第9章 Memetic算法.pptVIP

第9章 Memetic算法 Contents 9.1 Memetic算法的基本思想 Meme概念的提出—Hawkins（1976） Mosato（1989）提出了Memetic算法 Memetic算法—基于群体的计算智能方法与局部搜索相结合的一类算法的总称 9.2 Memetic算法的框架 Memetic算法的基本模型（9要素） 9.2 Memetic算法的框架 Memetic算法的流程图 9.2 Memetic算法的框架 Memetic的各种设计方案： 全局搜索策略的选择 （进化算法 / ACO / PSO……） 局部搜索策略的选择 （单一局部搜索策略 / 多种局部搜索策略） 局部搜索策略的位置 （与生成函数相结合 / 与更新函数相结合） 局部搜索的方式（Lamarckian / Baldwinian） 局部搜索的对象（整个群体 / 部分个体） 局部搜索与全局搜索的平衡 （局部搜索的强度与频率） 局部搜索的参数（邻域的形状和大小 / 移动步长） 9.3 静态Memetic算法 静态Memetic算法的特点 一般只采用一种局部搜索策略 局部搜索的执行位置和方式都预先确定，在算法执行过程中保持不变 目前已提出的Memetic算法，大部分都属于静态Memetic算法 9.3 静态Memetic算法 部分代表性的静态Memetic算法 9.4 动态Memetic算法 动态Memetic算法—动态调整局部搜索策略 分类 按照动态调整类型，分成三类 静态型—按照静态的规则来调整 适应型—利用在线反馈的信息来调整 自适应型—将局部搜索设置信息也编码到算法当中一起进化（协同进化的MA） 按照自适应的层次，分成三类 外部型—利用外部的先验知识（一般属于静态型） 局部型—采用了局部反馈信息来调整 自适应型—采用了全部反馈信息来调整 9.4 动态Memetic算法 动态Memetic算法的流程图 9.4 动态Memetic算法 Meta-Lamarckian学习型Memetic算法 每次执行局部搜索之前，从局部搜索策略池中选择一种局部搜索方案 基本Meta-Lamarckian学习方案 子问题分解的启发式搜索方案 带偏向性轮盘赌的随机搜索方案 9.4 动态Memetic算法 9.4 动态Memetic算法 超启发式Memetic算法 随机超启发式 – 随机地选择局部搜索策略 贪心超启发式 – 选择能够得到最大改进幅度的局部搜索策略 基于选择函数的超启发式 – 根据局部搜索策略的选择函数F值来选择局部搜索策略。 协同进化Memetic算法 局部搜索的具体设置也编码到个体的基因中，共同进化。 9.4 动态Memetic算法 部分代表性的动态Memetic算法 9.5 Memetic算法的研究展望 理论研究进展 MA的语法框架（Krasnogor和Smith） MA的收敛性分析（Ong et al.） MA的搜索行为和收敛性分析还基本处于空白状态 应用研究进展 已应用于众多复杂优化问题 应用研究进展 自适应与协同进化MA 多目标MA 基于智能体的MA Company Logo * * * 基本思想 1 算法框架 2 静态Memetic算法 3 动态Memetic算法 4 研究展望 5 文化传播过程往往都以充分的专业领域知识为基础，进化速度更快 在生物进化过程中，变异是随机的，只有少数好的变异能够在自然选择中得到保留 不同点 在传播过程中通过交互、融合、变异等方式传承发展 在遗传过程中通过交叉、变异等操作不断演化发展 相似点 文化基因（Meme） 基因（Gene） 局部搜索策略的集合 更新函数（如选择算子） U 生成函数（如交叉、变异等算子） G 适应值函数 F 编码长度 l 通过生成函数得到的后代的数目 offspringSize 种群规模 popSize 算法的初始参数 初始种群 开始 生成初始种群 初始化参数 k=0 结束？ 结束 返回最优解 计算适应值 利用更新函数得到新一代种群 利用生成函数产生新群体 局部搜索 局部搜索 k=k+1 N Y Krasnogor and Smith 2006 Dorigo et al. 2004 一般而言， Lamarckian方式比Baldwinian方式性能更优 代表性算法 Baldwinian Lamarckian 局部搜索的方式 Tu and Lu 2004 Nguyen et al. 2007 Nguyen et al. 2002 Burke et al. 2000 Sheng et al. 2007 Noman and Iba 2008等等 代表性算法 与更新函数相结合 与生成函数相结合 局部搜