《面向大規模最佳化問題的分散式Memetic算法研究》是依託中山大學，由余維傑擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：面向大規模最佳化問題的分散式Memetic算法研究
- 項目類別：青年科學基金項目
- 項目負責人：余維傑
- 依託單位：中山大學
中文摘要,結題摘要,
中文摘要
傳統的集中式進化計算方法在處理大規模複雜最佳化問題時存在計算效率方面的瓶頸問題。本項目將分散式計算的強大並行計算能力與Memetic算法的全局和局部最佳化能力相結合，提出一種面向大規模最佳化問題的新型分散式Memetic算法。首先，基於對已有進化算法分散式模型的總結分析，並結合Memetic算法的搜尋特性，提出Memetic算法分散式並行實現的新模型。其次，在Memetic算法的分散式模型下構建多個並行子種群，通過多種群並行執行多種局部搜尋策略，同時在進化過程中交換最佳化信息並相應調整局部搜尋策略，實現多種群的協同進化；以及通過對算法最佳化狀態和執行環境的動態感知，實現多種群的自適應協作通訊機制，進一步提高分散式Memetic算法的並行最佳化效率。最終，基於Memetic算法的分散式模型和協作通訊策略的研究，實現面向大規模最佳化的高效分散式Memetic算法，並套用於大規模無線感測器網路部署問題。
結題摘要
本項目針對傳統集中式Memetic算法在處理大規模複雜最佳化問題時存在計算效率方面的瓶頸問題，將分散式計算的強大並行計算能力與Memetic算法的最佳化能力相結合，開展基於差分進化的分散式Memetic算法研究。首先，研究了Memetic算法的分散式並行模型。提出了基於差分“合併”、“分裂”的自適應分散式模型和基於空間位置信息的分散式模型，能夠滿足大規模最佳化問題對分散式種群資源高效利用的需求，更好地平衡分散式Memetic算法的全局搜尋能力和局部搜尋能力。代表性成果已發表在進化計算領域的國際頂級期刊IEEE Transactions on Cybernetics【中科院一區，影響因子：8.803】。其次，研究了分散式Memetic算法的多種群協作與通訊策略。提出了基於競爭的多種群協同進化策略和多樣性驅動的自適應通訊策略，為提高分散式Memetic算法效率提供了新型的協同進化模式，並能在協作效率和通訊開銷之間取得良好的平衡。代表性成果已發表在國際權威期刊Soft Computing【中科院三區，影響因子：2.367】和進化計算領域的國際頂級會議ACM GECCO、IEEE CEC。最後，將分散式Memetic算法在大規模最佳化、約束最佳化、不確定最佳化、多峰最佳化以及無線感測器網路部署等複雜實際問題上進行了套用和檢驗。分別提出了基於雙種群協同進化和基於多目標最佳化的分散式Memetic算法，驗證了所提出算法求解實際複雜最佳化問題的有效性和高效性。代表性成果已發表在國際權威期刊Information Science【中科院一區，影響因子：4.305】和Applied Soft Computing【中科院二區，影響因子：3.907】。基於以上研究，本項目共發表第一標註本項目基金號的國際學術期刊和學術會議論文10篇（項目負責人均為第一作者或通訊作者），其中SCI期刊論文5篇（中科院一區3篇、二區1篇、三區1篇，累計影響因子23.687），國際會議論文5篇（均被EI索引）；協助培養了碩士研究生4名（已畢業）和博士研究生3名（在讀）。總體上，本項目已取得預期成果，達到預期目標。
