《面向高維數值最佳化問題的深度協同代理-進化方法研究》是依託西安交通大學，由任志剛擔任項目負責人的面上項目。
基本介紹
- 中文名：面向高維數值最佳化問題的深度協同代理-進化方法研究
- 項目類別：面上項目
- 項目負責人：任志剛
- 依託單位：西安交通大學
中文摘要,結題摘要,
中文摘要
本項目根據當今大數據時代對高維數值最佳化問題高效求解算法的迫切需求，針對現有協同進化算法在問題分解方面存在的適應面窄、解樣本需求量大、抗噪聲能力弱等問題，研究提出面向一般可分問題的變數關聯度指標，進而設計實現具有較小解樣本需求量的魯棒分解策略，大幅提高分解效率。針對現有的子問題解質量評價方法完全依賴於原問題的仿真模型，評價效率非常低這一問題，研究提出基於代理模型的子問題解質量評價方法，克服現有方法面臨的仿真計算瓶頸，最終形成一種協同代理-進化方法。本項目的實施將有效增強協同進化方法的理論基礎和最佳化性能，可望為高維數值最佳化問題提供一套切實可行的解決方案。
結題摘要
本項目根據工程實踐中常見的高維數值最佳化問題對高效求解算法的迫切需求，針對現有協同進化方法的共性不足，通過綜合運用機器學習領域先進的數據分析和代理模型技術，重點研究突破其中的高維問題分解、子問題解質量評價等關鍵問題，取得了預期成果。在問題分解方面，首先研究提出了一種規格化的、面向向量的關聯度指標，該指標適應面廣、抗噪聲能力強，並且能夠根據自身分布信息自適應地生成指標閾值，顯著提高了分解精度；進一步通過將核心分解過程轉化為在二叉樹上的搜尋過程，研究提出了一種快速差分分解算法，顯著降低了解樣本需求量。針對分解後的子問題解質量評價過程嚴重依賴於原問題的仿真模型，從而導致計算資源消耗過大這一問題，研究提出了三種基於代理模型的子問題解質量評價方法，藉助代理模型實現對子問題解質量的近似高效評價，顯著降低了仿真評價次數。此外，針對現有協同進化方法採用的粗放式計算資源分配策略，通過理論推導，研究提出了一種系統且精細化的計算資源分配方法，大幅提高了計算資源利用率；在子問題最佳化器設計方面，以高斯分布估計算法為研究對象，針對其存在的早熟收斂和對群體規模依賴度高等問題，研究提出了兩種改進型分布估計算法，從而為子問題的求解提供了有效工具。最後，通過將所提的分解方法、子問題解質量評價方法、計算資源分配方法以及子問題最佳化器嵌入到協同進化框架中，形成了若干新型的協同進化算法，通過理論分析和實驗測試驗證了其有效性和先進性。在一年的項目執行期間，項目組發表論文7篇，其中，SCI論文6篇（中科院一區2篇，二區1篇），國際學術會議論文1篇（EI檢索），超額完成了預期成果。
