适应值曲面研究方法综述.docVIP

适应值曲面研究方法综述 适应值曲面分析是一种研究优化问题难度的方法， 而优化问题难度研究则是进化算法研究的一个重要分支。本 文简要介绍了适应值曲面分析的五种方法及其近年来的研 究进展，不仅包括适应度距离关联测试法、关联长度测试法、 异位显性差异和异位相关性测试法等三种常见的适应值曲 面分析方法近年的研究进展之外，还包括空间关联测试法和 II面自动机等两种适应值曲面分析方法。 II 关键词：空间关联性；关联长度；异位相关性 0221. 4 A文章编 号：1674-7712 (2012) 12-0141-02 一、引言 进化算法是智能优化算法的重要分支，但是其应用范E 不仅局限于优化领域，在图像处理、人工智能、工业设计、 自动控制等领域都有广泛的应用。进化算法研究的一个重要 分支，自上世纪八十年代起人们开始在进化计算框架下研究 优化问题的难度，而适应值曲面分析则是其中的重要方法之 一。适应值曲面是指将优化问题的所有可行解的适应值按照 某种邻域规则排列在一起形成的曲面。分析适应值曲面的特 征有助于了解问题的难度，为进化算法的设计和改进提供依 据。一般认为，适应值曲面的崎岖程度与优化问题的难度正 相关，大部分适应值曲面测试方法大多是从不同的角度描述 适应值曲面的崎岖程度。目前，国内对适应值曲面分析方法 的资料较少且对缺乏对近期研究进展的跟进，因此本文简要 介绍了几种适应值曲面分析方法，包括适应度距离关联 (Fitness Distance Correlation,FDC)测试法、空间关联 (Spatial Correlation, SC)测试法、曲面自动机(Landscape State Machine,LSM)、关联长度(Correlation Length,CL) 测试法、异位显性差异(Epistasis Variance，EPV)和异位相 关性(Epistasis Correlation,EPC)测试等六种适应值曲面 分析方法。 二、适应度距离关联测试方法 Jones和Forrest [1]的适应度距离关联(Fitness Di stance Cor re 1 at i on, FDC)测试法是较早出现的一种适应 值曲面测试方法。这种方法通过测试适应值与距离之间的相 关系数描述适应值曲面的特性。fdcp的计算公式： 其中，P表示在适应值曲面上进行的随机取样集合，和 分别表示P的适应值均值和所有点到适应值最优点的距离均 值。fdcpe [-1，1]反映适应值的变化趋势与适应值曲面的变 化趋势之间的关系，fdcp趋近于-1则与最优解距离越远的点 适应值越小；fdcp趋近于1则与最优解距离越远的点适应值 越大。求最小值问题,fdcp趋近于-1时难度较大，趋近于1 时难度较小，求最大值问题的情况则相反。显然，相同问题的 fdcp值的差别仅存在于因样本集P的选取所产生的误差中， 与fdcp的计算方法本身没有任何关系。 三、关联长度测试法 Weinberger [2]的关联长度(Correlation Length, CL)测 试法是通过随机游走函数在适应值曲面上产生一个随机游 走序列｛f (xt)｝，通过对这个序列计算相关性相关长度，判断 II分析测试适应值曲面的崎岖程度。 II 分析测试 适应值曲面上的邻域规则是连接适应值 方法和进化算法之间的纽带，若选取的邻域规则与进化算子 的作用方式越一致，则得到的结果与进化算法的性能表现越 接近。适应度距离关联测试法采用的较常见的欧氏距离，但 是关联长度测试法采用的是不确定性邻域规则，其邻域规则 由随机游走函数决定。Hauschild[3]等对适应值曲面上的邻 域规则做了比较深入的研究，提出两种新的适应值曲面上的 邻域定义：固定划分(Fixed Partition)邻域和随机划分 (Random Partition)邻域，一个个体的固定划分邻域是其二 进制编码串的某个确定的子块中反转任意的二进制位可以 产生的所有新二进制串组成的集合，随机划分邻域是其二进 制编码串中随机改变其中不超过X位能产生的所有新二进制 串组成的集合。Borenstein[4]等提出信息曲面 (Information Landscape)的概念实际上是对适应值曲面的 一种改进，以使之能够适应“探索利用平衡理论”等较新颖 的优化算法理论研究成果。信息曲面包括三个参数(X，，t)， 其中X表示全部可行解组成的集合,？表示邻域、距离、集合 X的可到迗性，t表示一个随机信息映射，将X中两个元素的 相互关系映射到［0,1］区间内。 四、空间关联分析法 Gibbs［5］等提出基于空间关联的适应值曲面分析方法， 计算空间关联系数Rs(d)的公式如下： 其中，n表示在适应值曲面上随机抽取的样本数，i，j表 示相应的样本，d表示相应样本