《異質進化算法集成研究》是依託中南大學，由蔡自興擔任項目負責人的面上項目。
基本介紹
- 中文名：異質進化算法集成研究
- 項目類別：面上項目
- 項目負責人：蔡自興
- 依託單位：中南大學
項目摘要,結題摘要,
項目摘要
最佳化問題大致可分為三類：單目標最佳化問題、約束最佳化問題和多目標最佳化問題。針對單目標最佳化問題，在深入分析各種進化算法範例異質性的基礎上，將各種進化算法範例有機地集成起來，形成通用的異質進化算法集成框架，用於求解單目標最佳化問題。針對約束最佳化問題和多目標最佳化問題，根據其自身特徵，分析約束處理技術和多目標最佳化技術的異質性，以及各種進化算法範例求解上述兩類問題時的異質性，形成異質約束處理技術集成和異質多目標最佳化技術集成，並分別與相應的異質進化算法集成有機地結合起來，用於求解這兩類問題。此外，從理論上分析異質性對進化算法集成性能的影響，將異質進化算法集成用於求解電力系統中廣泛存在的最佳化問題，也是本項目待研究的主要內容。本研究具有重要的科學意義，其成果將拓展進化計算的研究領域，促進進化計算研究的發展。同時，由於工程套用領域中存在著大量的複雜最佳化問題，所以本研究對推動進化計算的套用具有十分重要的實際意義。
結題摘要
本項目針對不同類型的最佳化問題（如單目標最佳化問題、約束最佳化問題、多目標最佳化問題、非線性方程系統、多模態最佳化問題）設計異質進化算法，提高進化算法求解不同類型最佳化問題的性能，分析異質性對進化算法集成性能的影響，促進進化算法研究的發展和套用。經過四年的研究，取得了顯著的研究成果： 1. 在單目標最佳化方面：結合正交交叉提出了一種提高差異進化算法搜尋性能的通用框架；通過結合組合差異進化算法（CoDE）和另外一種著名的進化策略（CMAES），提出了一種新穎的集成異質進化算法；此外，提出了一種基於協方差矩陣學習和雙峰分布參數設定的差異進化算法。 2. 在約束最佳化方面：通過結合差異進化算法和多目標約束處理技術，提出了一種優秀的約束最佳化進化算法。通過提高進化搜尋框架的性能將動態容忍值轉變為靜態容忍值，從而消除動態容忍值對算法性能的負面影響，並提出了一種具有競爭力的約束最佳化進化算法。此外，通過存檔和替換機制引入目標函式的信息，有效地平衡了三條比較準則對約束條件的貪婪性，提出了一種簡單有效的約束最佳化進化算法。 3. 在多目標最佳化方面：RM-MEDA是近年來提出的一種基於規律模型的多目標分布估計算法，特別適合於求解具有變數連線特徵的多目標最佳化問題。為了提高RM-MEDA的性能並建立更精確的模型，提出了一種新穎的運算元（記為RRCO）用於刪除群體中的冗餘聚類。實驗結果表明，RRCO可以顯著改進RM-MEDA的整體性能。 4. 在非線性方程系統和多模態最佳化方面: 提出了一種全新的基於多目標最佳化的轉換技術用於求解非線性方程組。實驗結果表明，所提出的轉換技術優於其他一些流行的轉換技術。另外，將求解非線性方程組所提出的轉換技術進一步推廣，用於求解多模態最佳化問題，取得了非常好的求解效果。 5. 實際套用方面：將偏最小二乘（記為PLS）模型的係數信息引入到粒子群最佳化算法中（記為PSO），用於引導群體的進化，提出了加權採樣PSO-PLS（記為WS-PSO-PLS），並將其套用於QSAR/QSPR中的分子描述符選擇。 總的來說，本項目的成果顯著，能夠極大地促進進化算法的研究及其在實際工程最佳化中的套用。
