【摘要】：演化算法通過模擬自然界生物迭代演化的智能現(xiàn)象來求解優(yōu)化問題,因其不依賴于待解問題具體數(shù)學(xué)模型特性的優(yōu)勢,已成為求解復(fù)雜優(yōu)化問題的重要方法.分布估計算法是一類新興的演化算法,它通過估計種群中優(yōu)勢個體的分布狀況建立概率模型并采樣得到子代,具有良好的搜索多樣性,且能通用于連續(xù)和離散空間的優(yōu)化問題.為進一步推動基于概率分布思想的演化算法發(fā)展,概述了多峰優(yōu)化演化算法的研究現(xiàn)狀,并總結(jié)出2個基于概率分布的演化算法框架:面向多解優(yōu)化的概率分布演化算法框架和基于概率分布的集合型離散演化算法框架.前者針對現(xiàn)有的演化算法在求解多峰多解的優(yōu)化難題時缺乏足夠的搜索多樣性的缺點,將廣義上基于概率分布的演化策略與小生境技術(shù)相結(jié)合,突破多解優(yōu)化的搜索多樣性瓶頸;后者圍繞粒子群優(yōu)化等部分演化算法在傳統(tǒng)上局限于連續(xù)實數(shù)向量空間的不足,引入概率分布估計的思想,在離散的集合空間重定義了算法的演化操作,從而提高了算法的可用性.
[Abstract]:The evolutionary algorithm solves the optimization problem by simulating the intelligent phenomenon of the iterative evolution of natural organisms. Because it does not depend on the advantages of the specific mathematical model of the problem to be solved, it has become an important method to solve the complex optimization problem. Distribution estimation algorithm is a new kind of evolutionary algorithm. It establishes probability model by estimating the distribution of dominant individuals in the population and samples to obtain offspring. It has good search diversity and can be applied to continuous and discrete space optimization problems. In order to further promote the development of evolutionary algorithm based on probability distribution, the research status of multi-peak optimization evolution algorithm is summarized, and two evolutionary algorithm frameworks based on probability distribution are summarized: probability distribution evolution algorithm framework for multi-solution optimization and set discrete evolution algorithm framework based on probability distribution. In view of the shortcomings of the existing evolutionary algorithms in solving multi-peak and multi-solution optimization problems, the former combines the evolution strategy based on probability distribution with niche technology in a broad sense to break through the bottleneck of search diversity in multi-solution optimization. The latter is traditionally limited to the shortcomings of continuous real vector space around particle swarm optimization and other partial evolutionary algorithms. The idea of probability distribution estimation is introduced to redefine the evolutionary operation of the algorithm in discrete set space, thus improving the availability of the algorithm.
【作者單位】： 華南理工大學(xué)計算機科學(xué)與工程學(xué)院;中山大學(xué)數(shù)據(jù)科學(xué)與計算機學(xué)院;
【基金】：國家自然科學(xué)基金優(yōu)秀青年科學(xué)基金項目(61622206);國家自然科學(xué)基金面上項目(61379061)~~
【分類號】：TP18

【相似文獻】

相關(guān)期刊論文 前10條

1 趙新超;;非均勻演化算法及其應(yīng)用[J];計算機學(xué)報;2006年10期

2 鄢靖豐;張泊平;龔文引;譚水木;;一種新型的差分演化算法及其應(yīng)用研究[J];計算機應(yīng)用;2008年03期

3 董紅斌;黃厚寬;印桂生;何軍;;協(xié)同演化算法研究進展[J];計算機研究與發(fā)展;2008年03期

4 鄧海鑫;艾麗蓉;;基于演化算法的資源包投放優(yōu)化[J];計算機與現(xiàn)代化;2014年02期

5 李佳林;李觀發(fā);;量子演化算法的改進研究[J];智能計算機與應(yīng)用;2012年02期

6 董莎;;淺談演化算法[J];福建電腦;2013年11期

7 許有準;曾文華;;并行演化算法研究進展[J];模式識別與人工智能;2005年02期

8 周雅蘭;朱耀輝;張軍;;具有學(xué)習(xí)機制的離散差分演化算法[J];計算機科學(xué);2011年07期

9 周新宇;吳志健;王暉;;一種精英反向?qū)W習(xí)的差分演化算法[J];小型微型計算機系統(tǒng);2013年09期

10 周育人,岳喜順,周繼香;演化算法的收斂速率與效率分析[J];計算機學(xué)報;2004年11期

相關(guān)博士學(xué)位論文 前6條

1 俞揚;演化計算理論分析與學(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 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

5 武志峰;差異演化算法及其應(yīng)用研究[D];北京交通大學(xué);2009年

6 汪祖柱;基于演化算法的多目標優(yōu)化方法及其應(yīng)用研究[D];安徽大學(xué);2005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;隊伍演化算法及其在微波電路設(shè)計中的應(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 左磊;改進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

5 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

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

7 彭超;差分演化算法的評估、改進與應(yīng)用研究[D];大連海事大學(xué);2016年

8 胡善慶;基于合作協(xié)同的演化算法研究[D];中國科學(xué)技術(shù)大學(xué);2014年

9 成浩;求解作業(yè)車間調(diào)度問題的禁忌演化算法[D];武漢理工大學(xué);2006年

10 閆明英;求解眾目標優(yōu)化問題的演化算法研究[D];中國科學(xué)技術(shù)大學(xué);2015年

，

本文編號：2500947