约束优化进化算法综述

约束优化进化算法主要研究如何利用进化计算方法求解约束优化问题,是进化计算领城的一个重要研究课题.约束优化问题求解存在约束区域离散、等式约束、非线性约束等挑战,其问题的本质是如何处理可行解与不可行解的关系才能使得算法更高效.本文首先介绍了约束优化问题的定义,然后系统地分析了目前存在的约束优化方法,同时基于约束处理机制将这些方法分为罚函数法、可行性法则、随机排序法、约束处理法、多目标优化法、混合法六类,并从约束处理方法的方面对约束优化进化算法的最新研究进展进行综述.最后,指出约束优化进化算法需进一步研究的方向与关键问题.     

面向复杂约束优化问题的进化算法综述

约束优化是多数实际工程应用优化问题的呈现方式.进化算法由于其高效的表现,近年来被广泛应用于约束优化问题求解.但约束条件使得问题解空间离散、缩小、改变,给进化算法求解约束优化问题带来极大挑战.在此背景下,融合约束处理技术的进化算法成为研究热点.此外,随着研究的深入,近年来约束处理技术在复杂工程应用问题优化中得到了广泛发展,例如多目标、高维、等式优化等.根据复杂性的缘由,将面向复杂约束优化问题的进化优化分为面向复杂目标的进化约束优化算法和面向复杂约束场景的进化算法两种类别进行综述,其中,重点探讨了实际工程应用的复杂性对约束处理技术的挑战和目前研究的最新进展,并最后总结了未来的研究趋势与挑战.     

基于生态策略的动态多目标优化算法

动态多目标优化问题(dynamic multi-objective optimization problems,DMOP)的目标函数、约束条件或者问题的相关参数随时间变化,是多目标优化领域非常重要的研究难题,传统方法难以很好地追踪其变化的Pareto前沿.针对动态多目标优化问题特点,提出了一种基于生态策略的动态多目标优化算法(dynamic multi-objective optimization algorithm based on ecological strategy,ESDMO).各种群可以采取不同的进化策略应对外部环境变化,捕食种群与被捕食群体间的竞争也促进种群不断提高生存力.受此启发,采用了一种多种群协同进化机制与强化学习策略相结合的协同进化计算模型.该算法定义了一种环境自检算子用于检测环境的变化,不同的种群采取不同的生态策略来应对动态环境变化.经过各种类型的动态多目标优化问题测试,实验结果表明所提出的算法具有更好的解集多样性、均匀性和分布性,验证了该算法对于解决动态多目标优化问题是有效的.     

云环境下超启发式能耗感知调度算法

能耗感知调度的研究对云计算数据中心的可持续发展有着重要意义。能耗感知调度是一个NP难的多目标优化问题,目前云环境下的任务调度算法较少考虑能耗问题,且不能实现对能耗的灵活管理,随机搜索算法是一种解决该问题的有效途径,但其计算开销大,收敛速度慢。将异构云环境下的能耗感知调度问题定义为一个带约束的问题,即在一定的完成时间下优化系统能耗,以实现对能耗的灵活管理。此外,提出了基于在线学习的超启发式算法（OLHH）,该算法结合电压调节技术,在设计了简单高效的启发式策略集的基础上,引进超启发式算法,并采用在线学习的方式跟踪启发式策略的表现,实现对启发式策略的合理管理,从而达到提高算法的收敛性能的目的。模拟实验表明,该算法能够实现系统能耗的灵活管理,且比传统的随机搜索算法有着更好的收敛性能。     

面向大数据处理的并行优化抽样聚类K-means算法

针对大数据环境下K-means聚类算法聚类精度不足和收敛速度慢的问题,提出一种基于优化抽样聚类的K-means算法(OSCK)。首先,该算法从海量数据中概率抽样多个样本;其次,基于最佳聚类中心的欧氏距离相似性原理,建模评估样本聚类结果并去除抽样聚类结果的次优解;最后,加权整合评估得到的聚类结果得到最终k个聚类中心,并将这k个聚类中心作为大数据集聚类中心。理论分析和实验结果表明,OSCK面向海量数据分析相对于对比算法具有更好的聚类精度,并且具有很强的稳健性和可扩展性。