基于情緒人工記憶原理的函數優(yōu)化方法的研究.pdf

1、工程中的優(yōu)化問題具有復雜性、多極化性、非線性、強約束性等特點，常規(guī)的優(yōu)化算已無能為力，群智能優(yōu)化算法的出現(xiàn)和發(fā)展彌補了傳統(tǒng)優(yōu)化算法的缺陷。但是，群智能優(yōu)化算法在面對大種群的優(yōu)化問題時，仍然存在優(yōu)化時間太長的缺點，為了改進此缺點本文基于認知心理學、情緒理論與記憶原理提出了新的的函數優(yōu)化方法。
　　首先，通過研究人類情緒的特性和認知與情緒的相互作用，結合群智能優(yōu)化算法的基本思想，提出了一種新型的群智能優(yōu)化算法—情緒認知優(yōu)化算法(ECO

2、A)。ECOA算法通過個體對情緒產生的認知和認知對個體選擇的影響來控制每個個體的優(yōu)化過程；行為選擇算子和選擇概率算子用于對個體狀態(tài)的改變；在情緒與認知相互影響的循環(huán)過程中，個體得到了優(yōu)化。ECOA算法的特點是行為選擇算子在交換信息時，只有很少部分變量進行狀態(tài)信息交換，對于高維優(yōu)化問題此舉可大幅提高算法收斂速度。以Griewank函數為例，對算法的性能進行初步測試，驗證了該算法的優(yōu)良性能，但優(yōu)化時間沒有大幅度的縮短。
　　接著，將記

3、憶與情緒認知算法結合進行改進，設計出了情緒人工記憶優(yōu)化算法（AEMA）。在AEMA算法中，每個記憶元對應著一個試探解；通過記憶和遺忘對記憶元狀態(tài)的轉移進行控制，從而實現(xiàn)對優(yōu)化問題的搜索。AEMA算法的特點是將試探解與記憶關聯(lián)，在演化過程中記憶值越來越低的試探解會被遺忘，隨著演化的進行，不需要處理的試探解會越來越多，AEMA算法的收斂速度將會越來越快。本文以Ackley函數為例，對算法的性能進行測試，結果表明在種群數目較大的問題上AEMA