动态环境下的进化优化算法.pptVIP

动态环境中的进化优化 王洪峰 东北大学系统工程研究所 主要内容 动态环境中的优化 当前文献中算法的设计技巧 动态环境中的问题优化 问题的动态主要表现在三个方面：优化目标（optimization goal）、问题实例（problem instance）或者约束条件（restrictions） 动态环境中的问题优化 处理动态问题最简单的方法就是将每一次变化都看成是一个新的优化问题的开始，从头开始求解 但这是不切实际的，因为：浪费时间，而且变化不能够被直接确定或者新问题的解与旧问题的解差异不大 因此，需要一种能够持续的使解适应环境的变化，重用以前信息的算法 动态环境中的问题优化 EA在很多方面与自然进化一样，而且在自然界中适应（adaptation）是一种持续的过程,因此利用EA解决动态问题是一个不错的选择 最早的关于动态环境下进化算法的研究可以追溯到1966年，但是直到上世纪八十年代中期这方面研究才成为众多学者研究的一个热点，一些相关的论文才开始面世 （表一） 标准EA的弱点：通常种群最终会收敛于一个最优解，因此失去了种群的多样性，而这种多样性正是使种群有效地探索整个搜索空间的关键所在。于是一旦种群收敛，它也就失去了对环境的适应能力。 动态环境中的问题优化 什么是动态环境 一些常见动态问题 算法的评估 怎样探测到环境中的变化 环境中变化的探测方法 为了能够对变化作出反应，首先必须探测到环境中发生的变化，在一些应用中变化对于系统来说的已知的，而在另外一些应用中，变化必须为系统所探测到 常见的探测器有： GA中种群性能或者累积平均最优性能的退化：假设环境的变化会或多或少的降低旧解的质量 种群中设定探测个体：探测个体每一代都进行再评价，如果至少有一个个体的适值发生了变化，就说明环境发生了变化 环境中变化的探测方法 使用确定模块（validation module）：Fogarty等人提出了使用一种确定模块来评估EA性能的方法，但某个限制值溢出时就重新启动EA，这时说明环境已经改变以至于EA的性能不再令人满意。然而他们并没有告诉这个确定性模块是如何工作的 使用系统模型：持续的监控这个模型是否和实际环境相一致。如果模型探测到的反映与实际环境中获得的反映相差很大，那么就说明环境已经变化。然后模型被更新，EA被重新启动 评估性能(Measuring Performance) 由于动态优化问题中不存在唯一的时变最优解，因此算法的优化目标不是找到极值点而是尽可能的追踪极值点在空间中的运动轨迹。为了证明算法的有效性，在目前的文献中通常采用的方法是比较每代种群中最好解的适值和平均适值。然而为了精确的比较，采用数字测量方法显然更有效 评估性能(Measuring Performance) DeJong提出的一种一种比较好数字测量方法: 表示第t个评价值， 表示评价次数 在线性能（online performance）：整个循环中所有评价值的平均值 离线性能(offline performance) ：每一步发现的最好解的平均值 with 评估性能(Measuring Performance) 离线性能的变型：对于非静态环境，上面的离线性能指标存在一定的问题，因为它是假设当前发现的最好解当前环境中的最优解，而在动态环境中，这只能通过对环境再评价所监测到，因此离线性能应只考虑上次环境变化后评价过的个体 其中, 评估性能(Measuring Performance) 其他一些评估方法： 平均误差(average error)：如果实际的最优解在任何时候都是可知的 均方差(mean squared error) 绝对误差(absolute error)与相对误差(relative error) 对于每次变化后只有一个解真正的被执行的情况，比较每种状态下最好解的平均误差也是合适的 评估性能(Measuring Performance) 总体来看，离线误差看起来是最有道理的评估标准，因为它是一种累积评估方法，随着EA的运行，结果曲线会变得越来越光滑，使得它成为一种能够准确表现算法长期性能的指示器 EA的追踪（tracking）能力是一个重要的性质。因此对于每一种评价方法来说，忽略最初几代（也就是对最初解的适应过程），而仅仅评估系统通过了初始阶段后的性能是合适的。如果初始阶段被认为是重要的，可以将开始阶段性能和长期性能分开比较 动态EA中常用的基准问题 这些问题的特点： 能够改变动态环境的特征值 应该能够适应二进制编码或者实编码 能够容易的画出曲线和描述 易于分析 计算效率高 与实际问题相关联 动态EA中常用的基准问题 常用的问题