进化计算的最新进展.docVIP

进化计算的最新进展 姚新 徐永 摘要：在最近十几年，进化计算无论是在理论分析还是在工业应用上都取得了显著的发展。它涉及的领域已由最初的生物计算发展到各种类型的自然计算算法和技术，这其中包括进化计算、神经计算、生态计算，社会和经济计算等，它们都是基于统一框架内的。今天，许多进化算法的许多研究方向是不需要“进化”的。本文对英国伯明翰大学CERCIA在进化计算方面所取得的一些最新进展作一个综述。它包括最优化，应用进化的方法和技术进行学习和设计以及进化算法计算复杂度的一些理论结果。同时也对进化算法将来的一些发展方向进行了讨论。 关键词：进化计算，神经网络集成，囚徒困境，真实世界应用，计算时间复杂度 引入 进化计算主要研究受自然进化和演变启示而提出的各种计算方法。它是一个快速发展的多学科交叉的领域，通过研究各种类型技术和方法来解决大规模的，复杂的以及动态的问题。进化计算的首要任务就是理解这些计算方法的机制，然后设计高鲁棒性，适应性和高效的算法用来解决用传统计算方法难以解决的问题。 进化计算最初被分为4个分支：进化策略，进化规划，遗传算法和遗传规划。然而，这种分类没有抓住进化计算的本质。这里我们把它分为如下的四个领域：进化优化，进化学习，进化设计和理论基础，这也是本文中我们讨论的主要内容。现在，进化计算中的所有方法都是使用基于扰动（交叉和变异）和接受（选择和复制）的搜索机制作用于一个种群去寻找更好的解。和传统的优化和人工智能方法相比较，进化计算方法的主要优势包括：可接受的计算复杂度，广泛的应用性，出色的实际问题解决能力，和其它方法结合的潜力，并行性，鲁棒性，自适应性等。进化算法还有其它的一些优点，例如不需要对问题解析的表达，不需要导数信息等。 进化算法的这些优点使它特别适合用来解决动态改变环境和有多目标优化需求的问题。如果一个问题的环境不断的改变并使现在的最好解变得不可接受，那么在种群中可能会有另外一个解能更好的适应现在的环境。换句话说，在一个动态的环境中使用遗传算法能够避免“把所有鸡蛋都放在一个篮子里”。在多目标优化问题中，我们需要找到一个在多个目标之间进行折衷得到的优化解的集合，以便人类专家进行选择。在这种情况下，遗传算法具有提供整个潜在解的集合的优势，从某种意义上说它们都是最优的。因此，随着遗传算法在更多领域内的成功应用，特别是用传统方法难以处理的问题，进化计算将会吸引学术和工业领域的越来越多的兴趣。 伯明翰大学计算机系研究进化计算有很长时间的历史了。有50多个人组成，每年在国际顶级杂志和会议发表100多篇论文。在该系建立了自然计算研究团队，是世界上进化计算最强的研究团队之一。一个研究中心，CERCIA致力于在计算智能领域引导世界级的科研，同时通过革新帮助工业和商业更具有全球竞争力。本文主要对CERCIA最近所取得的一些研究成果进行一个综述。它涵盖了不同的主题，涉及到进化学习，设计，优化以及理论。在本文中进化计算方面主要涉及进化规划，神经网络，协同进化，多目标优化，游戏理论。由于篇幅的限制，很多重要的工作在这里不能讨论。有兴趣的读者请访问我们的网站http://www.cercia.ac.uk. 统一的生成和检验结构 进化算法能够用如图一所示的统一的生成和检验结构来进行描述。把进化算法作为一种生成检验类型的搜索算法，如模拟退火，蒙特卡洛，禁忌搜索和爬山法等，其优势在于能够在相同结构内被分类并且它们之间的关系更加清楚，因此也更容易被探索和理解。我们可以看出在这种结构下，人工智能，控制学科，计算机科学，以及进化计算能够用几乎相同的方法来描述并且能够促进这些算法之间的交叉。 随机的产生初始解，并把它当作当前解； 从当前解出发通过扰动（交叉，变异）生成下一代解； 检验最新的解是否能被接受； 如果能则接收其为当前解； 否则保持当前解不变； 4．如果当前解不是满意解转向第二步，否则停止。 表一：生成检测方法的框图 它是显而易见的，进化计算的所有四个分支都包含在这个结构内。拥有不同确定性的或随机性的扰动策略的爬山算法都能用这个结构来描述。他们都要求可接受的新的解不能不当前的解坏。模拟退火和蒙特卡洛方法通常用一个随机的扰动，因此没有这个要求。它们在一定概率下接受比当前解坏的解。不同的模拟退火算法，例如经典SA,快速SA，更快的SA，以及新的SA，它们的不同主要在于不同的扰动方法，即产生下一代解的方法。在TS中，随机的和确定的扰动策略同被用来产生新的解，但是，在接受新解时需要一个禁忌表来防止算法在已存在的解上进行循环。本文所描述的所有算法和技术也都能在这个结构下进行分类。 改进的进化规划 进化规划现在已经被成功用于许多函数和组合优化问题。用进化规划进行优化可以总结为以下主要两步： 变异在当前种群上的解