全局与局部模型交替辅助的差分进化算法

为求解实际复杂工程应用中的高维计算费时优化问题,提出一种全局与局部代理模型交替辅助的差分进化算法。利用历史样本训练全局和局部代理模型,通过交替搜索全局和局部代理模型得到模型最优解并对其进行真实目标函数评价,实现探索和开采的平衡以减少真实目标函数的计算次数,同时通过针对性地选择个体进行真实目标函数计算,辅助算法快速找到目标函数的较优解。在15个低维测试问题和14个高维测试问题上的实验结果表明,在有限的计算资源情况下,该算法在12个低维测试问题上相较于最优重启策略代理辅助的社会学习粒子群优化算法、基于主动学习的代理模型辅助的粒子群优化算法等表现更好,在7个高维测试问题上相较于高斯过程辅助的进化算法、代理模型辅助的分层粒子群优化算法、求解高维费时问题的代理辅助的多种群优化算法等能找到目标函数的更优解。     

复杂网络能控性鲁棒性研究进展

研究复杂网络能控性鲁棒性对包括社会网络、生物和技术网络等在内的复杂系统的控制和应用具有重要价值.复杂网络的能控性是指:可通过若干控制节点和适当的输入,在有限时间内将系统状态驱动至任意目标状态.能控性鲁棒性则是指在受到攻击的情况下,复杂网络依然维持能控性的能力.设计具有优异能控性鲁棒性的复杂网络模型和优化实际网络的能控性鲁棒性一直是复杂网络领域的重要研究内容.本文首先比较了常用的能控性鲁棒性定义及度量,接着从攻击策略的角度分析了3类攻击的特点及效果,包括随机攻击、基于特征的蓄意攻击和启发式攻击.然后比较了常见模型网络的能控性鲁棒性.介绍了常用优化策略,包括模型设计和重新连边等.目前的研究在攻击策略和拓扑结构优化方面都取得了进展,也为进一步理论分析提供条件.最后总结全文并提出潜在研究方向.     

一种基于历史模型集成辅助的差分进化算法

当前,基于代理模型辅助的进化算法广泛用于解决昂贵优化问题.其中,由于集成模型策略可以有效的集合多种模型的特点从而提高模型预测的准确度,所以被广泛应用.但是建立多个模型会增加优化过程的计算成本,因此本文提出一种基于历史模型集成辅助的差分进化算法.本文工作分为两部分：首先,提出由一部分历史模型和当前模型构成集成模型,该策略可以有效的降低计算成本.其次,提出一种新的基于决策空间欧式距离的不确定度评价标准,用于选择个体进行真实计算.为了验证本文提出算法的有效性,将本文方法与相关算法在CEC2005测试函数上测试,并且进行比较.实验结果证明本文提出的算法可以更有效的解决昂贵优化问题.     

基于改进集成学习分类的代理辅助进化算法

当使用代理辅助进化算法求解昂贵高维多目标优化问题时,代理模型通常用于近似昂贵的适应度函数.然而,随着目标数的增加,近似误差将逐渐累积,计算量也会急剧增加.对此,提出一种基于改进集成学习分类的代理辅助进化算法,使用一种改进的装袋集成学习分类器作为代理模型.首先,从被昂贵的适应度评价的个体中选择一组分类边界,将所有个体分成两类;其次,利用这些带有分类标签的个体训练分类器,以对候选个体的类别进行预测;最后,选择有前途的个体进行昂贵适应度评价.实验结果表明,算法中所提出的代理模型可有效提高基于分类的代理辅助进化算法求解昂贵高维多目标优化问题的能力,且与目前流行的代理辅助进化算法相比,基于改进集成学习分类的代理辅助进化算法更具竞争力.     

基于多目标数据生成的昂贵多目标进化算法

昂贵多目标优化问题是一类需要同时优化多个相互冲突且评估计算成本十分昂贵的目标的复杂优化问题,需要算法在计算资源受限的情况下尽可能找到目标值好且多样性好的一系列非支配解.进化计算方法是求解多目标优化问题的有效手段,但在求解昂贵多目标优化问题时仍面临多样性和收敛性这两个方面的挑战,即难以找到多样性好且收敛到全局最优的一系列解.针对上述挑战,本文提出了新型的基于多目标数据生成的昂贵多目标进化算法.本文的贡献点和创新点主要有以下三个方面.首先,本文提出并证明了非支配解生成定理,并基于此提出了多目标数据生成方法,以更有效地搜索到更多非支配解,提高算法的多样性.其次,本文提出了多种群多代理框架,使用多个代理模型替代评估成本昂贵的真实目标函数,并协同演化多个种群对多个代理模型进行协同求解,从而提高算法的收敛性.再次,基于上述提出的方法和框架,本文提出了基于多目标数据生成的昂贵多目标进化算法,以对昂贵多目标优化问题进行求解.为了验证算法性能,本文在两个著名测试集的共16个问题上进行了丰富的大量测试实验,并与现有的五个前沿算法进行对比.实验结果表明,本文提出的算法能在大部分问题上取得比所有对比算法都更好...     

异构集成代理辅助多目标粒子群优化算法

针对代理辅助进化算法在减少昂贵适应度评估时难以通过少量样本点构造高质量代理模型的问题,提出异构集成代理辅助多目标粒子群优化算法。该方法通过使用加权平均法将Kriging模型和径向基函数网络模型组合成高精度的异构集成模型,达到增强算法处理不确定性信息能力的目的。基于集成学习的两种代理模型分别应用于全局搜索和局部搜索,在多目标粒子群优化算法框架基础上,新提出的方法为每个目标函数自适应地构造了异构集成模型,利用其模型的非支配解来指导粒子群的更新,得出目标函数的最优解集。实验结果表明,所提方法提高了代理模型的搜索能力,减少了评估次数,并且随着搜索维度的增加,其计算复杂性也具有更好的可扩展性。     

基于多点加点准则的代理模型辅助社会学习微粒群算法

代理模型辅助的进化算法目前已广泛用于解决计算代价高的复杂优化问题.然而,大多数现有的代理辅助进化算法只适用于低维问题且仍然需要数千次昂贵的真实适应值评价来获得较优解.为此,提出一种基于多点加点准则的代理模型辅助的社会学习微粒群算法,用于解决高维问题并使用更少的评价次数.该算法选用高斯过程构造代理模型,以社会学习微粒群算法(SLPSO)作为优化器,提出一种基于相似度的多点加点规则(SMIC),用于选取需要使用原函数进行实际计算的候选解.在仿真实验中将该方法与现有研究成果进行比较,通过对50维sim100维的基准函数的测试,验证了所提出算法在有限的适应值计算次数下拥有更好的寻优性能,尤其是在高维优化问题上拥有更显著的优势.     

面向多目标优化的多样性代理辅助进化算法

代理辅助进化算法（SAEA）是目前解决昂贵优化问题的一种有效途径.提出一种基于多样性的代理辅助进化算法（DSAEA）来解决昂贵多目标优化问题.DSAEA采用Kriging模型近似每个目标来代替原目标函数进行评估,加速了进化算法的优化过程.其引入参考向量把问题分解为多个子问题,根据解与参考向量之间的角度大小建立它们的相关性,然后计算出最小相关解集.在此基础上,候选解生成算子和选择算子会趋向于保留多样性的解.另外,训练集A在每次迭代后会进行更新,根据多样性删除价值不大的样本以减少建模时间.实验部分对DSAEA与目前流行的代理辅助进化算法在大规模2目标和3目标优化问题上进行对比实验.每个算法在不同的测试问题上分别独立运行30次,并计算和统计反向迭代距离（IGD）、超体积（HV）和运行时间,最后使用秩和检验分析实验结果.结果表明：DSAEA在多数实验测试问题上表现更好,因此具有有效性和可行性.     

基于不确定度采样准则的费时问题优化算法

在实际工程和控制领域中,许多优化问题的性能评价是费时的,由于进化算法在获得最优解之前需要大量的目标函数评价,无法直接应用其求解这类费时问题.引入代理模型以辅助进化算法是求解计算费时优化问题的有效方法,如何采样新个体对其进行真实的目标函数评价是影响代理模型辅助的进化算法寻优性能的重要因素.鉴于此,利用径向基函数神经网络作...     

序的分类预测在进化算法中的应用

昂贵优化问题的求解往往伴随着计算成本灾难,为了减少目标函数的真实评估次数,将序预测方法用于进化算法中候选解的选取.通过分类预测直接得到候选解的相对优劣关系,避免了对目标函数建立精确代理模型的需求,并且设计了序样本集约简方法,以降低序样本集的冗余性,提高序预测模型的训练效率.接下来,将序预测与遗传算法相结合.序预测辅助遗传算法在昂贵优化测试函数上的仿真实验表明,序预测方法可有效降低求解昂贵优化问题时的计算成本.     

基于代理模型的差分进化约束优化

针对耗时计算目标函数的约束优化问题,提出用代理模型来代替耗时计算目标函数的方法,并结合目标函数的信息对约束个体进行选择,从而提出基于代理模型的差分进化约束优化算法。首先,采用拉丁超立方采样方法建立初始种群,用耗时计算目标函数对初始种群进行评估,并以此为样本数据建立目标函数的神经网络代理模型。然后,用差分进化方法为种群中的每一个亲本产生后代,并对后代使用代理模型进行评估,采用可行性规则来比较后代与其亲本并更新种群,根据替换机制将种群中较劣的个体替换为备用存档中较优的个体。最后,当达到最大适应度评估次数时算法停止,给出最优解。该算法与对比算法在10个测试函数上运行的结果表明,该算法得出的结果更精确。将该算法应用于工字梁优化问题的结果表明,相较于优化前的算法,该算法的适应度评估次数减少了80%;相对于FROFI（Feasibility Rule with the incorporation of Objective Function Information）算法,该算法的适应度评估次数减少了36%。运用所提算法进行优化可以有效减少调用耗时计算目标函数的次数,提升优化效率,节约计算成本。     

基于多代理辅助多目标进化优化的建筑节能智能设计方法

进化优化具有优异的全局搜索能力,已成功应用于建筑节能设计问题.然而,由于需要借助代价高昂的建筑能耗软件不断评价个体,现有建筑节能设计进化算法普遍存在运行代价高的问题.鉴于此,提出一种面向建筑节能设计的多代理辅助多目标进化优化算法,简称MS-MOEA/D.首先,依据MOEA/D的目标分解特征同时构建多个基础代理模型;然后,针对每个待评估个体,自动选择合适的基础代理模型,并使用它们的集成结果预测该个体的目标值,达到提高其预测精度的目的.同时,在进化过程中自主确定基础代理模型的更新时机和规模,以降低代理模型的管理成本;最后,将所提出MS-MOEA/D与建筑能耗模拟软件EnergyPlus相融合,建立面向建筑节能设计的多目标进化优化仿真平台,并将该平台应用于中国北京地区常见居民和办公建筑节能设计实例中.通过与7种典型多目标进化算法进行对比,结果表明, MS-MOEA/D在显著降低计算代价的基础上能够得到高竞争力的Pareto最优解集.     

结合特征扰动与分配策略的集成辅助多目标优化算法

代理模型利用近似预测代替算法对多目标优化问题的真实评价,大幅减少了算法寻优所需的真实适应度评估次数。为提高代理模型在求解高维问题时的准确性并降低计算开销,提出一种基于特征扰动与分配策略的集成辅助多目标优化算法。将径向基函数网络代理模型与支持向量机回归代理模型作为集成过程中的基模型,降低算法在高维问题上的计算开销。结合特征扰动与基于记忆的影响因子分配策略构建集成代理模型,提高集成准确性。使用集成预测值与不确定信息加权辅助管理集成代理模型,平衡全局搜索与局部探索,增强算法在目标空间中的寻优能力。实验结果表明,该算法在ZDT1~ZDT3和ZDT6测试问题上所得解集的分布性与收敛性相比经典算法更好,并且当决策变量维数增加时,使用集成代理模型相比于Kriging代理模型约减少了90%的适应度评估次数,同时可获得更准确的预测结果。     

进化算法在复杂网络中的应用综述

复杂网络作为现今科学研究中的一个热点学科,在过去20年里得到了巨大的发展.现实中大量的复杂的交互系统,比如互联网、交通运输网、神经网络等都可以抽象为复杂网络,以进行系统的分析和研究.进化算法作为优化工具应用于复杂网络的不同领域的各个任务中,如网络社团结构的检测任务、网络动力学中的鲁棒性优化任务、网络传播中关键节点的搜寻任务等.本文首先对复杂网络和进化算法相关的基础知识进行了全面的概述,重点讨论了复杂网络中目标优化的研究进展,针对不同任务对优化目标及其具体应用展开了详细介绍,同时,对算法的性能评价指标进行了概述.此外,本文通过一系列实验展示了单/多目标优化算法在复杂网络优化问题上的性能表现,以及部分目标之间的相关性关系.最后对复杂网络中优化问题未来的研究动向进行了展望,为今后研究人员开展进化计算和复杂网络相结合的相关研究提供一些思路.     

基于混合差分蜂群算法的贝叶斯网络结构学习

贝叶斯网络的结构学习是贝叶斯网络理论模型的核心,而现有的贝叶斯网络结构学习算法一般存在效率偏低的问题.针对此问题,文中提出基于混合差分蜂群算法的贝叶斯网络结构学习算法.该算法首先利用最大生成树准则得到初始种群,然后利用差分进化算法中的交叉、变异规则优化初始种群.在使用差分进化算法的过程中,分别将蜂群算法应用于变异阶段和优化改进交叉阶段,并且将云自适应理论应用于选择阶段选择生成个体.在经典贝叶斯网络上的仿真实验证明,文中算法在贝叶斯网络结构学习中具有较强的寻优能力.     

混合个体选择机制的多目标进化算法

在多目标进化算法中,如何从后代候选集中选择最优解,显著地影响优化过程.当前,最优解的选择方式主要是基于实际目标值或者代理模型估计目标值.然而,这些选择方式往往是非常耗时或者存在精度差等问题,特别是对于一些实际的复杂优化问题.最近,一些研究人员开始利用有监督分类辅助后代选择,但是这些工作难以准备准确的正例和负例样本,或者存在耗时的参数调整等问题.为了解决这些问题,提出了一种新颖的融合分类与代理的混合个体选择机制,用于从后代候选集中选择最优解.在每一代优化中,首先利用分类器选择优良解;然后设计了一个轻量级的代理模型用于估计优良解的目标值;最后利用这些目标值对优良解进行排序,并选择最优解作为后代解.基于典型的多目标进化算法MOEA/D,利用混合个体选择机制设计了新的算法框架MOEA/D-CS.与当前流行的基于分解多目标进化算法比较,实验结果表明,所提出的算法取得了最好的性能.     

竞争与合作——复杂网络结构化形成的内因

采用博弈理论来探究复杂网络进化过程中结构化形成的内在原因.如今用于研究复杂网络的基本方法有3类:随机图模型(ER模型)、小世界模型、无尺度模型.但这3类方法都没有从根本上解释复杂网络结构化形成的原因,毕竟在现实世界中网络的演化过程并不是一个纯粹的优化过程.考虑到博弈论强调博弈者通过按照既定规则选择不同策略形成各自的博弈结果,认为它是一种用来解释不确定性演化过程的理想工具,而图论又可以很好地表示复杂系统以及系统内部的相互关系和相关属性,故将博弈论和图论结合到一起,对复杂网络进化过程中结构化形成的内在原因进行探讨,得出"参与者之间的竞争和合作是促成复杂网络结构化形成的内因"这个结论.     

复杂网络能控性鲁棒性最优攻击序列研究

复杂网络的能控性在不同的攻击方式下会呈现不同的鲁棒性,寻找网络的最优攻击序列对复杂网络的能控性鲁棒性的保护和提升具有重要意义.本文使用遗传算法搜索针对复杂网络能控性的最优攻击序列,分析了在不同平均度情况下,遗传算法所求得的攻击序列和其他方法得到的攻击序列的特征.实验发现即使在不同类型和度分布的网络中,遗传算法生成的攻击序列都能取得比传统蓄意攻击方法更好的攻击效果.在所用网络上,相比于其他蓄意攻击方法,遗传算法得到的最优攻击序列的节点度数排名更靠后,破坏性排名靠前;在不同类型的网络上,不同特征对最优攻击序列的重要程度不一样.     

基于聚类的代理模型构建策略

为提高代理模型效率,对数据进行聚类,根据模型构建的需求从聚类结果中选择少量数据训练模型参数,得到一种基于聚类的代理模型构建策略.以该策略构建的代理模型作为近似评价模型,设计一种基于聚类的代理模型辅助粒子群优化算法,提出一种以代理模型辅助迭代搜索作为加速策略的混合变量多目标进化算法.数值实验结果表明,基于聚类的代理模型构建策略具有时间复杂度低、模型构造效率高的优点,模型辅助的迭代搜索过程具有较好的全局探索和局部开发能力.     

基于自适应多目标进化CNN的图像分割方法

卷积神经网络已经成为强大的分割模型,但通常为手动设计,这需要大量时间并且可能导致庞大而复杂的网络.人们对自动设计能够准确分割特定领域图像的高效网络架构越来越感兴趣,然而大部分方法或者没有考虑构建更加灵活的网络架构,或者没有考虑多个目标优化模型.鉴于此,提出一种称为AdaMo-ECNAS的自适应多目标进化卷积神经架构搜索算法,用于特定领域的图像分割,在进化过程中考虑多个性能指标并通过优化模型的多目标适应特定的数据集. AdaMo-ECNAS可以构建灵活多变的预测分割模型,其网络架构和超参数通过基于多目标进化的算法找到,算法基于自适应PBI实现3个目标进化问题,即提升预测分割的F₁-score、最大限度减少计算成本以及最大限度挖掘额外训练潜能.将AdaMo-ECNAS在两个真实数据集上进行评估,结果表明所提出方法与其他先进算法相比具有较高的竞争性,甚至是超越的.