基于平均增益模型连续型（1+1）进化算法计算时间复杂.PDFVIP

中国科学 信息科学 年 第 卷 第 期 论 文 基于平均增益模型的连续型 进化算法计算 时间复杂性分析 黄翰 徐威迪 张宇山 林智勇 郝志峰 华南理工大学软件学院, 广州 510006 广东财经大学数学与统计学院, 广州 510320 南京大学计算机软件新技术国家重点实验室, 南京 210093 广东技术师范学院, 计算机科学学院, 广州 510665 广东工业大学计算机学院, 广州 510006 * 通信作者. E-mail: hhan@scut.edu.cn 收稿日期: 2013–10–03; 接受日期: 2014–03–23 国家自然科学基金 (批准号: 、中央高校基本科研业务费 (批准号: 2012ZZ0087, 2014ZG0043)、广东省自然科学基金项目 (批准号: S2011040002890, S2012010010613) 和珠江科技新星项目 (批准号: 2012- J2200007) 资助项目 摘要 连续型进化算法的计算时间复杂性分析是进化计算理论研究的一项公开难题 目前相关研 究成果较少 针对连续型 基于适应值差函数提出了平均增益模型及其分析方法 给出了 平均计算时间的计算理论 为算法的计算时间复杂性分析提供了依据 在此基础上 研究还选取了 学术界关注的球形函数作为研究对象 分别推导了变异步长满足标准正态分布和均匀分布的连续型 在优化球形函数时的平均增益 并估算出了它们的平均计算时间 理论分析说明 两种算 法的计算时间复杂性都是指数级的 在给定相同精度和初始适应值差的前提下 采用均匀分布变 异算子的算法其寻优速度优于采用标准正态分布变异算子的算法 进一步地 通过数值实验对理论 分析结果进行了验证 结果表明平均增益模型分析是有效的 关键词 进化算法 进化计算理论基础 计算时间复杂性 平均增益模型 函数 引言 进化算法 (EA) 是一类模拟生物物种进化的随机优化算法, 包括遗传算法 (GA)、遗传规划(GP)、 进化策略 (ES) 和进化规划 (EP) 等 . 它们利用一些启发式规则进行优化, 其思想根源来自于进化 论. 其中, 遗传算法广泛应用于离散优化问题, 而进化策略和进化规划多应用于连续函数优化、模式识 别、机器学习、神经网络训练、系统辨识和智能控制等技术领域 . 计算时间分析是进化计算研究领域的一项公开难题 . 早在 1970 年代, 进化算法就开始被广泛 应用于工程设计与工程优化等领域, 但其计算时间复杂性的研究却相对滞后. 直至20 世纪90 年代, 人 们才逐渐开始研究离散型 (1+1) 进化算法 ((1+1)EA) 用以求解伪布尔函数 (比如ONEMAX 和Trap 函数) 的时间复杂性 这些研究主要是比较了 (1+1)EA 在优化不同函数时的性能优劣并获得了一 引用格式 黄翰 徐威迪 张宇山 等 基于平均增益模型的连续型 进化算法计算时间复杂性分析 中国科学 信息科学 黄翰等 基于平均增益模型的连续型 进化算法计算时间复杂性分析 些进化算法个案的计算时间分析结论 . 随着越来越多个案被研究, 针对计算时间复杂性分析的一 般理论与方法也逐渐涌现. 其中, He 等 提出的Drift Analysis 方法是典型的代表, Oliveto 等 在 He 工作的基础上提出了一种简化而易用的新Drift 理论, 并应用于分析求解最大匹配的 (1+1)EA 算法计算时间复杂性, 得到了一个指数式的时间下界. Chen 等 提出了