适应性演化算法的研究与应用

《适应性演化算法的研究与应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、万方数据插图索弓插图索引1．1演化算法中参数设置的分类．．．．．．．．．．．．．．．．．．．．．．32．1适应性参数选择的基本框架．．．．．．．．．．．．．．．．．．．．．．132．2基于适应性参数选择的适应度级别算法基本框架．．．．．．．．．．142．3适应度级别描述．．．．．．．．．．．．．．．．．．．．．．．．．．．．．173．1CSPs切割棍子方式．．．．．．．．．．．．．．．．．．．．．．．．．．．254．1交叉算子在贝叶斯网络结构学习中的应用举例．．．．．．．．．．．．424．2变异算子在贝叶斯网络结构

2、学习中的应用举例．．．．．．．．．．．．43IX万方数据算法索弓算法索引2．1演化算法的一般流程．．．．．．．．．．．．．．．．．．．．．．．．．．．112．2适应性参数选择算法．．．．．．．．．．．．．．．．．．．．．．．．．．．122．3基于适应性参数选择的适应度级别算法的一般步骤．．．．．．．．．．182．4FLAOS的选择过程．．．一．．．．．．．．．．．．．．．．．．．．．．．193．1FLAOS在关于连续性CSPs问题上的具体描述．．．．．．．．．．．．284．1FLAOS在关于贝叶斯网络结构学习问题上

3、的具体描述．．．．．．．．45XI万方数据第一章绪论1．1课题背景与意义第一章绪论帚一早殖比演化算法中如何有效的设置参数是一个热点问题，算法中参数的会对算法的性能产生非常大的影响，参数的取值会影响演化算法寻求最优结果的性能【1]。用演化算法来求解困难的组合优化问题往往能取得令人满意的结果。但是，一个演化算法要想很快的求出最优解，就必须选择好相应的算法算子及其参数【2】。演化算法在运行的过程中存在很多参数，比如，种群大小、变异算子、变异概率等，这些参数的设置会浪费很多的时间和精力，但是这些参数往往会对算法的性能产生至

4、关重要的影响[3】。一般情况下，算法算子及其参数是由算法设计者根据实际问题或者其经验设置的。但是设置合适的算子和参数值是非常费时间的一件事情，并且往往会事倍功半。一个最优的算子和参数值对不同的问题实例其有效性也会不同。因此，调整演化算法的参数一直是一个比较热门的问题。根据参数在算法运行过程中是否改变，可以将调控算法参数的方法分为两类，即参数调整(parametertunning)和参数控制(parametercontr01)[1]。在参数调整方法中，算法的参数是预定义好的，并且在算法运行过程中不会发生改变。相反的，

5、参数控制中的算法参数是会根据算法的运行状态和搜索历史而做相应的改变。参数调整有一些比较典型的方法，比如F．race．I／F．race，CALIBRA，FoucusedlLS，REVEA，SPO[4-10]等等。参数调整是一种典型的算法设计方法。所谓调整主要是根据一些实验来手动的选择效果最好的那个算子。但是，这里面存在一个问题，就是算子的可能的取值和组合的数目是非常多的，从而导致手动设置参数这么一个过程是非常耗时间的行为。Eiben[11】总结了参数调整方法的三个主要缺点：(1)参数之间不是相互独立的，如果尝试所有的

6、可能的参数组合是非常浪费时间并且基本上是不可能的；(2)参数调整方法的整个过程是非常耗时的，即使参数被一个一个的优化，并且不考虑他们相互之间的联系和作用；(3)对于不相同的问题实例，现有选择的参数设置可能不是最优的，即使我们为了得到这些参数设置花费了大量的精力和代价。我们可以想象一些更加让我们对参数调整方法感到失望的场景，当我们费劲心思调整出一个合适的参数配置的时候，它仅仅是对一个小范围内的问题实例有效。在演化算法的整个过程中，只有相对小的一些代价被付出用来寻找合适的参数值，而这些参数值可能对很多问题实例都有效。一

7、个早期的例子我们现在称之为包含5个函数的DeJong测试包，就是用来确定推荐给单点交叉和位变异一些合适的概率的值的一个方法。关于这些简单的尝试，遗传算法表现出了比较稳定的性能，尤其是当我们处理的是一大堆问题实例的时候。目前有1万方数据第一章绪论关演化算法方面，我们必须要求演化算法的配置需要满足一些特殊实例的要求，就是在一些特殊实例上我们也能取得较好的效果。因此，所谓最优的参数配置的适用范围其实是比较狭隘的。为了更好的阐述参数调整方法的其他缺陷，我们可以从新审视这种方法的定义。参数调整是在算法运行前为参数寻找合适的值

8、，并且在算法运行的过程中一直使用这些在运行过程中保持不变的参数值。但是，演化算法的运行过程是一种动态的适应性的过程。我们使用固定的参数并且不改变其值是违反这种动态算法的本质精神的。并且，从直觉上来讲，不同参数的值在演化过程中的不同时刻都有可能成为那一时刻的参数的最优解。这里可以举出一个例子，对于演化算法中的变异操作，较大的变异步长在算法的早期是比较有效地，有