进化算法中多种信息的利用.pdfVIP

进化算法中多种信息的利用* 摘要 优化和搜索是两个普遍问题 科学和应用中的许多问题都可以转化 成优化问题或者搜索问题 进化算法 作为一种模拟生物优胜劣汰过程 的智能搜索和优化算法 有着非常广泛的应用前景 现阶段 它已经被 大量应用到生物信息学 飞行器设计 机器人 人工生命等领域 但是 有关进化算法的理论并不完善 并且进化算法的时间性能和精度性能都 有待提高 本文研究如何利用多种信息来提高已有进化算法的性能和开 发出新的进化计算模型 力求进一步完善进化计算的基本理论和扩大其 在实际中的应用 文中只涉及进化算法中存在的两种基本信息 位重要性和群体的统 计特性 位重要性普遍存在于二值编码的进化算法之中 我们主要阐述 了位重要性和位收敛顺序性的概念及其存在的可能性 为了提高遗传算 法中交叉算子的性能 我们提出了基于位重要性的基因重排算法的设计 方案 并用实验证明了该方案的可行性 建立在位重要性概念的基础上 我们提出了分层进化的思想以及基于该思想的位重要性进化算法 进化算法是一种群体搜索算法 统计特性 作为群体的固有特性 理应在进化算法中得到充分利用 在文中 我们主要分析了变量不相关 边缘分布估计算法 UMDA 的遗传漂移现象 提出了 UMDA 的自适 应群体规模设定策略 研究了 UMDA 在有噪声环境下的性能 在本文 的最后部分 我们进一步扩展了上面提出的UMDA 的有噪声优化理论 证明了概率分布估计算法(EDA)在有噪声环境下的全局收敛性 从而奠 定了EDA 在有噪声优化中应用的理论基础 文中为了说明我们所提出 观点的正确性 一方面通过严格的理论分析 证明 另一方面通过大量 _________________________________________ *本文的研究得到了国家自然科学 的资助 –I– 的仿真实验 理论和实验相结合增加了本文所提出方法的可靠性和可扩 展性 本文的创新点主要包括如下 发现了进化算法中的位重要性和位 收敛性现象 给出了基于位重要性的基因重排算子的设计方案 提出了 分层进化的思想以及建立在该思想基础上的位重要性进化算法 发现了 UMDA 中的遗传漂移现象 在对漂移特性进行分析的基础上 提出了带 平滑滤波器的UMDA 给出了空间熵的概念 以及建立在该概念基础上 的UMDA 自适应群体规模设定 将概率分布估计算法(EDA)扩展到有噪 声优化领域 给出了噪声环境下 EDA 的动力学模型 证明了 UMDA 和EDA 在噪声环境下的全局收敛性 关键字 进化算法 概率分布估计算法 位重要性 群体的统计 特性 –II– APPLICATION OF KINDS OF INFORMATION IN EVOLUTIONARY ALGORITHMS* ABSTRACT Search and optimization are two basic problems both in science and real-world applications. Many problems can be transformed into them. As an intelligent search and optimization method, Evolutionary Computation (EC) has a good future with a very variety of applications. Nowadays, EC has been widely applied into bioinformation, airplane design, robots, artificial life and just name a few. But as a novel computing heurist