基于替代模型的演化算法.pdf

1、演化算法是一類基于群體的隨機優(yōu)化方法。在求解實際的優(yōu)化問題時，其不依賴于要優(yōu)化的目標函數(shù)的導數(shù)信息，甚至都不需要知道目標函數(shù)的完整數(shù)學表達形式，只需要知道任意自變量處目標函數(shù)對應(yīng)的函數(shù)值，也稱之為適應(yīng)度值的評估。然而，在工程優(yōu)化領(lǐng)域，存在一類適應(yīng)度值評估時間或者其它費用消耗很高的問題，例如:空氣動力學外形設(shè)計，結(jié)構(gòu)設(shè)計，電路設(shè)計，藥劑設(shè)計等。此時，便可以在演化算法中結(jié)合使用近似模型，其主要目的，便是去減少代價很高的目標函數(shù)的評估。本文就

2、是對基于替代模型的演化算法進行深入的研究，致力于提出一個高效的算法框架，使得演化算法也適用于求解這一類高評估代價的問題。本文首先對演化算法進行了簡要的介紹，隨后詳細介紹了當前被廣泛采用的近似模型，然后深入調(diào)研了已有的一些基于替代模型的算法框架，最后確定了采用基于高斯過程模型的演化算法作為主要的研究方向，并通過具體的實驗對其進行了深入的研究。
　　在各類近似模型中，高斯過程模型是一個較有效的模型，因為高斯過程模型不僅能夠提供預測的適

3、應(yīng)度值，還有預測的置信度。由于粗糙的近似模型可能會誤導演化算法，使其陷入局部最優(yōu)解，而高斯過程模型提供的預測的適應(yīng)度值的置信度則提供了額外的信息，充分利用適應(yīng)度值的置信度便能夠進一步提高真實適應(yīng)度值評估的效率。本文首先對基于高斯過程模型的差分演化算法進行了實驗研究。研究過程中發(fā)現(xiàn)，高斯過程模型的訓練代價會隨著訓練樣本數(shù)的增加而快速增加。為了減少高斯過程模型的訓練代價，本文提出采用局部組合高斯過程模型，其中各局部模型具有相同的模型參數(shù)，并