智能计算在复杂统优化中的应用.pdf

浙江大学博士后研究工作报告——摘要 Ⅱ 摘要 复杂系统的存在已有多年的历史了，科研人员提出了各种各样的技术和方 法以便更有效地控制，操作和管理此类系统。然而，由于在此类系统中仍然存在 大量问题无法用传统方法来解决，而大部分问题的求解仅凭人的经验，或者是基 于数值分析与决策支持系统得到的结果上，结合人的经验判断来做出合理的决 策。显然这种集成各种智能技术的求解问题方法为下一代的复杂系统提供可一个 很重要的求解途径。 由于计算机技术在智能决策支持、复杂系统及复杂过程的建模与控制中发 挥着越来越重要的作用，导致了需要寻找更新更有效的技术和算法来表达知识、 描述系统，并需要寻找新的机制来实现人工干预和决策支持。通常任何决策任务 实际上就是一个优化问题。无论是选择控制器的参数的决策、设计一个工厂的决 策、还是计算机网络安全策略的决策，都是围绕着如何从一组候选解中挑选出一 个，就如同优化某个目标函数一样。随着许多原始的系统已经转变为具有复杂结 构的系统，这种复杂的结构能够精确的实现系统资源的优化、并具有智能，而且 体现出自组织能力，因此大量的研究工作从理解和模拟此类智能系统方面开展起 来。这方面的相关的技术集成了从各个学科领域发展而来的概念，如生态学、神 经学、生物学、运筹学、计算机科学和通讯理论，等等。由此而生的计算智能技 术，为解决复杂系统的优化问题提供了一个强有力、很有前途工具。 遗传算法、蚁群算法和免疫算法，都是最近在计算智能里面发展起来的优 化算法，并且也都属于总所周知的随机数值优化方法，具有很强的启发式搜索能 力寻找到全局最优解，本研究报告详细分析了此类算法及其在复杂系统中的应 用。 遗传算法是根据基因和自然选择规律建立起来。由于复杂系统中待优化变 量具有混合数据结构，并且此类系统有着广泛的实际应用，因此提出了一种基于 遗传算法的通用方法，来有效地处理带有连续时间型变量和离散事件型变量的多 目标优化问题。多罐配料控制系统的实例研究表明了所提方法在处理此类问题上 in 浙江大学博士后研究工作报告——摘要 的有效性。 蚁群算法是受自然界真实蚂蚁社会的启发并模拟蚂蚁的觅食行为而产生的 一种优化方法。这里提出了一种处理复杂非线性优化问题的带加速因子的蚁群算 法，它采用一种新的基于目标函数值的启发式信息素分配方法，来更新算法中信 息素的值从而过滤候选解。人工蚂蚁根据启发式信息自动调整路径搜索行为，从 而提高算法的全局寻优能力。最后，以两个具有多个极值点的benchmark问题为 例，研究了所提算法与基本的蚁群算法和经典优化理论里的二次规划方法的性能 并进行了比较，以验证所提方法的可靠性和有效性。此外，还提出了一种嵌套的 混合蚁群算法，用来解决带有混合数据结构的复杂生产调度问题，新的信息素更 新算法提高了算法的优化搜索能力。 人工免疫算法是在自然免疫系统的启发下发展起来的一种优化方法。它具 有并行性，是一个分布式的自适应系统，采用学习、记忆和联想式恢复策略来解 决带有自识别和分类的问题。本研究报告里，提出了一种带有自识别机制的免疫 算法，用来求解复杂的优化问题。算法中的抗原对应问题的目标函数和约束条件， 抗体对应问题的候选解，疫苗接种过程对应利用启发式信息的过程。在算法的每 一迭代周期(培养周期)里，通过自动识别有效抗体中的模式来促进或者限制某 些抗体的产生，从而加速有效解的产生过程。最后将所提的免疫算法应用到复杂 电力系统的全局电压控制过程中，通过协调局部控制器，使得系统在故障发生后 电压尽快恢复到稳态值。提出了一个多级协调控制方案，在故障发生后通过控制 器切换的最小代价实现电压恢复正常。启发式信息通过自识别的疫苗接种过程加 到下～代候选解抗体中，这样可以提高搜索效率。一个四总线的电力系统的实例 研究表明，所提算法比现有的算法如动态规划、树搜索方法更可靠，有效。求解 此类带混合控制变量的复杂问题的计算复杂性也随之大大降低，并为带有非线 性、大规模、不确定性和混合变量特性的一般复杂系统的协调控制，提供了一种 通用的算法框架。 复杂系统的优化为当前研究的热点领域之一，也是非常有前途的一个研究 方向。它为实际应用中控制系统求解的研究和发展开辟了一个新的前沿。