發(fā)布時間：2020-05-31 01:09

【摘要】：在實際的工程優(yōu)化問題中,存在一類具有“黑箱”特性的問題,其目標(biāo)函數(shù)往往不能顯式表達(dá),且求解耗時。群智能優(yōu)化算法憑借其不要求目標(biāo)函數(shù)具有連續(xù)性、凸性、可導(dǎo)性和可行域連通性等優(yōu)勢,在求解該類問題中得到了廣泛的應(yīng)用。但是,群智能優(yōu)化算法作為一種基于種群的隨機(jī)搜索算法,在獲得滿意的設(shè)計方案的同時,需要大量的適應(yīng)度函數(shù)評價。隨著工程優(yōu)化問題復(fù)雜程度的增加,適應(yīng)度函數(shù)的評價成本越來越高,導(dǎo)致群智能優(yōu)化算法的執(zhí)行過程耗費(fèi)大量的計算資源。為了在保證滿意優(yōu)化精度的同時盡可能地減少適應(yīng)度函數(shù)的評價次數(shù),基于多代理模型的群智能優(yōu)化算法應(yīng)運(yùn)而生。該類算法采用代理模型方法引導(dǎo)種群的進(jìn)化,而種群尋優(yōu)歷史信息則用于更新代理模型,通過二者的協(xié)同優(yōu)化,達(dá)到減少函數(shù)評價次數(shù),合理分配計算資源的目的。本論文從連續(xù)空間優(yōu)化、混合整數(shù)優(yōu)化、多目標(biāo)優(yōu)化以及并行計算等方面對基于多代理模型的群智能優(yōu)化算法展開深入的研究,具體包括以下幾個方面:1)針對單目標(biāo)函數(shù)的連續(xù)空間優(yōu)化問題,提出一種基于多代理模型的粒子群優(yōu)化算法。該算法由內(nèi)環(huán)優(yōu)化和外環(huán)優(yōu)化兩部分組成。在內(nèi)環(huán)優(yōu)化中,基于動態(tài)分區(qū)方法劃分搜索空間,并通過局部代理模型代替全局代理模型,降低建模成本;此外,為了平衡全局搜索和局部優(yōu)化,提出一種基于多代理模型的并行優(yōu)化方法。在外環(huán)優(yōu)化中,粒子群算法在內(nèi)環(huán)優(yōu)化結(jié)果的引導(dǎo)下尋優(yōu),從而減少適應(yīng)度函數(shù)評價次數(shù)。通過10個標(biāo)準(zhǔn)測試問題的求解結(jié)果表明,所提方法針對低維、非凸和多模態(tài)問題能夠獲得滿意的收斂結(jié)果。此外,將所提方法應(yīng)用到數(shù)據(jù)驅(qū)動模型的參數(shù)確定問題中,實驗結(jié)果表明所提方法可以在有限的計算成本下獲得滿意的參數(shù)配置方案。2)針對含約束的混合整數(shù)規(guī)劃問題,提出一種基于多代理模型的離散粒子群優(yōu)化算法。該算法基于預(yù)選擇策略篩選候選解,并采用精英個體引導(dǎo)粒子群的進(jìn)化,而粒子群的位置信息為代理模型提供訓(xùn)練樣本。為了提升預(yù)選擇策略的效率,一方面,提出一種基于多群體協(xié)作模型的采樣方法,獲取多樣性的候選解。另一方面,改進(jìn)基于數(shù)據(jù)并行的高斯過程建模方法,通過自適應(yīng)地構(gòu)造局部代理模型,降低建模成本,提升代理模型的局部預(yù)測能力。最后通過12個含有約束的標(biāo)準(zhǔn)測試問題驗證所提方法的有效性,并針對數(shù)據(jù)驅(qū)動模型的樣本構(gòu)造和參數(shù)確定的聯(lián)合優(yōu)化問題進(jìn)行實例驗證,實驗結(jié)果表明所提方法具有可行性和有效性。3)針對求解耗時的多目標(biāo)函數(shù)優(yōu)化問題,提出一種基于多代理模型的多目標(biāo)粒子群優(yōu)化算法。該算法采用Pareto主動學(xué)習(xí)方法將候選解分類成Pareto最優(yōu)解和非Pareto最優(yōu)解。為了平衡Pareto主動學(xué)習(xí)方法的預(yù)測精度和分類成本,提出一種改進(jìn)的Pareto主動學(xué)習(xí)分類策略。此外,為了提升候選解的質(zhì)量,提出一種基于模擬進(jìn)化的混合變異采樣方法。在此基礎(chǔ)上,分類得到的Pareto最優(yōu)解通過更新外部存檔,實現(xiàn)對粒子群算法的引導(dǎo),而粒子群算法的尋優(yōu)歷史信息用于更新代理模型。最后通過標(biāo)準(zhǔn)測試問題對所提方法進(jìn)行有效性驗證,并將所提方法應(yīng)用于基于多入多出最小二乘支持向量機(jī)模型的參數(shù)確定問題中,實驗結(jié)果表明所提方法具有工程實用性和有效性。4)結(jié)合貝葉斯優(yōu)化方法和啟發(fā)式技術(shù),提出一種基于自適應(yīng)代理模型的并行優(yōu)化算法�？紤]到輔助優(yōu)化多點期望改善判據(jù)難于獲得解析解,采用啟發(fā)式優(yōu)化方法,將基于多點期望改善判據(jù)的輔助優(yōu)化問題轉(zhuǎn)化為基于單點期望改善判據(jù)的輔助優(yōu)化問題,降低輔助優(yōu)化的計算復(fù)雜度。此外,采用數(shù)據(jù)分區(qū)方法對輸入空間分區(qū),一方面構(gòu)造多個局部代理模型,提出一種基于自適應(yīng)代理模型的單點期望改善判據(jù),提升采樣的準(zhǔn)確性;另一方面提出一種分層優(yōu)化方法,通過在整個輸入空間和局部子空間中混合搜索,提升優(yōu)化器的效率。為了降低真實函數(shù)的評價成本,采用分布式并行技術(shù)對獲得的查詢點的真實函數(shù)值進(jìn)行并行計算。最后針對標(biāo)準(zhǔn)測試問題,從分區(qū)設(shè)計、多點采樣和實驗比較等方面驗證了所提方法的有效性;并通過數(shù)據(jù)驅(qū)動模型的參數(shù)確定問題驗證了所提方法在求解速度方面的優(yōu)越性。
【圖文】：

大連理工大學(xué)博士學(xué)位論文逡逑造精確的Ｋｒｉｇｉｎｇ代理模型，利用現(xiàn)有的多目標(biāo)優(yōu)化技術(shù)尋找Ｐａｒｅｔｏ前沿。但是，優(yōu)化機(jī)制在很大程度上受代理模型的精度影響，低精度的代理模型將導(dǎo)致代理優(yōu)化收斂精度低或者無法收斂。逡逑

大連理工大學(xué)博士學(xué)位論文逡逑造精確的Ｋｒｉｇｉｎｇ代理模型，利用現(xiàn)有的多目標(biāo)優(yōu)化技術(shù)尋找Ｐａｒｅｔｏ前沿。但是，，優(yōu)化機(jī)制在很大程度上受代理模型的精度影響，低精度的代理模型將導(dǎo)致代理優(yōu)化收斂精度低或者無法收斂。逡逑
【學(xué)位授予單位】：大連理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2019
【分類號】：TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 王凌;沈婧楠;王圣堯;鄧瑾;;協(xié)同進(jìn)化算法研究進(jìn)展[J];控制與決策;2015年02期

2 邢立寧;陳英武;;基于知識的智能優(yōu)化引導(dǎo)方法研究進(jìn)展[J];自動化學(xué)報;2011年11期

本文編號：2689021