动态环境中的进化算法.docxVIP

PAGE 1 PAGE 1 动态环境中的进化算法  目前关于进化算法(EA)的研究王要局限于静态优化问题，然而许多现实世界中的问题是动态的。对于这类时变的优化问题通常并不是要求EA发觉极值点。而是需要EA能够尽可能紧密地跟踪极值点在搜寻空间内的运行轨迹。为此，综述了使EA适用于动态优化问题的各种万法，如增加种群多样性、保持种群多样性、引入某种记忆策略和采用多种群策略等。  1引言  近几十年来，进化算法(EA)得到了众多学者的广泛关注已成为优化算法研究的一个热点，但大多关于EA的研究主要局限于静态优化问题。然而现实世界中许多优化问题是动态、时变的，它们会因为目标函数、环境参数或者约束条件的变化而随时产生变化。对于这类时变的优化问题通常并不仅仅要求EA发觉极值点，而更需要EA能够尽可能紧密地跟踪极值点在搜寻空间内的运行轨迹，这就需要算法能够持续地适应非静态环境中解的变化。  实际上，将进化算法应用于动态环境的研究可以追朔到1966年，但是直到20世纪80年月中期才成为众多学者的研究热点。近年来很多国际会议(如GECC02002,WCC12002和CEC2003等)都有进化算法在动态环境中应用方而的论文发表，特殊是在CEC2004会议上为动态进化优化方法开拓了相关的专题争论。国内学者康立山等在动态系统方而也曾作过一些研究工作。  传统进化算法的目标是使种群渐渐收敛，最终获得一个满足解。这样会使种群失去多样性，而种群的多样性恰恰是有效探索整个可行空间的必要条件。因此传统进化算法在进化后期会失去对环境变化的适应能力，这是进化算法在动态环境中所而临的主要挑战.近些年来，很多学者使用了各种方法来解决这个问题，这些方法大体上可以分成下而4种:  1)采取修改某些EA算子的策略，使EA能够适应环境的变化。  2)始终避免种群收敛，保持种群的多样性，这是因为一个发散的种群能够更简单适应环境中的变化。  3)EA中引入某种记忆策略，使之能够重用以前的进化信息，这类方法适用于周期变化的环境。  4)采用多种群策略，将整个种群分成若干个小种群，其中一部分用于追踪当前的极值点，另一部分连续搜寻整个空间，以发觉新的极值点。  2环境变化后修改EA算子  当环境中的某个变化被探测到之后，EA采用简洁的重启是处理动态的一种最直接的方式。然而假如环境的变化相对较小，那么新的极值点与旧的极值点之间可能具有一定的联系。因此通常在EA重启时将旧种群(变化前)中的某些信息通过某种方式传递给新种群(变化后)，例如将旧种群的某些个体传递给新的初始种群作为其中的一部分。  Cartwright等证明白当EA重启时，旧种群中的部分个体应当保存下来，因为它们也能够在新的环境中被重用。Reeves等提出了利用前一阶段EA搜寻到的解而得到的新初始种群会使重新开始的EA更快地搜寻到新问题的最优解，但并没有给出算法的详细实现过程。Bierwirth等建议校正种群中全部个体，使之满意新问题的要求，并把它们作为求解新问题的GA的初始种群。在与随机初始化的方法相比较时会发觉，虽然解的质量稍有不同，但是速度却大为提高。Lin等针对一个JSSY问题也提出了一种直接校正的方法，他们利用GifflerThompson算法把新工件加入到旧调度中，结果发觉这种方法显示出非常明显的效果。Pico等在考虑最小化拖期的处理器调度问题时采用了一种固定编码长度的置换方法。Krishnakumar提出了一种MicroGeneticAlgorithm，该算法种群很小，一旦发觉收敛，则保留最好的个体，其余个体随机初始化。  然而采用重启策略也会给EA带来一定的挑战，它需要};A能够在开发和探索之间达到一种平衡:假如过多的信息被保留，那么由于种群中个体的相似性会使种群过早地收敛;反之，假如过多的信息被丢弃，那么会花费更多的时间去查找新的极值点.  为了保持这种平衡，Cobb在传统GA中采用了一种过度变异的策略。当探测到环境的变化后连忙猛烈增大变异率，使得趋于收敛的种群发散。在后来的研究中，Hypermutation，被进一步检验，结果发觉环境变化的频率会对变异率的增大幅度有一定的影响，频率越大，Hypermutation越剧烈。Vavak等提出一种称为可变局部搜寻的变异算子:最初，只是采用较小的变异(如仅仅允许二进制编码最终几位发生变异)，当种群的性能在一定时期内没有得到改善时，逐步增大局部搜寻的范围(变异范围越来越大)。Gerratt等将爬坡算法与EA结合在一起提出了进化随机搜寻算法，试验表明该算法比一般GA和爬坡算法更能适用于动态优化问题。Simoes等将细胞转化机制引入到GA中，提出了TGA