分布估计算法的模型分析与研究毕丽红.pdfVIP

第7卷第1期 石家庄铁路职业技术学院学报 VOL .7 No ．1 2008 年3 月 JOURNAL OF SHIJIAZHUANG INSTITUTE OF RAILWAY TECHNOLOGY M ar . 2 0 0 8 分布估计算法的模型分析与研究 毕丽红 刘 渊 张 静 (石家庄铁路职业技术学院 河北石家庄 050041) 摘要：分布估计算法是在遗传算法基础上发展起来的一类新型进化优化算法。分布估计算 法采用概率图模型表示基因变量之间的连锁关系，以构建优良解集的概率分布模型和采样分布 模型来实现迭代优化。详细分析分布估计算法的基本原理，对采用不同概率图模型的分布估计 算法进行总结和分析，并针对分布估计算法领域的研究现状，提出仍需解决的主要问题。 关键词：分布估计算法 遗传算法 概率图模型 中图分类号：TP301 文献标识码：A 文章编号：1673-1816(2008)01-0030-05 [1] 遗传算法 （Genetic Algorithms ，GA ） 是一种借鉴生物界自然遗传机制的高度并行和自适应的 全局优化随机搜索算法，具有功能强、鲁棒性好、计算简单、对搜索空间无限制等特点。已经成功 应用于函数优化、机器学习、数据挖掘和图像识别等领域，然而，遗传算法本身还存在一些问题。 [2] 首先，遗传算法的关键是处理进化过程中的积木块 （building block ） ，然而交叉算子和变异算子不 具有学习和识别基因之间连锁关系的能力，所以实际的重组操作经常造成积木块的破坏，从而导致 算法逼近局部最优解或早熟；另外，遗传算法中操作参数的选择依赖性强，甚至参数选择本身就是 [3] 一个优化问题 ；第三，遗传算法的理论基础还比较薄弱。为了解决遗传算法的这些问题，更好地 解决各种难解优化问题，各种改进遗传算法不断出现。至今，探索和设计能够快速、可靠、准确求 [2] 解各种复杂优化问题的可胜任的遗传算法 （competent GA ） 一直是进化计算领域的一项重要课题。 1 分布估计算法的基本原理 针对积木块被破坏的问题，对传统遗传算法有代表性的改进方法主要有两类：一类是改变算法 中解的表示，通过基因级而不是染色体一级的重组操作来改善遗传算法的性能。如连锁学习遗传算 法 （LLGA ）、基因表达混乱遗传算法 （GEMGA ）等，然而最近一些研究表明，此类算法所具有的 连锁学习 （linkage learning ）能力不足以解决复杂的优化问题。另一类算法则是改变重组操作的基本 原理，将遗传算法中基因的交叉和变异操作改进为学习优良解集中基因的概率分布，其基本思想是 从当前种群中选取部分优良解，并利用这些优良解估计和学习染色体中基因的分布模型，然后采样 该分布模型产生新的染色体和种群。逐次迭代，最后逼近最优解。基于这种由分布模型改进进化算 法的思想形成的一类新型优化算法称为分布估计算法 （Estimation of Distribution Algorithms, EDAs ） 或基于概率模型的遗传算法 （Probabilistic Model-Building Genetic Algorithms, PMBGAs ）。 收稿日期：2007-11-09 作者简介：毕丽红 （1970-），女，汉，河北石家庄人，硕士，副教授，研究方向智能控制。 基金项目：河北省科学技术研究与发展基金项目 （072135134） 30 第1期 毕丽红，等 分布估计算法的模型分析与研究 分布估计算法最早是由Mühlenbein, H. Paaß于1996 年提出的。作为一类在遗传算法基础上发 展起来的新型进化优化算法，分布估计算法也采用了“选择+繁殖”的群体进化策略，但由于利用构 建概率图模型和采样概率图模型的进化方法，由