進(jìn)化策略學(xué)習(xí)、收斂和逃逸能力的研究及應(yīng)用.pdf

1、進(jìn)化計(jì)算是一種受生物進(jìn)化論啟發(fā)而建立的優(yōu)化算法，拓展了傳統(tǒng)的計(jì)算模式，為復(fù)雜問題的求解提供了新的解決辦法。將進(jìn)化策略和學(xué)習(xí)算法相結(jié)合是當(dāng)前的發(fā)展方向之一，但是理論研究相對(duì)較少，限制了它的進(jìn)一步發(fā)展。本文首先分析了基于拉馬克主義的進(jìn)化學(xué)習(xí)策略(簡(jiǎn)稱LELS)和基于達(dá)爾文主義的進(jìn)化學(xué)習(xí)策略(簡(jiǎn)稱DELS)的異同；利用馬爾可夫鏈理論證明了此類算法的收斂性，并且在理論上分析了DELS具有更強(qiáng)的局部逃逸能力，算法的運(yùn)行速度也明顯得到了提高。

2、 接下來本文分別將均勻變異算子引入進(jìn)化策略和進(jìn)化學(xué)習(xí)策略中，使得該類算法結(jié)構(gòu)更簡(jiǎn)單，理論分析更方便，局部逃逸能力較好，并對(duì)收斂性進(jìn)行了證明，最后的仿真實(shí)驗(yàn)表明了該方法的有效性。 模糊系統(tǒng)的可解釋性明顯優(yōu)于其他人工智能方法，卻長(zhǎng)期沒有引起人們足夠的注意。本文對(duì)模糊系統(tǒng)的可解釋性作了深入的分析，定義了最簡(jiǎn)約模糊劃分、模糊劃分的完備-清晰性、模糊規(guī)則的完備性、緊湊性和一致性，并將其加入到進(jìn)化策略的適值函數(shù)中，用于優(yōu)化模糊系統(tǒng)。即使在

3、先驗(yàn)知識(shí)較少的情況下，該方法依然可以設(shè)計(jì)出具有較好系統(tǒng)響應(yīng)性能和較高可解釋性的模糊系統(tǒng)。 針對(duì)K-means聚類算法易陷入局部極小和K值選取的問題，本文提出一類基于進(jìn)化策略的聚類算法，可以有效的搜索最優(yōu)聚類中心和聚類個(gè)數(shù)K；還提出了確定K值范圍經(jīng)驗(yàn)公式，以減小搜索空間，提高搜索效率，并給出理論分析。 傳統(tǒng)的觀點(diǎn)認(rèn)為進(jìn)化策略是一種全局隨機(jī)多點(diǎn)搜索技術(shù)，LMS算法是一種基于梯度法的單點(diǎn)搜索策略，這兩種算法是兩種截然不同的。本