适于高维空间搜索的自组织学习算法

提出了一种有别于当前优化算法框架的自组织学习算法(self-organizing learning algorithm,SLA),该算法融合遗传算法并行搜索与模拟退火串行搜索,结合粒子群学习机制和禁忌搜索机制,实现了系统与环境的交互学习,能够很好地处理传统优化方无法应对的高维非线性优化问题.SLA分自学习和互学习两个智能化学习阶段,先进行基于自学习机制的邻域禁忌搜索,保证局部极值的收敛,然后通过信息共享平台,进行基于互学习机制的广域禁忌搜索,保证全局极值的收敛.系统通过与环境交互学习而自适应地调整搜索策略和相关参数,使得搜索过程能够有效地避免盲目性,而具有相当的自组织性.最后,通过高维测试函数的对比仿真实验表明,SLA在由小型低维空间转入超大型高维空间时,仍能够与环境保持稳定,透明的交互学习,其全局搜索能力和整体稳健性明显优于其它搜索方法.     

基于对标学习的智能优化算法

科研、工程和管理中的很多问题都可以转化为优化问题。应用于这些优化问题的各种方法本身就是各种模型,设计不同的方法即设计不同的模型。将标杆管理理念建模成为一种用于单目标优化问题的元启发式搜索方法。基于奥卡姆剃刀原则,摒弃了复杂的操作算子的概率调优规则,用一个简单的框架来组织核心算子,从而达到许多组合算法的搜索效果。     

一种基于标杆管理的优化算法

借鉴标杆管理理念,提出了一种基于标杆管理的优化算法（benchmarking-based optimization algorithm,简称BOA）.根据标杆管理的核心价值观,设计了一套基于动态小生境的竞争性学习机制,针对常用的编码方案,设计出了具体可行的执行方法.种群内个体执行方向明确的主动学习式搜索,通过对标杆的模仿学习,能够快速搜索到解空间内的目标区域内,具有较好的智能性.此外,整个小生境种群系统通过自组织学习实现与环境的友好交互,较好地解决了保持种群的多样性的难题.分析了BOA算法与遗传算法等现代智能优化方法在搜索模式上的重要区别,并通过对比仿真实验,表明算法能够与环境进行稳定而友好的交互,表现出较强的鲁棒性,其搜索速度和寻优能力在实验中均有较好的表现.     

基于PK模型的一种自适应遗传算法研究

遗传算法可以被理解为在逐代演化的过程中,适应性强的个体或种群具有更高的生存可能性的一种并行搜索算法。提出了基于PK竞争策略的遗传算法（Player Killing Genetical Algorithm,PKGA）,其核心思想在于通过PK赛式的竞争筛选,直至剩下一个全程最优的个体即为全局最优解。通过对全程最优解的即时检测,同时配合交叉率与变异率在个体粒度上自适应地动态调整,算法能很好地避开局部极值点并减少进化过程中的退化现象。这种PK竞争筛选策略保证了算法较高的搜索效率和较强的鲁棒性。仿真实验证明,算法在应对早熟问题和退化现象及收敛效率等方面明显优于传统的标准遗传算法。     

一种基于动态小生境的自组织学习算法

提出了一种基于动态小生境的自组织学习算法(dynamic niche-based self-organizing learning algorithm,简称DNSLA),实现了基于0-1编码的动态学习机制.种群中的个体由被动适应转为主动学习,即通过系统的自组织学习而实现与环境的友好交互,因而具有更强健的动态环境适应能力,能够及时、准确地侦测到环境的变化并跟踪极值点在搜索空间内的运动轨迹,具有良好的可移植性和很强的泛化能力.一系列动态测试问题的对比仿真实验结果表明,该算法即使在剧烈动荡的环境中也能很好地与环境进行稳定而友好的交互学习,表现出了很强的鲁棒性,其动态搜索能力和极值点跟踪能力远优于同类搜索方法.