《進化融合學習自適應的隨機最佳化方法研究》是依託同濟大學，由康琦擔任項目負責人的面上項目。
基本介紹
- 中文名：進化融合學習自適應的隨機最佳化方法研究
- 項目類別：面上項目
- 項目負責人：康琦
- 依託單位：同濟大學
中文摘要,結題摘要,
中文摘要
現代工程與管理最佳化問題的高維化、環境多變及多樣性特徵，對最佳化方法的通用性與自適應學習能力提出了挑戰。為此，本項目將利用統計學習原理，研究提出一種通用的多方法融合型自適應隨機最佳化方法。項目擬就方法框架、自適應策略和算法分析評價三個方面展開：首先，基於隨機最佳化算法基本流程，構建多方法並行融合與多決策階段融合的自適應進化融合框架，發揮全局學習能力，降低方法選擇依賴性；然後，研究快速跟蹤環境變化、有效保持多樣性、減少信息冗餘的進化融合自適應策略；研究流形學習的非線性映射有效嵌入疊代最佳化的模式，並設計基於降維重構的高效局部搜尋模型；最後，建立標準化評價系統和仿真測試平台，統計現行新解生成算法與問題的適用關係，給出一種具體實現算法，並進行系統性的理論分析、仿真測評與工程套用驗證。通過本項目的深入研究，將為隨機最佳化理論與方法的發展，以及大規模動態最佳化問題的研究提供技術支撐與理論保障。
結題摘要
本項目針對複雜動態環境最佳化問題，圍繞融合學習與自適應進化兩個關鍵科學問題，系統深入研究自適應學習最佳化模型與算法。（1）運用聚類方法自適應劃分子群，提出了一種用於多峰最佳化的群體聚類學習進化框架CLEAs；針對噪聲環境，引入學習自動機自適應分配計算資源，提高算法效率；並通過引入改進對立學習策略增加群體多樣性，提出了噪聲最佳化的對立學習框架OBLEAs。（2）結合AdaBoost原理，研究提出基於降噪的不平衡數據融合學習框架X-KF；採用多目標遺傳規劃MOGP進行多分類融合學習構造；通過數據匹配權重和疊代最佳化，實現了一種基於動態權重的無監督融合學習框架。（3）面向動態目標探測，提出了漂移多尺度檢測測試新框架MDDT，快速跟蹤環境變化；研究提出壓縮感知自適應重構和降維算法，提出了快速的減少冗餘的子空間分布匹配遷移框架ESDM。（4）系統分析了群體及網路模型的動態行為，研究設計新型自適應進化策略，提出一系列高效的智慧型最佳化算法MWO、TBOA、BBPSO+、PSO-GA+、FTBA、Backtracking BBO等；針對多目標最佳化問題，提出了一種模組化組合進化框架HMOEAs和權重融合多目標進化框架WAMOEAs，提出了一系列自適應多目標進化算法HMOEA/D、MOEA/D-CRA、MOBBO、UMOPSO-D等，成功套用於能源管理、管網最佳化及工業控制等複雜工程最佳化問題。（5）採用模糊理論和極限學習機，提出了一種進化算法性能評價新方法；面向智慧型最佳化與機器學習研究領域，自主開發了一個基於Web的集圖形化、模組化編程和線上編程功能的計算平台AIThink。 項目組通過四年的系統化研究工作，取得的研究成果包括：發表相關學術論文36篇（其中SCI/EI收錄33篇，IEEE Transactions論文 6篇），出版學術專著1本，申請發明專利6項。項目組成員晉升教授2名，晉升副教授2名，博士後出站1名；培養研究生10名，其中畢業博士生2名，碩士生8名。國際交流廣泛，有29人次參加國際學術會議，作學術報告7人次。達到了項目的預期目標，詳見研究成果目錄。另外，在本項目研究基礎上，項目組申請獲批國家自然科學基金3項。
