分布估計算法及其應用研究.pdf

1、在當代科學技術的各個領域都存在各種各樣的優(yōu)化問題，形成的數(shù)學模型也各不相同。近年來，進化計算在解決復雜優(yōu)化問題方面取得了很大的成就。但是在如何根據(jù)具體的問題設計有效的進化算法以提高計算速度及解決約束優(yōu)化問題等方面還有許多工作需要去做。遺傳算法中的積木塊假設使遺傳算法具備了搜索到全局最優(yōu)解的能力，但遺傳操作算子在解決一些問題時卻會破壞積木塊，使它們無法有效重組，因此無法生成全局最優(yōu)解。研究如何保護在搜索過程中獲得的優(yōu)良模式(即積木塊)不受

2、遺傳算子的破壞，并對它們有效重組，成為近年來進化與遺傳算法研究領域關注的一個重要課題。這導致了一類新的進化算法的出現(xiàn)，即分布估計算法。本文對分布估計算法進行了研究，論文的主要工作和創(chuàng)新之處有： (1)提出了兩種新的用于連續(xù)函數(shù)優(yōu)化的分布估計算法，它們都是利用高斯混合模型(GMM)對解空間中的優(yōu)良解所在區(qū)域進行建模，分別采用“Boosting”技術和貪心的EM算法對GMM進行學習，實現(xiàn)了模型結構和模型參數(shù)的自動學習，消除了此前ED

3、As對模型結構先驗知識的依賴。 (2)提出了一種基于高斯概率分布估計和一種基于邊緣分布估計的多目標優(yōu)化算法，它們分別在每一進化代中通過估計較優(yōu)個體的高斯概率分布和邊緣概率分布來引導各自對Pareto最優(yōu)解的搜索。通過與Pareto排序、基于擁擠機制的多樣性保持等技術的有機結合，使得這兩種算法在具有良好收斂性能的同時，具有很好的維持群體多樣性的能力。由于算法采用了概率模型比較簡單，在進化的過程中估計概率分布時不用學習變量間復雜的結