本文選題：演化算法 + 代理模型�。� 參考：《中國科學(xué)技術(shù)大學(xué)》2017年博士論文

【摘要】：實(shí)值優(yōu)化在現(xiàn)實(shí)生活中存在著廣泛的應(yīng)用背景。演化算法(Evolutionary Al-gorithm)作為一類基于種群的隨機(jī)優(yōu)化算法,在實(shí)值優(yōu)化領(lǐng)域受到了廣泛的關(guān)注。不過,演化算法在實(shí)際應(yīng)用中仍然面臨著挑戰(zhàn)。由于演化算法使用基于種群的搜索和以個體適應(yīng)度值為基礎(chǔ)的優(yōu)勝劣汰選擇機(jī)制,演化算法往往需要大量的適應(yīng)度評估才能獲得滿意的解。然而,在實(shí)際應(yīng)用中,廣泛存在著計(jì)算代價高的問題(Computationally Expensive Problems)。對于這類問題,一次適應(yīng)度評估的代價是非常高的,這限制了演化算法在相關(guān)領(lǐng)域里的應(yīng)用。針對演化算法存在的這點(diǎn)不足,本論文的主要目的是研究設(shè)計(jì)適用于計(jì)算代價高的實(shí)值優(yōu)化問題的演化算法。基于這個目的,本文從代理模型(Surrogate Model)著手,通過構(gòu)造計(jì)算代價不高的代理模型并引入到演化算法中來代替真實(shí)的適應(yīng)度評估,從而使演化算法更好地求解計(jì)算代價高的實(shí)值優(yōu)化問題。本文的主要研究工作與創(chuàng)新之處包括以下幾個方面:1.基于分類模型的差分演化(Differential Evolution)算法在演化算法中引入代理模型牽涉到學(xué)習(xí)和優(yōu)化的互相作用。一般來講,代理模型的選擇和使用方式需要結(jié)合具體的演化算法來進(jìn)行設(shè)計(jì)。本文通過分析差分演化算法的搜索原理,將差分演化算法的選擇過程歸約為一個分類問題。基于此,本文提出了將分類模型引入到差分演化的選擇過程中、以代替真實(shí)適應(yīng)度評估對個體進(jìn)行比較的基于分類模型的差分演化算法。區(qū)別于以往基于代理模型的演化算法中常常用到的回歸模型和排序模型,分類模型能更好地匹配差分演化算法的選擇機(jī)制的本質(zhì),因而可以更好地提高差分演化算法在有限的計(jì)算時間內(nèi)求解計(jì)算代價高的優(yōu)化問題的性能。2.基于分類模型和回歸模型結(jié)合的差分演化算法代理模型有不同的類型。不同類型的代理模型求解的問題不同,因而可以在演化算法中扮演不同的角色。作為對本文提出的基于分類模型的差分演化算法的改進(jìn),本文將分類模型和回歸模型結(jié)合起來融入到差分演化算法中。分類模型可以幫助差分演化算法避免在不好的子代個體上浪費(fèi)真實(shí)的適應(yīng)度評估;回歸模型可以在分類模型預(yù)測的好的子代個體上給出替代真實(shí)適應(yīng)度值的近似適應(yīng)度值,從而進(jìn)一步減少差分演化算法每代所需要的真實(shí)適應(yīng)度評估的次數(shù)。3.基于代理模型的自適應(yīng)差分演化框架演化算法對操作算子及參數(shù)設(shè)置敏感。自適應(yīng)機(jī)制在演化算法中扮演著重要的角色,它可以幫助演化算法在演化搜索的過程中自動地調(diào)整操作算子和參數(shù)值,從而提高演化算法的性能。本文分析了自適應(yīng)差分演化算法在求解計(jì)算代價高的問題時存在的不足,并提出了基于代理模型的方法來對差分演化的操作算子和參數(shù)設(shè)置進(jìn)行自適應(yīng)調(diào)整,為差分演化算法提供了一種適用于計(jì)算代價高問題的自適應(yīng)機(jī)制。4.基于多模型的模因演算法(Memetic Algorithm)構(gòu)建代理模型的方式有很多種。同樣的構(gòu)建方式構(gòu)建出的代理模型在不同問題上的表現(xiàn)不同,因而代理模型的構(gòu)建方式的選擇是影響基于代理模型的演化算法的性能的一個重要因素。一般來講,代理模型的建模方式應(yīng)該結(jié)合具體的應(yīng)用問題來進(jìn)行選擇。然而,由于這需要一些事先并不知道的有關(guān)具體應(yīng)用問題的先驗(yàn)知識,所以是不可行的�；诖�,本文在模因演算法的框架下提出了具有層次結(jié)構(gòu)的多模型使用機(jī)制,實(shí)現(xiàn)了一種新穎的模型構(gòu)建方式的自適應(yīng)選擇機(jī)制。本論文分別從演化算法層面和代理模型構(gòu)建層面開展工作,研究如何設(shè)計(jì)高效的基于代理模型的演化算法。在演化算法層面,考慮到代理模型能夠在演化算法中扮演不同的角色,本文分別提出了基于分類模型的差分演化算法、基于分類模型和回歸模型結(jié)合的差分演化算法、以及基于代理模型的自適應(yīng)差分演化框架。在代理模型層面,考慮到同樣的構(gòu)建方式構(gòu)建出的代理模型在不同問題上的表現(xiàn)不同,本文在模因演算法的框架下提出了一種高效的具有層次結(jié)構(gòu)的代理模型構(gòu)建方式的自適應(yīng)選擇機(jī)制。本文提出的基于分類模型的差分演化算法以及基于分類模型和回歸模型結(jié)合的差分演化算法,可以供后續(xù)的為其它使用成對比較的選擇機(jī)制的演化算法設(shè)計(jì)代理模型融入方式的工作參考。本文提出的基于代理模型的自適應(yīng)差分演化框架可以作為通用的框架和其它同時使用多個搜索策略的差分演化算法結(jié)合。本文提出的多模型自適應(yīng)選擇機(jī)制能夠?yàn)楹罄m(xù)的基于多個代理模型的優(yōu)化算法的研究設(shè)計(jì)提供參考。
[Abstract]:Real value optimization has a wide application background in real life. As a class of population based stochastic optimization algorithms, Evolutionary Al-gorithm has received extensive attention in the field of real value optimization. However, evolutionary algorithms still face a challenge in practical applications. According to the selection mechanism of the fittest based on the individual fitness value, the evolutionary algorithm often requires a large number of fitness evaluation to obtain satisfactory solutions. However, in practical applications, there is a widespread problem of high computational cost (Computationally Expensive Problems). For such problems, the cost of an adaptation assessment is very high, This restricts the application of evolutionary algorithms in the related fields. Aiming at the shortage of evolutionary algorithms, the main purpose of this paper is to study the design of evolutionary algorithms for real value optimization problems with high computational cost. Based on this purpose, this paper starts with the agent model (Surrogate Model) and constructs a proxy model with low computational cost. The main research work and innovation of this paper include the following aspects: 1. the Differential Evolution algorithm based on the classification model introduces the agent to the evolutionary algorithm. The model involves the interaction of learning and optimization. Generally speaking, the choice and use of the agent model needs to be designed with a specific evolutionary algorithm. By analyzing the search principle of the differential evolution algorithm, the selection process of the differential evolution algorithm is reduced to a sub class problem. Based on this, this paper proposes a classification model. In the selection process of the differential evolution, the differential evolution algorithm based on the classification model is replaced by the real fitness evaluation, which is different from the regression model and the sort model commonly used in the evolutionary algorithm based on the proxy model. The classification model can better match the selection mechanism of the differential evolution algorithm. In essence, it can better improve the performance of the differential evolution algorithm to solve the optimization problem with high computation cost in the limited computing time..2. based on the differential evolution algorithm based on the combination of the classification model and the regression model has different types. The different types of agent models are different in solving the problem, so it can be used in the evolutionary algorithm. As an improvement on the differential evolution algorithm based on the classification model proposed in this paper, this paper combines the classification model and the regression model into the differential evolution algorithm. The classification model can help the differential evolution algorithm avoid the real fitness evaluation on the bad offspring; the regression model can be used. The approximate fitness value is given to replace the true fitness value on the good sub generation of the classified model prediction, thus further reducing the number of true fitness evaluation required for each generation of the differential evolution algorithm.3., the adaptive differential evolution framework evolution algorithm based on the agent model is sensitive to the operator and parameter setting. It plays an important role in the evolutionary algorithm. It can help the evolutionary algorithm to automatically adjust the operator and parameter value in the process of evolutionary search, thus improving the performance of the evolutionary algorithm. This paper analyzes the shortcomings of the adaptive differential evolution algorithm in solving the problem of high computing cost, and proposes a proxy model based on the agent model. This method adaptively adjusts the operator and parameter setting of differential evolution, and provides an adaptive mechanism for differential evolution algorithm (.4.), which is suitable for high computational cost problems. There are many ways to build the agent model based on the multiple model based meme algorithm (Memetic Algorithm). The representation of the model is an important factor affecting the performance of the evolutionary algorithm based on the agent model. Generally speaking, the modeling method of the agent model should be selected in combination with the specific application problems. In this paper, a hierarchical multi model use mechanism is proposed under the framework of meme algorithm, and an adaptive selection mechanism for a novel model building mode is realized. In this paper, we propose a differential evolution algorithm based on the classification model, the differential evolution algorithm based on the combination of the classification model and the regression model, and the self - based model based on the evolution algorithm level. Adaptive differential evolution framework. At the level of agent model, considering the different representation of the agent model built in the same way, this paper proposes an efficient self adapted selection mechanism for the construction of an agent model with hierarchical structure under the framework of meme algorithm. This paper is based on the classification model. The differential evolution algorithm and the differential evolution algorithm based on the combination of the classification model and the regression model can be used as a reference for the subsequent design of the agent model integration for the evolutionary algorithms that use the selection mechanism for comparison. This paper proposes an adaptive framework based on the agent model which can be used as a general framework. The multi model adaptive selection mechanism proposed in this paper can provide reference for the subsequent research and design of the optimization algorithm based on multiple agent models.

【學(xué)位授予單位】：中國科學(xué)技術(shù)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2017
【分類號】：TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 周育人,閔華清,許孝元,李元香;多目標(biāo)演化算法的收斂性研究[J];計(jì)算機(jī)學(xué)報(bào);2004年10期

2 龔文引;謝丹;;針對本科生的演化算法教學(xué)探討[J];計(jì)算機(jī)時代;2012年07期

3 熊盛武,李元香,康立山,陳毓屏;用演化算法求解拋物型方程擴(kuò)散系數(shù)的識別問題[J];計(jì)算機(jī)學(xué)報(bào);2000年03期

4 曾三友,康立山,丁立新;基于偏序關(guān)系的演化算法[J];計(jì)算機(jī)工程;2001年08期

5 周永華,毛宗源;基于混合雜交與間歇變異的演化算法[J];計(jì)算機(jī)工程與應(yīng)用;2003年06期

6 閆震宇,康立山,陳毓屏,付朋輝;一種新的多目標(biāo)演化算法——穩(wěn)態(tài)淘汰演化算法[J];武漢大學(xué)學(xué)報(bào)(理學(xué)版);2003年01期

7 王濤,李歧強(qiáng);基于空間收縮的并行演化算法[J];中國工程科學(xué);2003年03期

8 何國良,李元香;多個粒子參與交叉的一種動態(tài)演化算法[J];計(jì)算機(jī)工程與應(yīng)用;2004年08期

9 劉敏忠,鄒秀芬,康立山;一種基于偏序排名的高效的多目標(biāo)演化算法[J];小型微型計(jì)算機(jī)系統(tǒng);2004年12期

10 王龍奎,汪祖柱;關(guān)于多目標(biāo)演化算法的策略分析[J];安徽大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年03期

相關(guān)會議論文 前3條

1 馮珊;李鋒;周凱波;;面向演化算法應(yīng)用的智能體系統(tǒng)建模與仿真研究[A];西部開發(fā)與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第12屆年會論文集[C];2002年

2 張文俊;謝曉鋒;馬君;;并行演化算法在半導(dǎo)體器件綜合中的應(yīng)用[A];2006年全國開放式分布與并行計(jì)算學(xué)術(shù)會議論文集（二）[C];2006年

3 謝柏橋;戴光明;鄭蔚;王劍文;;有指導(dǎo)的多目標(biāo)演化算法在區(qū)域星座設(shè)計(jì)中的應(yīng)用[A];中國宇航學(xué)會深空探測技術(shù)專業(yè)委員會第四屆學(xué)術(shù)年會論文集[C];2007年

相關(guān)博士學(xué)位論文 前10條

1 俞揚(yáng);演化計(jì)算理論分析與學(xué)習(xí)算法的研究[D];南京大學(xué);2011年

2 庫俊華;自適應(yīng)差分演化算法及其應(yīng)用研究[D];中國地質(zhì)大學(xué);2015年

3 彭雪;演化算法和蟻群算法的性能分析[D];華南理工大學(xué);2016年

4 李丙棟;超多目標(biāo)演化算法及其應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2017年

5 陸曉芬;基于代理模型的實(shí)值演化算法研究[D];中國科學(xué)技術(shù)大學(xué);2017年

6 彭晟;演化算法的靜電場論模型[D];武漢大學(xué);2011年

7 陳明;演化算法漸近行為的若干問題研究[D];武漢大學(xué);2012年

8 彭飛;實(shí)值演化算法投資組合研究[D];中國科學(xué)技術(shù)大學(xué);2011年

9 萬書振;動態(tài)環(huán)境下差分演化算法研究與應(yīng)用[D];武漢理工大學(xué);2012年

10 魏波;交互式與自適應(yīng)演化算法研究[D];武漢大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 楊穎;一種多差分向量的自適應(yīng)差分演化算法[D];浙江大學(xué);2015年

2 陳偉;隊(duì)伍演化算法及其在微波電路設(shè)計(jì)中的應(yīng)用[D];杭州電子科技大學(xué);2015年

3 吳昊;多群體并行演化算法的研究[D];南京郵電大學(xué);2015年

4 要婷婷;基于模因演化算法的有限容量弧路徑問題研究[D];北京交通大學(xué);2016年

5 邢雪;基于Pi演算的關(guān)系演化算法的研究與實(shí)現(xiàn)[D];吉林大學(xué);2016年

6 黃星;遺傳遞增演化算法配筋優(yōu)化設(shè)計(jì)[D];湖南大學(xué);2016年

7 溫志超;基于演化算法及改進(jìn)詞袋模型的病蟲害分類識別技術(shù)研究[D];華南農(nóng)業(yè)大學(xué);2016年

8 左磊;改進(jìn)的差分演化算法研究及其應(yīng)用[D];華南農(nóng)業(yè)大學(xué);2016年

9 張盛鑫;基于新型變異與交叉算子的差分演化算法研究[D];暨南大學(xué);2016年

10 陳澤豐;多目標(biāo)演化算法的性能改進(jìn)研究[D];華南理工大學(xué);2016年

，

本文編號：1778522