论文部分内容阅读
进化算法已经成功地应用到与优化任务相关的许多问题中。微分进化(DE)是一种比较新颖的进化算法,最近5-7年的发展非常迅速,得到许多研究人员的关注。DE算法与遗传算法、遗传规划、进化策略和进化规划相似,具有变异、交叉和选择等操作;而它的变异操作成为最具特点的执行方式,选择操作则采用“择优选取”的策略。DE算法是一种基于种群的优化方法,一般与问题无关,执行比较容易。它是针对实数表达的优化问题而提出的,已经广泛用于约束优化、动态优化和多目标优化等方面。研究人员在DE算法上做了许多改进研究,改进和结合的技术包括多种群、邻域搜索、小生境、模糊调节、混沌搜索、自适应策略、局部搜索和协同搜索等方面。在工程应用方面,DE算法已经用于过程控制、制造系统、调度问题、路径优化问题、知识发现和滤波等方面。本文在介绍DE算法的改进和应用研究现状的基础上,首先关注如何增强DE算法的全局搜索能力。这里,采用量子位表达的量子衍生微分进化算法,每个个体含有更多的可用信息,增加了种群多样性,进而提高了搜索能力。其次,在分类问题和模糊建模问题的改进研究中,量子衍生微分进化算法的使用改进了搜索过程,由此求解这两种问题的结果也得以改善。最后,针对含有多个局部极小值的约束问题,研究如何提高DE算法跳出局部最优的能力。这里,提出了禁忌微分进化算法。下面介绍本文的主要研究内容:1.为了提高微分进化算法的全局搜索能力,引入量子位的概念,提出量子衍生微分进化算法(QDE)。使用微分进化的相关搜索机制,实现量子位个体的进化;提出一个新的选择算子,有利于量子位个体的快速收敛。实验结果显示,与其它版本的二进制微分进化相比,QDE的性能突出。因此,量子衍生微分进化算法可以成为二进制微分进化新的研究方向。2.在分类问题中,数据集的属性类型包括连续属性和名义属性,而对于其它许多方法,则需要在数据预处理阶段增加连续属性离散化的步骤。本文提出的基于DE/QDE的分类方法采用微分进化的进化机制,可以同时处理这两种属性。因此,这种方法可以方便地求解更多的含有混合属性类型的分类问题。3.针对T-S模糊模型的辨识问题,设计了基于减法聚类和DE算法的辨识方法,以及基于MDE/QDE的T-S模糊模型的辨识方法。在基于减法聚类和DE算法的辨识方法中,先进行结构辨识,再进行参数辨识;在基于MDE/QDE的T-S模糊模型的辨识方法中,使用MDE/QDE对模型的结构和参数同时进行辨识。其中的MDE是一种改进的微分进化,用于处理编码中的实数部分,QDE用于处理编码中的二进制数部分。4.针对含有多个局部极小值的约束问题,提出禁忌微分进化算法。禁忌搜索允许接受非优解,具有跳出局部最优的能力;本文将禁忌搜索中的邻域移动方式、禁忌列表、希望列表、特赦准则等引入微分进化中;另外引入动态的调节禁忌搜索的步长,以实现自适应搜索的过程。实验结果表明,这种算法能够有效地增强跳出局部最优的能力。