文化算法及其的应用的研究.docVIP

文化算法及其的应用的研究 　　 　　摘要：文化算法是从文化进化过程抽取出来的一个新的进化计算框架，其主要思想是从进化种群获取待解决问题的知识，并反馈这些知识来指导搜索过程，从而提高搜索效率，已被成功应用于很多领域。文章重点介绍了文化算法的基本原理、特点、适用的问题以及在多目标优化问题中的应用，并展望了文化算法的进一步研究方向。 　　关键词：文化算法；多目标优化 　　中图分类号：TP301.6 文献标识码：A文章编号：1007-9599 (2012) 06-0000-02 　　研究表明，文化能使种群以一定的速度进化和适应环境，而这个速度是超越单纯依靠基因遗传生物进化速度的[1]。种群在进化过程中，个体知识的积累和群体内部知识的交流在另外一个层面促进群体的进化。受这些思想的启发，Reynolds[1]于1994年提出文化算法，近年来引起国内外众多学者关注。 　　与其他进化算法相比，文化算法提供了一种明确的机制来表示、存储和传递进化时的知识，因而在一些问题上取得了比传统进化算法更好的结果。但是对文化算法的研究才刚刚开始，还有许多问题需要进一步研究。因此有必要对文化算法进行深入研究，对其基本原理、特点、适用的问题、应用等方面展开全面研究，以引起国内更多学者的关注，为后续学者展开相关研究提供方便。 　　一、文化算法 　　（一）文化算法基本原理 　　文化算法框架由群体空间(Population Space)和信念空间(Belief Space)两部分组成，如图1所示。群体空间和信念空间是两个相对独立的进化过程，群体空间从微观层面模拟个体进化的过程，而信念空间从宏观层面模拟文化的形成、传递和比较。从计算模型的角度来看，任何一种符合文化算法要求的进化算法都可以嵌入文化算法框架中作为群体空间的一个进化过程[2]。 　　图1 文化算法框架 　　经典文化算法的伪代码如下所示： 　　 　　其中： 　　Accept()：将从群体中所选择个体的经验传递到信念空间。 　　Influence()：信念空间形成群体经验后，利用此函数影响群体空间中个体的行为，以使群体空间中个体得到更高的进化效率。 　　（二）文化算法一般特点 　　1.双重继承（群体层和知识层）；2.知识是用来指导种群进化的“明灯”；3.支持分层结构；4.领域知识与个体分离；5.支持自适应；6.不同的层可以不同的速率进化（文化进化速度是生物进化速度的10倍）；7.支持混合方式(hybrid approaches)来解决问题；8.文化算法的各不同模型都可用一个统一的框架表示。 　　（三）文化算法适用的问题 　　1.含有大量领域知识的问题（如约束优化问题）；2.一些群体空间和信念空间中的适应过程可能在不同层次以不同速度发生的复杂环境；3.知识需要以不同的方式进行推理，并以不同的形式表达；4.需要多种群、多信念空间，并且这些空间进行交互的；5.一些可能出现分层结构的群体和知识因素的环境。 　　（四）文化算法的设计 　　1.信念空间的设计 　　A本体知识（某一领域中的公用概念）的描述；B约束知识的描述；C解决方案的描述；D确定哪些部分将会被修改？用Update()函数来更新每一个需要修改的部分；E知识维护； 　　2.群体空间的设计 　　A声明变量；B如何用这些变量来产生一个解决方案？C如何评价这个解决方案？设计时要注意：究竟该从信念空间开始还是从群体空间开始设计，取决于具体问题。如对于分类问题和约束问题，前者经常从信念空间开始，而后者经常从群体空间开始。 　　二、利用文化算法求解多目标优化问题[3] 　　（一）多目标优化问题 　　多目标优化问题的主要任务就是在满足一定约束条件的参数空间内搜索Pareto最优集。近年来兴起的进化算法，包括遗传算法、模拟退火算法由于能较好地解决传统算法的缺点，成为近年来解决多目标优化问题的研究热点。2003年，Ricardo Landa Becerra首次提出用文化算法来求解多目标优化问题[3]，并取得了不错的结果。 　　（二）求解MOP的文化算法 　　利用文化算法求解MOP问题时，种群空间采用进化规划，因此称为CAEP。信念空间包括两类知识：规范化知识和网格图。 　　信念空间：规范化知识记录每一个目标函数值区间的上下边界 和 ，如下图6所示。利用输入的 值可以将每个区间[ ， ]划分为 个子区间，并由此创建对应的网格图。 　　 … 　　图2 规范化知识结构 　　如下图3所示是用于解决具有两个目标函数的MOP时的网格图，此时，网格在每一维上被分割为8个子区间，因此形成一个8*8的网格图。 　　 　　图3 网格图 　　对于有k个目标函数的MOP，网格图有 个单元，每一个单元中记录位于该单元中非劣最优解的个