基于一般反向学习的群体随机搜索算法框架.pdfVIP

第31卷 第3期 南昌工程学院学报 V01．3lNo．3 2012年 6月 JournalofNanchangInstituteofTechnology Jun．2012 文章编号：1674—0076(2012)03—0001一o6 基于一般反向学习的群体随机搜索算法框架 王 晖 (南昌工程学院信息工程学院，江西 南昌330099) 摘 要：通过研究群体随机搜索算法解的迭代过程机制 ，提 出区域变换搜索模型．结合反向学习(OBL)概念，提 出 了一般反向学习(GOBL)策略，并构造了基于一般反向学习的群体随机搜索算法的框架．理论分析证明，-3父体算 法收敛时，基于该算法．和一般反向学习策略构造的算法也是收敛的． 关键词 ：反向学习；一般反向学习；群体随机搜索算法；演化优化 中图分类号：TP301．5 文献标识码 ：A A framework ofpopulation-basedstochasticsearchalgorithm with generalizedopposition-basedlearning WANC Hui (SchoolofInformationEngineering，NanchangInstituteofTechnology，Nanchang330099，China) Abstract：Byanalyzingthemechanism ofsolutionsofpopulation-basedstochasticsearchalgorithmsinit— erativeprocess，thispaperpresentsaregiontransformationsearchmode1．Combiningtheconceptofoppo— sition—basedlearning(OBL)，weproposeaconceptofgeneralizedopposition—basedlearning(GOBL)and constructaframework ofpopulation-based search algorithm with GOBL．Thetheoreticalanalysesprove thatiftheparentalgorithm isconvergent，htepopulation-based stochasticsearchalgorithm wiht general— izedopposition—basedlearningisalsoconvergent． Keywords：opposition--basedlearning；generalizedopposition--basedlearning；population-basedstochastic searchalgorihtm；evolutionaryoptimization 在现实世界中，很多应用问题都可以转化成优化问题来求解．例如，在工业生产中，通过优化生产过程以 降低成本提高效益．在汽车设计时，通过优化汽车结构以提高汽车的稳定性和安全性．在投资领域，通过优化 投资方案以降低风险提高收益．对于优化问题的求解，传统的方法主要是确定性的数学方法．这类方法虽然 具有完善的数学理论，收敛速度快等优点，但是它的通用性差，依赖于问题的属性，对问题本身是否连续、可 微都有限制． 为了克服传统的确定性优化算法的缺点，近几十年来，各种基于群体的随机搜索算法相继被提出，如遗 传算法(GA)…、模拟退火算法 (SA)】、粒子群优化算法 (PSO)】、蚁群算法 (ACO) 和差分进化算法 (DE)Is]等．这些算法都是建立在生物智能或物理现象基础上的非确定性搜索算法，其思想来源于大 自然的 演化机制，具有 自组织、自学习、自适应和内在并行性等特征．由于其 自身作为启发式随机算法具有比传统数 学方法更优越的特性，因此这类方法的研究一直是优化领域的热点． 由于