IEC算法及其在多目標優(yōu)化中的應(yīng)用
定 價:18 元
- 作者:趙立江
- 出版時間:2014/6/1
- ISBN:9787566809339
- 出 版 社:暨南大學(xué)出版社
- 中圖法分類:O242.23
- 頁碼:159
- 紙張:膠版紙
- 版次:1
- 開本:16K
《IEC算法及其在多目標優(yōu)化中的應(yīng)用》總結(jié)了在實際生活中IEC已經(jīng)應(yīng)用的15個領(lǐng)域:圖形圖像處理、語音處理和韻律控制、音樂設(shè)計、網(wǎng)頁設(shè)計、工業(yè)設(shè)計、人臉圖像、虛擬現(xiàn)實、數(shù)據(jù)檢索、知識獲取和數(shù)據(jù)挖掘、控制和機器人、Inter領(lǐng)域、食品工程、地球物理科學(xué)、藝術(shù)教育和寫作教育等并提出如何結(jié)合當前的人工智能等技術(shù),來解決IEC的進化效率問題和用戶的疲勞問題是項挑戰(zhàn)性的工作,具有重要的理論意義與應(yīng)用價值。
MOGA對種群中每一個個體的排序數(shù)是基于Pareto最優(yōu)的概念對當前群體中優(yōu)于該個體解的其他個體數(shù)目進行統(tǒng)計,并采用一種基于排序數(shù)的適應(yīng)度賦值方式。另外,該算法采用自適應(yīng)的小生境技術(shù)與受限雜交技術(shù)來提高種群多樣性,防止解群的過早收斂。
MOGA采用的是基于排序的適應(yīng)度賦值機制,排序方法是將群體中的每個成員與群體中支配該個體的所有其他個體的數(shù)目相關(guān)聯(lián)。Pareto前端上所有個體的排序級別確定為1級,其余成員則將優(yōu)于該個體的成員數(shù)目賦予為排序級別。MOGA的適應(yīng)度計算方法同時考慮群體成員的級別和群體的平均適應(yīng)度數(shù)值,其賦值過程是:先將群體進行個體級別排序,然后根據(jù)預(yù)先設(shè)定的函數(shù)對最高級別至最低級別的個體進行插值,最后讓具有相同級別的個體擁有平均的適應(yīng)度值。這種方法可以保證群體中相同級別的成員具有相等的分布頻率,以適當?shù)倪x擇壓力維持一個整體穩(wěn)定的群體適應(yīng)度。
另外,MOGA采用適應(yīng)度共享方式,稱之為擁擠操作算子和小生境操作算子,其中的重要參數(shù)是σshareо σshare是指小生境數(shù)目,必須小心設(shè)置,因為它對進化結(jié)果比較敏感。Fonseca和Fleming采用小生境方法是在表現(xiàn)型空間實施的,目的在于獲得Pareto前端均勻分布的解點。
MOGA還采用約束配對方法,Goldberg最早提出采用約束配對是為了避免位于某一局部區(qū)域內(nèi)成員的過度競爭。另外,決策者的目標和意圖也可以嵌入到適應(yīng)度函數(shù)中。由于決策者最終是從Pareto前端選擇一個子集作為最后優(yōu)化方案,因而預(yù)先確定Pareto前端的最感興趣區(qū)域?qū)鉀Q優(yōu)化問題很有價值。這種附加的偏好信息以問題領(lǐng)域信息形式出現(xiàn),作為局部搜索操作算子插入到MOGA的算法過程中。一般來說,決策者偏好的信息可以采用效用函數(shù)來實現(xiàn)。效用函數(shù)的另一個作用是可以輔助決策者從最終的Pareto前端解點選擇出自己認為滿意的最佳方案。
MOGA采用格雷編碼對染色體個體進行編碼,使用兩點置換交叉。在進化過程中所有找到的非劣解點存儲在一個檔案里。該檔案可以用來確定如何在下一代中使用σshare值,并與MOGA的運行過程一起迭代更新,即將非劣解點不斷地寫入到該檔案集合中,直至算法運行到滿足停止準則為止。
MOGA的主要不足在于如果小生境數(shù)目信息是基于目標函數(shù)的,那么兩個具有相同目標函數(shù)向量的不同個體無法在同一代種群中存在,這顯然是人們不希望看到的,因為這樣的兩個解方案有可能恰恰就是決策者想要得到的結(jié)果。這種方法的優(yōu)點是效率較高,而且易于實現(xiàn)。值得一提的是,F(xiàn)onseca和Fleming從理論上解決了小生境大小規(guī)模的計算確定問題,在實際應(yīng)用中意義和價值較大,本書后文將對此作進一步的深入介紹。
……