進化算法行為分析及套用

《進化算法行為分析及套用》是依託中國科學技術大學，由陳歡歡擔任項目負責人的面上項目。

基本介紹

• 中文名：進化算法行為分析及套用
• 項目類別：面上項目
• 項目負責人：陳歡歡
• 依託單位：中國科學技術大學

中文摘要

進化計算是一類基於群體智慧型的元啟發式最佳化方法，由於其本身的隨機性，在不同問題上很難判定目前種群所處的狀態以及如何選擇合適的演化運算元。本課題提出對進化計算的種群進行機率建模，對這些機率模型構成的集合即模型空間進行量化分析。模型空間將演化行為轉化成空間的路徑，通過機器學習方法對路徑進行預測和分析，實現對演化行為的預測和調整。本課題以演化路徑的量化建模為切入點，以演化路徑預測與尋優為目標，圍繞三個科學問題，即進化算法中演化過程的模型空間表達、演化路徑的定量分析、和演化路徑的預測及調整，分別研究種群和運算元的機率性建模、基於模型的演化過程刻畫、演化行為的模型距離度量、演化過程的流形表達、基於後驗機率的演化路徑預測、和基於空間表達的演化運算元修正等一系列面向進化計算的路徑建模和模型空間學習的新理論和新方法。課題組在相關領域具有深厚的研究基礎，本課題的實施將為進化計算提供了一種新穎的研究思路和方法。

結題摘要

本項目在執行期間對進化算法行為分析及套用進行了深入的研究。從理論和實際上驗證了進化算法是一種成熟的具有高魯棒性和廣泛適用性的全局最佳化方法，能夠有效地處理傳統最佳化算法難以解決的複雜問題。本項目取得的重要進展和學術成果概述如下： （1）提出基於生成模型的模型空間學習框架：該框架基於因果關係的動態時序數據模型進行構建,並利用多維時序數據變數之間的互動關係學習來進行精簡的模型表示，具有更好的稀疏性和模型可解釋性。在此基礎上，研究並提出了三點主要內容：（1）模型表達和模型距離度量同時最佳化的多目標學習方法：通過採用多目標演化算法對模型學習的多個目標進行最佳化來融合每個目標的信息；（2）基於非線性動力學系統平滑的時序數據距離度量：使用模型狀態空間的表示代替原始數據進行序列比對，利用動態特徵來度量時序數據之間的距離；（3）基於詞典的詞向量模型空間修正：綜合考慮詞義的近義和反義來對詞向量模型的嵌入空間進行後期修正。 （2）提出基於半監督數據的模型學習：針對有標籤數據稀少的學習問題，提出基於稀疏貝葉斯的增量式學習方法：通過貝葉斯證據最大算法最佳化準則，疊代地融合對學習效果提升最重要的數據樣本，並利用無標籤數據的聚類結構，減少噪聲標籤的影響。在此基礎上，提出多個單一模型融合的負相關集成學習方法，同時在有標籤數據和無標籤數據上定義負相關目標，促進基學習器的誤差互補。（3）提出地下管網的模型構建：針對無線地下感測網路的節能問題，提出對無線地下感測網路中的中繼節點配置學習模型：在一個兩階框架中進行網路中繼節點的定位，採用額外的決策向量將原始約束轉化為線性約束問題。 項目共發表相關論文9篇，其中主要投稿包括IEEE Transactions on Knowledge and Data Engineering、IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics等IEEE核心期刊和會議。項目負責人陳歡歡榮獲教育部自然科學二等獎（排名第二）。