分布估計(jì)算法及其應(yīng)用研究.pdf

1、在當(dāng)代科學(xué)技術(shù)的各個(gè)領(lǐng)域都存在各種各樣的優(yōu)化問題，形成的數(shù)學(xué)模型也各不相同。近年來，進(jìn)化計(jì)算在解決復(fù)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(shè)計(jì)有效的進(jìn)化算法以提高計(jì)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(shè)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(shí)卻會(huì)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(hù)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(duì)它們有效重組，成為近年來進(jìn)化與遺傳算法研究領(lǐng)域關(guān)注的一個(gè)重要課題。這導(dǎo)致了一類新的進(jìn)化算法的出現(xiàn)，即分布估計(jì)算法。本文對(duì)分布估計(jì)算法進(jìn)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(jì)算法，它們都是利用高斯混合模型(GMM)對(duì)解空間中的優(yōu)良解所在區(qū)域進(jìn)行建模，分別采用“Boosting”技術(shù)和貪心的EM算法對(duì)GMM進(jìn)行學(xué)習(xí)，實(shí)現(xiàn)了模型結(jié)構(gòu)和模型參數(shù)的自動(dòng)學(xué)習(xí)，消除了此前ED

3、As對(duì)模型結(jié)構(gòu)先驗(yàn)知識(shí)的依賴。 (2)提出了一種基于高斯概率分布估計(jì)和一種基于邊緣分布估計(jì)的多目標(biāo)優(yōu)化算法，它們分別在每一進(jìn)化代中通過估計(jì)較優(yōu)個(gè)體的高斯概率分布和邊緣概率分布來引導(dǎo)各自對(duì)Pareto最優(yōu)解的搜索。通過與Pareto排序、基于擁擠機(jī)制的多樣性保持等技術(shù)的有機(jī)結(jié)合，使得這兩種算法在具有良好收斂性能的同時(shí)，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(jiǎn)單，在進(jìn)化的過程中估計(jì)概率分布時(shí)不用學(xué)習(xí)變量間復(fù)雜的結(jié)