算法进行了仿真实验，与相关算法进行比较分 析结果表明本文设计的算法能快速适应环境的变化，跟踪Pareto最优解。 关键词：分布估计算法Bayesian优化算法基于群体的增量学习算法单变量边缘 分布算法正则分布估计算法收敛性动态优化多群体 Abstract Abstract class Estimationofdistribution anew ofevolutionary algorithm(EDA)is combinesthestatistic with schemes．Inrecent algorithms，which