基于在线混合地形分析技术的智能优化算法研究.pdf

摘要

随着社会经济的发展，人们所面临的优化问题越来越复杂，智能优化算法的

性能也面临了巨大挑战。虽然，很多不同类型的改进算法相继被提出，但其性能

还存在一定不足，例如：收敛速度较慢、寻优精度较差等。导致这种不足的主要

原因在于，很多相关工作是基于算法的历史经验来进行算法设计，而忽略了问题

特征对算法性能的影响。为此，本文从问题特征的角度来研究智能优化算法的设

计，通过结合两种离线的地形分析技术：信息地形和信息熵，提出了一种在线的

混合地形分析技术，能够在算法的执行过程中实时分析问题的地形特征来调整算

法的搜索行为，有力弥补了算法设计和问题特征之间的鸿沟。本文主要工作和贡

献如下：

（1）提出的在线混合地形分析技术比现有相关方法更加高效，且时间复杂

度更低。为验证这一点，我们与现有的两个相关工作进行了对比，分别是：基于

在线离散度量技术的人工蜂群算法、以及基于适应度-距离相关性分析技术的差

分进化算法，设计了基于在线混合地形分析技术的对比算法。在CEC2013和

CEC2014两套测试函数集上进行实验，实验结果表明对比算法比原算法在结果

精度和运行时间上均有更好表现。

（2）提出的在线混合地形分析技术可用于改善多策略机制，比基于历史经

验的多策略机制更加高效。为验证这一点，我们以一项代表性的相关工作为例：

多策略人工蜂群算法（MEABC），设计了相应的对比算法：基于在线混合地形分

析技术的多策略人工蜂群算法，从问题特征的角度来修改MEABC的多策略机

制。在CEC2013和CEC2014两套测试函数集上进行实验，实验结果表明对比

算法在结果精度上要优于原算法。

（3）提出的在线混合地形分析技术可用于改善算法集成机制，比基于历史

经验的算法集成机制更加高效。为验证这一点，我们以一项代表性的相关工作为

例：集成式差分进化算法（EDEV），设计了相应的对比算法：基于在线混合地形

分析技术的集成式差分进化算法，从问题特征的角度来修改EDEV的算法集成

机制。在CEC2005和CEC2017两套测试函数集上进行实验，实验结果表明对

比算法同样在结果精度上要优于原算法。

关键词：人工蜂群算法；差分进化算法；集成；在线混合地形分析技术；适

应度地形

I

Abstract

Withthedevelopmentofsocialeconomy,peoplearefacingmoreandmore

complexoptimizationproblems,andtheperformanceofintelligentoptimization

algorithmsisfacinggreatchallenges.Although,manydifferenttypesofimproved

algorithmshavebeenproposedoneafteranother,theirperformancestillhascertain

shortcomings,suchasslowerconvergencespeedandpooreroptimization-seeking

accuracy.Themainreasonforsuchshortcomingsisthatmanyrelatedworksarebased

onthehistoricalexperienceofalgorithmsforalgorithmdesign,whileignoringthe

impactofproblemfitnesslandscapefeaturesonalgorithmperformance.Tothisend,

thispaperstudi