噪聲環境下粒子群的個體學習與群體智慧型

噪聲環境下粒子群的個體學習與群體智慧型

《噪聲環境下粒子群的個體學習與群體智慧型》是依託同濟大學,由張軍旗擔任項目負責人的面上項目。

基本介紹

  • 中文名:噪聲環境下粒子群的個體學習與群體智慧型
  • 項目類別:面上項目
  • 項目負責人:張軍旗
  • 依託單位:同濟大學
中文摘要,結題摘要,

中文摘要

粒子群最佳化算法模擬鳥群與魚群協同覓食的群體智慧型,依靠簡單個體運動規則產生複雜群體行為,現有研究大多基於確定性環境並取得了可觀成果。大量實際系統最佳化問題中由於測量誤差或系統本身的不確定性存在噪聲,導致粒子群無法保留已學習經驗、粒子局部探索能力降低、群體的最優適應值不能隨疊代線性提高、算法收斂速度緩慢、精度下降等災難性後果,且不能由參數的調整來消除。本項目首先將序最佳化方法引入學習自動機,為實現粒子個體學習精度與評估代價的最優權衡提供增強式機器學習方法;然後,針對傳統群體智慧型的信息共享機制在噪聲環境下極其脆弱以致降低群體適應能力的問題,擬提出基於群體決策、雙向學習等抗噪能力強的新型信息共享機制並加以優選。最後,粒子群的個體學習方法與群體智慧型的抗噪信息共享機制相互協同,擬套用於噪聲環境下的多模函式最佳化、隨機博弈、隨機點定位等最佳化問題,對實現智慧型計算向實際套用的有效推廣具有十分普遍性與前瞻性的意義。

結題摘要

粒子群最佳化算法模擬鳥群與魚群協同覓食的群體智慧型,依靠簡單個體運動規則產生複雜群體行為,現有研究大多基於確定性環境並取得了可觀成果。大量實際系統最佳化問題中由於測量誤差或系統本身的不確定性存在噪聲,導致粒子群無法保留已學習經驗、粒子局部探索能力降低、群體的最優適應值不能隨疊代線性提高、算法收斂速度緩慢、精度下降等災難性後果,且不能由參數的調整來消除。為了提高算法效率,有兩種途徑。第一種途徑,是提高重採樣的效率。因為進化算法往往關注要選出的優秀候選解,那么較差的候選解的重採樣次數就可以減少甚至取消。第二種途徑是完全不用重採樣,通過提出高效的算法,從帶噪聲的適應值中,找到優秀的候選解,引領群體進化。在提高重採樣效率的途徑上,本項目將序最佳化與學習自動機方法引入粒子群算法,提出了將尋求第一的序最佳化方法擴展為尋求最好與最差或有序的任意子集和選擇任意子集排序問題,提出了基於對稱二叉樹的隨機點定位學習自動機算法,為粒子群算法提供了可自動判別環境類型並高效學習的強化學習方法。提出了面向時空時間模式發現與追蹤的變步長學習自動機算法,能夠根據環境反饋自適應地改變學習步長,避免傳統方法需手動設定機率轉移的狀態空間,降低參數對性能影響的敏感度。在完全不用重採樣的途徑上,針對傳統群體智慧型的信息共享機制在噪聲環境下極其脆弱以致降低群體適應能力的問題,提出了能夠同時適應無噪和噪聲兩種環境的雙環境粒子群算法,該算法採用了加權搜尋中心和去除歷史信息的機制,在無噪環境下,進一步緩解PSO算法陷入局部最優,而在噪聲環境下,能夠適應有噪聲與無噪聲動態切換的雙環境,並在標準實驗平台上完成與其他噪聲下粒子群個體學習算法的比較與分析。發表學術論文13篇,其中期刊文章6篇,國際會議文章7篇;SCI收錄6篇; EI收錄7篇;期刊文章中IEEE Transactions系列文章6篇,其中第一作者5篇。

相關詞條

熱門詞條

聯絡我們