群智慧型算法的交叉學習機制研究及一致性建模

群智慧型算法的交叉學習機制研究及一致性建模

《群智慧型算法的交叉學習機制研究及一致性建模》是依託北京郵電大學,由趙新超擔任項目負責人的青年科學基金項目。

基本介紹

  • 中文名:群智慧型算法的交叉學習機制研究及一致性建模
  • 項目類別:青年科學基金項目
  • 項目負責人:趙新超
  • 依託單位:北京郵電大學
項目摘要,結題摘要,

項目摘要

本項目以不同的智慧型算法及最最佳化算法之間的交叉學習機制為研究核心,與其他研究者關注的側重點不同,本項目主要考慮如何促進算法的群體進化規律與個體學習經驗的結合,旨在提高算法求解問題的能力和促進智慧型算法理論的發展,(1)對粒子群算法的粒子更新施加多樣化的精英擾動或分散式的導引搜尋,在保持算法群體正確進化方向的同時適度增加了多樣性,同時分析最優粒子、群體重心和當前粒子的狀態如何決定粒子下一步的搜尋方向,討論其對粒子個體和算法群體影響的動力學演化規律;(2)對免疫算法採取主從式雙群體的拓撲結構,主群體是精英抗體,主要採取隨機擾動與確定方法相結合的局部尋優操作,從群體是基本種群,側重全局搜尋,採取超變異、多父體重組、疫苗注射、模擬粒子群精英擾動的免疫操作等,同時保持主從群體的學習共享機制;(3)建立面向學習機制和狀態的統一建模語言,定義智慧型算法模型的行為操作,分析算法模型的執行機理和群體智慧型性。

結題摘要

本項目組以項目申請書所列研究內容為研究主線,在對以粒子群最佳化、免疫最佳化算法和差分進化等為代表的群智慧型算法設計和相關套用研究上取得一系列研究成果。在項目研究進展過程中,項目組擴展了項目所列的一些研究內容和思想。現就取得的主要研究成果簡介如下。 針對粒子群、差分進化等群智慧型算法的多策略交叉學習機制研究,受啟發於多群體信息共享機制和擾動導引機制,本項目組提出多種群信息共享、多階段擾動機制、非均勻變異等多策略交叉進化學習的粒子群算法,多群體信息共享思想有效的通過多群體間的信息交流和共享提高群體的進化效率,驅動子群體的持續進化,多階段擾動意在一定程度上降低過學習的速度和力度,有效擴大搜尋區域和搜尋路徑的多樣化;針對粒子群算法線性學習策略保存信息的不足,創新性的將主成分分析的群體全局信息提取功能和線搜尋的局部勘探功能融合進粒子群算法的搜尋框架,主成分分析方法主要用來快速有效的挖掘有潛力的搜尋方向,線搜尋策略沿著這些方向施加精細搜尋; 本項目既開展針對群智慧型最佳化算法的多策略交叉學習機制的套用研究,又與傳統運籌學最佳化模型和方法相結合用於研究服務選擇、證券投資組合、網路編碼等問題,本項目組首次引進負選擇免疫算法(NSA)用以求解QoS感知的Web服務選擇問題(QWSS),首先定義相應於QWSS問題的NSA算法運算和適應於NSA算法的QWSS的數學模型,最終構建NSA算法,針對QWSS問題求解過程中調整子任務待選服務的局部勘探和全局組合方案最佳化方向之間的不一致性給出近似分析;又提出基於粒子群學習機制的克隆選擇算法和增強的離散粒子群求解算法求解Web服務選擇問題,同時提出局部適應值優先、精英擾動導引和全局選擇調控等啟發式策略,這些策略在搜尋QoS感知的最優服務組合方案的過程中協調作用,較好兼顧群智慧型群體搜尋的多樣性和局部搜尋;項目組提出一個多周期情況下的項目組合選擇新模型,該模型考慮了項目的可打斷性,並且同時考慮了投資、生產準備成本、指標約束和緊前約束,最後給出一個與模型等價的混合整數線性規劃模型; 針對群智慧型算法的一致性建模問題,本項目組將群智慧型算法統一建模為矩陣,群體對象數據表示為矩陣,通常的變異、交叉等新解生成策略統一用矩陣語言建模,已經將線性代數中最簡單的三種初等矩陣建模為新解生成操作,從而提出一種初步的群智慧型最佳化算法統一框架。

相關詞條

熱門詞條

聯絡我們