協(xié)同進化遺傳算法及其在優(yōu)化中的應(yīng)用

1、1438控 制 與 決 策.第19卷控制與決策Control and Decision第19卷第12期Vol. 19 No. 12文章細(xì)號:1001-0920(2004)12-1437-04變種群規(guī)模合作型協(xié)同進化遺傳算法及其在優(yōu)化中的應(yīng)用孫曉燕，鞏敦衛(wèi)種群規(guī)典型函（中國礦業(yè)大學(xué)信息與電氣工程學(xué)院.江強摘要：分析合作型協(xié)同進化遺傳算法的進化效寧和計算復(fù)雜性等與子 模自適應(yīng)調(diào)整算法毎思想給出子種群規(guī)模調(diào)整的依據(jù)和調(diào)養(yǎng)方法；進幣 數(shù)優(yōu)化實例臉證了該算法具有計算復(fù)雜性小和進牝玻串高的優(yōu)點.關(guān)竇詞，合作型協(xié)同進化遺傳算法；交種群規(guī)模8交焦中圖分類號：TP18文猷標(biāo)識碼：AVarying populat

2、ion size cooperative coevolutionary genetic algorithm and its application in optimizationSUN Xiao-yan« GONG Dun-wei(College of Informarion and Electrical Engineerings China University of Mining and Technology Xuzhou 221008»China. Correspondent: SUN Xiao-yan* E-mail: xiaoyansxy-78)Abstract:

3、 Methodology of subpopulation size change adaptively is presented based on the analysis of the relation among population size, evolutionary efficiency and computational complexity of cooperative coevolutionary genetic algorithm The criterion and method of subpopulation size change adaptively are giv

4、en A real zooming genetic algorithm is put forth. The algorithm is validated by benchmark function optimizationKey words> coopera:ive coevolution； genetic algorithm； varying population zooming1438控 制 與 決 策.第19卷1438控 制 與 決 策.第19卷收稿日期：2004-02-021修回日期 2004-04-07. 基金項目：國家自然科學(xué)基金資助項目（60304016）.作者簡介：孫曉燕

5、（1978-）.女，江蘇豐縣人，碩士生，從專進化計算的研究；鞏敦衛(wèi)（197O-）,男，江蘇銅山人，副 教授博士，從事進化計算、智能控制等研究.1引 言合作型協(xié)同進化遺傳算法是解決離維多目標(biāo)等 復(fù)雜結(jié)構(gòu)問題的高性能多種群進化算法其基本思 想是:首先將待優(yōu)化復(fù)雜系統(tǒng)變量分組轉(zhuǎn)換為多 個少變童系統(tǒng)優(yōu)化問題;然后對多個少變量系統(tǒng)分 別編碼，形成多個獨立的子種群，各子種群獨立進 化因為單個子種群的個體僅代表復(fù)雜系統(tǒng)的一個 部分，故個體進行適應(yīng)度評估時必須用到其他子種 群的個體信息，稱為代表個體.即待優(yōu)化系統(tǒng)的完整 解集由每個子種群中的代表個體組成，各子種群只 有相互合作才能完成優(yōu)化任務(wù).通常選擇當(dāng)前代種

6、 群最優(yōu)個體為代表個體.目前，對合作型協(xié)同進化遺傳算法的研究主要 在于應(yīng)用方面叭但該算法計算復(fù)雜性較高如何 亠“亠其得以進一步廣泛應(yīng)用，是需要 深入研究的課題為此，本文研究如何提高合作型協(xié) 同進化遺傳算法的搜索效率和滅小計算復(fù)雜性問 題首先分析合作型協(xié)同進化遺傳算法的進化效率 和計算復(fù)雜性等與子種群規(guī)模的關(guān)系；在此基礎(chǔ)上 提岀子種群規(guī)模自適應(yīng)調(diào)整算法的思想，給出子種 群規(guī)模調(diào)整的依據(jù)和調(diào)整方法，并提出基于實數(shù)編 碼的變焦遺傳算法.函數(shù)優(yōu)化實例驗證了該算法的 有效性.2合作型協(xié)同進化遺傳算法性能分析假設(shè)K個規(guī)模為"G = 1,2,K)的子種群 合作，合作者的規(guī)模為N,即合作團體中個體數(shù)

7、目； 在每個生物進化周期內(nèi)，各子種群采用合適的遺傳 操作算子獨立進化7；代.則在一個生物進化周期 內(nèi)，協(xié)同進化算法適應(yīng)度評估次數(shù)為KNum =T： N<.(1)顯然,K和®是影響算法適應(yīng)度評估次數(shù)的重 要因素，本文重點研究子種群規(guī)模即"對算法的影 響.若種群規(guī)模過小，則算法的搜索效率降低；若種 群規(guī)模過大，則算法的計算址難以承受.為提高算法 的整體性能，在整個進化過程中，應(yīng)動態(tài)地刪除劣子 種群和劣個體，即動態(tài)修改子種群的規(guī)模.3子種群規(guī)模的自適應(yīng)調(diào)整3.1 子種群規(guī)模自適應(yīng)調(diào)整依據(jù)1) 子種群的進化能力定義子種群的進化能力為E；=(加)一加 一 r)/r.(2)其中/

8、")和 M 分別為f和tr時刻第"個 種群中最優(yōu)個體的適應(yīng)度若£I(O> 0且呈增長趨 勢，則說明該種祥進化能力較強，為一生長種群，應(yīng) 擴大種群規(guī)模，增強搜索效率;若E；(C長期保持不 變，則表明種群進化能力較弱，為一成熟種群，應(yīng)適 當(dāng)縮小種群規(guī)模，以減小計算開銷.2) 種群規(guī)模種群的規(guī)模在很大程度上決定于搜索空間的 測度.考慮如下優(yōu)化問題：min /(工1，工2，"，工“),Xi G a“以,i = 1,2,，”.定義第i個變議的搜索測度為么=6, 4,假設(shè)第i 維變量搜索粒度為1/M，則種群規(guī)模與搜索測度的 關(guān)系為N = fN,d,.(3)其中

9、：N,取值可以相同也可以不同，表示向下取 整.3) 種祥個體信用度個體信用度指該個體對其他子種群中合作伙 伴的貢獻，通過其他種群個體的適應(yīng)度體現(xiàn).定義第 k個子種群中第；個個體的信用度為C；(i) = £ £/(K - 1).(4)其中:K為子種群總個數(shù)J為與個體丿合作的其他 子種群，尤為j個體所參與的第：子種群個體評估而 得到的最優(yōu)個體適應(yīng)度值.若C：(c較大，則說明個 體性能較好，予以保留；否則刪除.若代表個體性能 很差,則說明子種群整依性能下降很難對整個算法 的進化做出貢獻，這時應(yīng)考慮該子種群規(guī)模的縮放 和新個體的生成.3.2 種善3.2.1 箋每個馬的變焦遺傳算法.

10、所進行劃分,逐步縮，解.關(guān)于二進制編不亠心一實數(shù)編 碼變焦遺傳算法是將個體字符串中每個字符通過與 其所在空間范圏的中值進行比較，從而確定其對應(yīng) 解位于所在范圍的左半部還是右半部.為表示簡單 起見,假設(shè)第1個子種群中第，個變量當(dāng)前代最優(yōu)值 位于右半部分，則重新確定其搜索空間，第1次劃分 解空間后的編碼范國為(a + 5)/2仏顯然，第1次空間劃分便可將整個解空間劃分為22"表 示第1個子種群中待優(yōu)化變蚩個數(shù)然后，子種群在 新的范圍內(nèi)重新生成.通過這種方法，可以對解空間 不斷進行劃分，逐步縮小搜索空同，使得遺傳算法盡 快收斂至最優(yōu)解.不失一般性僅考慮第1個子種群設(shè)時刻第1個子種群為X4其

11、個體編碼方式為其中:"為第1個子種群規(guī)模山為第1個子種群中 待優(yōu)化變量個數(shù).種群xa)中最優(yōu)個體適應(yīng)度記為 f 對應(yīng) 個體記為x只進行一次迭代的比較結(jié)果不足以說 明該種群最優(yōu)個體所在的空間范圍.為保證個體解 空間劃分的有效性，應(yīng)進行多次迭代本文綜合考慮 種群進化能力即考察尸(八尸"一1嚴(yán)，尸0 。共代最優(yōu)個體，記為X-定義與x同維比較矩陣力為a+%”2 + )/2-3 +處/2 +)/21 , (6) 3+K)/2 (必 + % )/2.1440控與 決 策第19卷第12期補曉燕等：變種群規(guī)模合作型協(xié)同進化遺傳算法及其在優(yōu)牝中的應(yīng)用1439其中：4和體分別為第/次變焦時變量

12、可的上下限' P = 1,2,記 B = X9 71,定義r（Poj = yNum.,t =（7）、Ne, = r Poj 1,2,” i.苴中；如果B（j ,力> G,則Num, = 1；否則,Num（ 0.變焦后第j個變址的范圍為（a； + E）/2,6；,Fo>N切Land, = - a；,（a； + 妨）/2,Po, < Ne” （8） 5，妨，“ =g根據(jù)上節(jié)種群搜索空間與種群規(guī)模的關(guān)系，變 焦后種群搜索空間減小為原來的1/2"*1/2,則種 群規(guī)模相應(yīng)縮小為原來的1/2->】/2.3. 2. 2變焦實施的時機及新種群生成由式（2）設(shè)定閾值以

13、若則不進行變 焦，該子種群繼續(xù)進化；否則按式（8）進行變焦并 根據(jù)變焦后的范圍自適應(yīng)改變子種群規(guī)模，重新生 成子種群.設(shè)變焦后第1個子種群變最巧的范圍為力, 仍，由式（3）,新種群戲模為M =時心一）.結(jié)合子種群個體信用'度對種群規(guī)模的影響，考慮同 一范圍內(nèi)最優(yōu)個體的信用度，給出新種群生成方法. 設(shè)定信用度閾值r，若則保留最優(yōu)個體, 刪掉一定比例的最差個體，其余個體匝新隨機均勻 生成;否則，所有個體在新的范團內(nèi)重新隨機均勻生 成.因為閾值的設(shè)定具有一定的主觀性，為保證重新 生成子種群的多樣性應(yīng)對其進行驗證即利用原代表個體驗i)一"-1)1 <i旨相對應(yīng)的另外一 2更可保

14、證子種群的£或人為因素的影響.4實例：為驗證本文算法的可行性與有效性，將該算法 應(yīng)用于典型數(shù)值函數(shù)最小化問題，具體待優(yōu)化函數(shù) 特性見表1,各待優(yōu)化函數(shù)最小值均為0.算法中所 需相關(guān)參數(shù)值見表2.除數(shù)定義優(yōu)化變誼范0及參數(shù)取值/l(x) =- (一 “ijxf) - exp仔立cx(g) + “ +e x, 30.30* = 30,6 = 20,“ 0. 2心 *= 2<】+宮備卜（詡Hi 一 600.600* =10AU)= 418.982 %+ X-r<sin< 4T)Xi6 一 500,500,n 10/<<x) 3m + 3cos(2«.

15、)Xi一 5.12,5.12,h=20AU)=M 100(# xp2 + (1 xf)2Hi 2 048.2.048表2相關(guān)參數(shù)取值人flZiA/s交叉概率0.950. 880. 920. 890.9變異桂舉0. 020. 010. 010.0150. 01種群個數(shù)62241停滯闔值60.10.20.20.30.3倍用度網(wǎng)值70.30. 750. 750.451搜索粒度1/Nj2010125050多樣性Mffic0.50.50.50.50.5«1待優(yōu)化函數(shù)待性描述將本文算法（VSCCGA）與傳統(tǒng)遺傳算法 （SGA）及一般合作型協(xié)同進化算法（GCCGA）在算 法優(yōu)化解的質(zhì)最（即算法終止

16、時找到的最優(yōu)解所對 應(yīng)的函數(shù)值和計算復(fù)雜性（即函數(shù)評價次數(shù)）等方 面進行比較.SGA和GCCGA的交叉、變異概率與表 1中取值相同.GCCGA子種群個數(shù)與表1所給個數(shù) 相同為消除一次運行結(jié)果中的隨機影響，本文對所優(yōu)化解的質(zhì)Afi AA/sSGA13.135. 070 17.520 440.098 25.52E-01GCCGA9 821 31.810 22.921 56. 400 83. 85E-03VSCCGA0. 502 90. 321 30. 4250. 203 22. 20E-04衰4函數(shù)評價次數(shù)/iAASGA9. 352E + 066. 92E + 075. 37E + 07GCCGA

17、5. 352E + 064.92E + O74. 37E + 07VSCCGA3.17E + 057. 23E + 058.12E + 05有算法均運行20次，取平均結(jié)果，見表3和表4.由表3知，本文算法在解的質(zhì)量方面優(yōu)于簡單 遺傳算法和一般合作型協(xié)同進化遺傳算法.由表4 知，本文算法的計算復(fù)雜性大大滅小，這說明了本文 算法在提高解的效率和滅小計算復(fù)雜性方面的有效 性.對評價次數(shù)進行比較時，以各算法收斂到表3最 優(yōu)解為終止條件.由仿真過程知，搜索粒度不可取過小值，否則 不能保證種群的多樣性；當(dāng)然也不可取過大值，否則 種群規(guī)模過于龐大,會導(dǎo)致搜索速度過慢，尤其對于 傳統(tǒng)的遺傳算法和合作型協(xié)冋進化

18、算法基本不可 行為防止區(qū)域變化后導(dǎo)致種群規(guī)模趨于0,保證合 作的可實施性，需設(shè)定最小生存規(guī)模，本文設(shè)為10. 仿真過程中發(fā)現(xiàn)，在很短的時間內(nèi)種群規(guī)模就達(dá)到 垠小設(shè)定值，搜索速度大大加快.種群進化停滯閾值 5取值不可過大，否則會破壞種群多樣性，造成優(yōu)勢 個體的流失種群保留比例也不可取值太大，否則不 能有效增加種群多樣性及改善早熟現(xiàn)象；也不可太 小,否則會造成較優(yōu)個體的丟失，仿真表明，其取值 在40%80%之間效果較好.5結(jié) 語本文首先分析了合作型協(xié)同進化遺傳算法進化 效率和計算復(fù)雜性等與子種群規(guī)模的關(guān)系，在此基 礎(chǔ)上提出子種群規(guī)模自適應(yīng)縮放的算法思想，給出 了子種群規(guī)?？s放的若干標(biāo)準(zhǔn)，提出一種新

19、的縮放 方法基于實數(shù)編碼的變焦遺傳方法.文中介紹 了實數(shù)編碼變焦遺傳算法、變焦實施的時機、新種群 生成方法以及算法實施步驟.最后通過典型函數(shù)優(yōu) 化實例監(jiān)ML.J十人公 vn殲復(fù)雜性和 較高的進化效率需要進一步研究的問題包括：1)用 于同時尋求復(fù)雜函數(shù)優(yōu)化問題的多個最優(yōu)解的搜索 區(qū)域動態(tài)變化，種群規(guī)模自適應(yīng)調(diào)整的合作型協(xié)同 進化遺傳算法及其性能分析;2)如何有效地減少相 關(guān)參數(shù)對算法性能的影響.參考文獻(References ):ljMitchell A Potter K A De Jong. Cooperative coevolution： An architecture :or evolvi

20、ng coadapted subcomponents J. IEEE Tram on Evolutionary Computation» 2000*8(1):1-29.2 Mitchcll A Potter The design and analysis of computa tional model of cooperative coevolutionD Virginia： Geroge Mason University .1997.3 N Garcia-Pedrajas$ C Hervas-Martinez, J Mumoz- Perez. Multi-objective coo

21、perative coevolution of artificial neural networks J. Neural Networks 2002： 1259- 1278.4 李智勇童調(diào)生基于多種群進化小生境遺傳算法的神經(jīng) 網(wǎng)絡(luò)進化設(shè)計方法研究J控制與決策200318(5人 607-610(Li Z Y» Tong T S Research on ANN evolutionary design method based on populations evolution niche genetic algorithm J. Control and Desison »2003

22、t 18(5): 607-610.)5 劉守生于盛林，丁勇，尋一種變焦遺傳算法J控制與 決策.2002,17(1):731-734.(Liu S S» Yu S L» Ding Y et al. Zooming genetic algo rithmJ.Control and Decwon.2002* 17(1)1731-734.)1440控與 決 策第19卷變種群規(guī)模合作型協(xié)同進化遺傳算法及其在優(yōu)化中的應(yīng)用戸方藪掘作者：孫曉燕，鞏敦衛(wèi)作者單位：中國礦業(yè)大學(xué)信息與電氣工程學(xué)院江蘇,徐州,221008刊名：控制與決策|i'. : |F|FT|英文刊名：CONTROL A

23、ND DECISION年，卷(勒：2004 19(12)被引用次數(shù)：5次參考文獻(2條)1. 李智勇.童調(diào)生基于多種群進化小生境遺傳算法的神經(jīng)網(wǎng)絡(luò)進化設(shè)計方法研究期刊論文-控制與決策2003(05)2. 劉守生.于盛林.丁勇一種變焦遺傳算法2002(01)相似文獻(9條)1. 期刊論文 程俊.顧幸生.CHENG JunGU Xing-sheng災(zāi)變合作型協(xié)同進化遺傳算法及其在Job Shop調(diào)度中的應(yīng)用-華東理工大學(xué)學(xué)報(自然科學(xué)版)2007,33(5)合作型協(xié)同進化遺傳算法是多個子種群通過協(xié)作而共同進化的新型算法應(yīng)用于多目標(biāo)、大規(guī)模的優(yōu)化問題本文在合作型協(xié)同進化遺傳算法的基 礎(chǔ)上進一步模擬自

24、然界中的災(zāi)變現(xiàn)象在原先的算法中加入災(zāi)變算子提出災(zāi)變合作型協(xié)同進化遺傳算法以防止出現(xiàn)不成熟收斂現(xiàn)象并用經(jīng)典的函數(shù)優(yōu) 化問題和Job Sho車間調(diào)度問題進行仿真實驗其結(jié)果驗證了改進算法的優(yōu)良性能.2. 學(xué)位論文程俊災(zāi)變合作型協(xié)同進化遺傳算法及其應(yīng)用2006本文研究的合作型協(xié)同進化算法可以把規(guī)模很大且復(fù)雜的優(yōu)化問題分解成許多規(guī)模較小且簡單的子問題，各子問題分別進行優(yōu)化，再從整體上加以 協(xié)調(diào)。這樣的一種機制，減少了問題的搜索空間，具有優(yōu)化解質(zhì)量的進化能力。不足之處是子種群中“超級個體這個個體的適應(yīng)度比其他的個體好 的多)的出現(xiàn)，將使子種群內(nèi)個體趨于同化，喪失了多樣性，這樣就十分容易出現(xiàn)不成熟收斂，使得

25、進化的收斂速度較慢。在分析和研究合作型協(xié)同進化算法的基礎(chǔ)上，提出一種災(zāi)變合作型協(xié)同進化遺傳算法 (CooperativeCoevolutionaryGeneticAlgorithmwithCatastrophe, CCGA-C)這種新型的算法把遺傳算法GeneticAlgorithm，GA引入到子種群的進化 中，子種群之間再進行協(xié)作，達(dá)到優(yōu)化復(fù)雜問題的目的。在子種群的進化中，為了保持子種群個體的多樣性，防止不成熟收斂，增加了災(zāi)變算子。當(dāng)子 種群中的個體趨于同化時，通過增大變異率來增加種群的多樣性，同時，將子種群中的最優(yōu)個體保存，保證了算法的隱含并行性，加快了進化的收斂速 度。用經(jīng)典函數(shù)優(yōu)化仿真

26、實驗對災(zāi)變合作型協(xié)同進化遺傳算法CGA-C)搜索性能、收斂速度方面進行了分析和研究，并與合作型協(xié)同進化遺傳算法 (CCGA)遺傳算法GA進行了對比。還對災(zāi)變算子中災(zāi)變因子的選擇、子種群合作方式的選擇進行了實驗分析。為了進一步分析和研究At法求解 復(fù)雜問題的能力，將該算法應(yīng)用于制造系統(tǒng)的車間生產(chǎn)調(diào)度問題bShopSchedulingProble，簡稱JSP。JS是計算機集成制造領(lǐng)域 (ComputerIntegratedManufactureSystejmCIMS中研究的重要課題，也是一個典型的難問題。因之具有較大的實際應(yīng)用意義而被各國研究者廣泛研究 。通過對經(jīng)典車間生產(chǎn)調(diào)度問題的大量仿真實驗，

27、證實這CCGA算法比遺傳算法在求解性能上有很大的提高。3. 學(xué)位論文鄭向偉求解優(yōu)化問題的微粒群算法及其應(yīng)用研究2008優(yōu)化問題廣泛存在于科學(xué)研究和工程實踐，研究其求解方法一直富有吸引力與挑戰(zhàn)性。最速下降法、牛頓法和共軛方向法等基于梯度的優(yōu)化算法具 有完善的數(shù)學(xué)基礎(chǔ)，具有計算效率高、可靠性強和比較成熟等特點，是一類具有代表性且廣泛應(yīng)用的優(yōu)化算法。但這些傳統(tǒng)算法具有計算復(fù)雜、串行求 解及要求目標(biāo)函數(shù)的導(dǎo)數(shù)連續(xù)等特點，同時，在面對離散、不連續(xù)、無導(dǎo)數(shù)、高度病態(tài)的優(yōu)化問題時，它們常常無能為力，也難以求得全局最優(yōu)化解。 自1975年JohnHollan(提出遺傳算法GA以來，模擬生物進化和機制的進化算(

28、EA得到了深入研究，由于其具有智能、不需要求導(dǎo)或其它輔助知識、一 次運行產(chǎn)生多個解和簡單易于實現(xiàn)等優(yōu)點，已成為求解優(yōu)化問題的有效方法。微粒群優(yōu)化算法PSO是由James KennedyRussel Eberhart受鳥群覓食行為的啟發(fā)于99年提出的一種EA PS是基于群體智能理論的優(yōu)化算法 ，通過群體中微粒間的協(xié)作與競爭產(chǎn)生的群體智能指導(dǎo)優(yōu)化搜索。保留了基于種群的全局搜索策略，采用簡單的速度位移模型，同時它特有的記憶能 力使其可以動態(tài)跟蹤當(dāng)前的搜索情況以調(diào)整其搜索策略，具有概念簡單、實現(xiàn)容易、較強的全局收斂能力和魯棒性，且不需要借助問題的特征信息等特 點。為此，論文選擇微粒群優(yōu)化算法為研究對象

29、，研究其求解各類優(yōu)化問題及應(yīng)用，包括單目標(biāo)優(yōu)化問題、多目標(biāo)優(yōu)化問題、高維單目標(biāo)優(yōu)化問題、高 維多目標(biāo)優(yōu)化問題及其在多學(xué)科協(xié)同設(shè)計優(yōu)化中的應(yīng)用。論文的主要研究內(nèi)容包括以下幾個部分：1、研究3S求解單目標(biāo)優(yōu)化問題，提出了一種基于混合縱向變異和細(xì)粒度學(xué)習(xí)策略的算法(MLPSO)克服了現(xiàn)有3S算法容易陷于局部極值、收斂 速度慢和精度差等不足之處。在MLPSO法中，設(shè)計了均勻分布變異與高斯分布變異相結(jié)合的粒子群混合縱向變異策略，以提高算法擺脫局部極值和局部搜索的能力；提出了微粒 的細(xì)粒度學(xué)習(xí)策略，以便充分利用混合變異所產(chǎn)生的有價值局部信息；改進了iurice Clerc提出的速度更新公式，從而加強S認(rèn)知

30、學(xué)習(xí)因子和社會學(xué) 習(xí)因子之間的聯(lián)系，減少算法的隨機性?；趨^(qū)分可行解與不可行解的方式世PSO計了約束處理方法，以使其能夠求解約束優(yōu)化問題。在多個單目標(biāo) 無約束優(yōu)化問題和單目標(biāo)約束優(yōu)化問題上測試了LPSO并與其他文獻中的方法和數(shù)據(jù)進行比較，驗證了算法的有效性。2、從分析種群多樣性保持、非劣解保存和領(lǐng)導(dǎo)微粒的選擇等構(gòu)造多目標(biāo)微粒群算OPS的關(guān)鍵技術(shù)入手，提出了一種多樣性引導(dǎo)的兩階段多目 標(biāo)微粒群算法DTSPSOJDTSPSO夠提高變異的效率，促進種群的快速收斂和解的均勻分布。DTSPS(從決策空間出發(fā)，采用變異算子保持種群的多樣性，并依據(jù)種群多樣性動態(tài)使用不同的變異方式，從而減少變異的盲目性，提高

31、變異的效率 ;針對MOPSO選擇領(lǐng)導(dǎo)微粒的復(fù)雜性和重要性PTSPSO用 了兩種不同的領(lǐng)導(dǎo)選擇方式，第一階段采用改Sfem方法選擇領(lǐng)導(dǎo)微粒以促進種群的快速 收斂，第二階段采用錦標(biāo)賽方式選擇領(lǐng)導(dǎo)微粒以促進解的均勻分布；同HDJSPAO用Pareto占優(yōu)排序和擁擠距離來控制外部檔案中解的數(shù)目。針對多 .個多目標(biāo)優(yōu)化問題MOP的測試函數(shù)進行了實驗，并與其他文獻的方法進行了比較，驗證了SPSO優(yōu)勢。3、以合作型協(xié)同進化框架為基礎(chǔ)，以帶有變異算子的簡第為搜索引擎，提出一種基于合作型協(xié)同進化的快速微粒群優(yōu)化算BCPSO)研究了其 求解大規(guī)模復(fù)雜問題的可規(guī)?；芰Αａ槍ΜF(xiàn)有PS算法常常受到問題維數(shù)限制一般10

32、-30隹)、容易陷于局部極值和函數(shù)評價次數(shù)隨著問題維數(shù)增加呈指數(shù)增加等不足之處，采用基于合 作型協(xié)同進化的快速微粒群優(yōu)化算法求解大規(guī)模優(yōu)化問題，特別是高達(dá)00隹的大規(guī)模復(fù)雜問題。從算法框架、問題分解與子種群數(shù)目的確定、合作者 選擇、適應(yīng)度計算等方面研究了算法設(shè)計，在多個單目標(biāo)函數(shù)優(yōu)化問題上驗證CPS所需函數(shù)評價次數(shù)隨著問題維數(shù)的增加而線性或近似線性增加。從 所查文獻看，尚未見采用合作型協(xié)同S算法求解1000隹大規(guī)模復(fù)雜優(yōu)化問題的研究。4、進化算法求解復(fù)雜高維多目標(biāo)優(yōu)化問題時，常常存在收斂性和多樣性難以平衡，函數(shù)評價次數(shù)隨著問題維數(shù)呈指數(shù)增加等不足，提出了一種基于 合作型協(xié)同進化和e-占優(yōu)的多目

33、標(biāo)微粒群算法CEPSO)在基于合作型協(xié)同進化和£一占優(yōu)的多目標(biāo)微粒群算法的設(shè)計中，主要研究了問題分解與子種群定義、合作者選擇與函數(shù)評價、基于優(yōu)的存檔 方法和微粒飛行與變異算子等。針對D系列的MC測試問題進行了實驗,10-30隹以及更高維數(shù)的實驗結(jié)果都比較理想C EPS所需函數(shù)評價次數(shù)與問題維數(shù)成近似線性比例，能夠擺脫局部極值，保持解的均勻分布。從所查文獻看，尚未見基于合作型協(xié)同進化機制求解多目標(biāo)優(yōu)化問題的微粒群算法。5、選擇多學(xué)科協(xié)同設(shè)計優(yōu)化為應(yīng)用領(lǐng)域，將微粒群算法作為優(yōu)化器，驗證和分析微粒群算法在實際應(yīng)用中的效果。在多學(xué)科協(xié)同設(shè)計優(yōu)化中，以微粒群算法作為系統(tǒng)級和學(xué)科級優(yōu)化器，提出了

34、一種基于微粒群算法的協(xié)同優(yōu)化方法，并分析了協(xié)同優(yōu)化的步驟及約 束處理等相關(guān)問題。以齒輪減速器為例進行協(xié)同優(yōu)化設(shè)計，結(jié)合設(shè)計結(jié)果分析了所提出方法的優(yōu)勢，并與其他文獻的設(shè)計結(jié)果進行了比較，驗證了所提 出方法的有效性。從對PS算法求解各類不同優(yōu)化問題的研究可以看出ps算法不僅能夠求解傳統(tǒng)基于梯度的優(yōu)化算法所無法解決的離散、不連續(xù)、無導(dǎo)數(shù)、高度病 態(tài)優(yōu)化問題，而且在函數(shù)評價次數(shù)、擺脫局部極值、可規(guī)?；矫鎯?yōu)于其他的進化算法。本文的研究進一步豐富和完善的理論和應(yīng)用。4. 期刊論文 徐娟.譚長森一種改進的代表個體選擇方法的設(shè)計-工礦自動化2008,""(4)文章簡要介紹了傳統(tǒng)合作型協(xié)同

35、進化遺傳算法f出了該算法在代表個體選擇方法上的不腿出了一種新型的代表個體選擇方法并進行了算法性能 驗證.5. 學(xué)位論文焦斌基于協(xié)同進化理論的生產(chǎn)調(diào)度研究2008企業(yè)管理最重要的是生產(chǎn)管理，而生產(chǎn)調(diào)度是生產(chǎn)管理的核心內(nèi)容和關(guān)鍵問題。生產(chǎn)調(diào)度的主要任務(wù)是使企業(yè)在有限資源約束下產(chǎn)生最大的經(jīng)濟效 益。生產(chǎn)調(diào)度的核心問題是模型和算法，其中有效的調(diào)度算法是生產(chǎn)調(diào)度問題的重要研究內(nèi)容。生產(chǎn)調(diào)度問題通常是多約束、多目標(biāo)、隨機不確定優(yōu)化 問題，己被證明是屬幣P-hard可題。協(xié)同進化算法是國際前沿的研究領(lǐng)域，是近年來針對遺傳算法的不足而興起的一個研究熱點，協(xié)同進化算法與傳統(tǒng) 進化算法的區(qū)別在于：協(xié)同進化算法在進

36、化算法的基礎(chǔ)上，考慮了種群與種群之間、種群與環(huán)境之間在進化過程中的協(xié)調(diào)，協(xié)同進化算法指的是多個種 群通過適應(yīng)值的關(guān)聯(lián)同時進化。本文對離散型制造業(yè)生產(chǎn)調(diào)度問題進行了系統(tǒng)的探討，對生產(chǎn)調(diào)度相關(guān)特殊實際問題進行分析、建模，并提出基于協(xié)同進化理論、適用于生產(chǎn)調(diào)度 的理論和方法。本文對這一領(lǐng)域的若干問題進行了較為深入的研究，得到了一些成果，具體工作如下：(1) 提出了兩種改進的粒子群算法：動態(tài)慣性權(quán)重粒子群算法SO和動態(tài)全局與局部組合的粒子群算汨GLCPSQ并且與遺傳算法和傳統(tǒng)粒子群 算法進行比較，通過對測試函數(shù)的優(yōu)化表明，這兩種改進算法的效果都更好oDGLCP和PSO分別用于解決車間調(diào)度的兩個經(jīng)典問題

37、Flow-shop?度 問題和Job-shof調(diào)度問題。選用不同規(guī)模的典型例子進行優(yōu)化，并且G和PS算法進行比較，結(jié)果顯示這兩種改進算法的效果都更有效。(2) 針對基本粒子群算法SPSO的缺陷，采用雙種群并行協(xié)同進行優(yōu)化，同時提出了幾種改進策略，分別為：基于信息共享的BS進化算法 (ICPSO、基于遺傳操作的協(xié)同S進化算法GCPS和基于遺傳操作的信息共享協(xié)IAS算法(IGCPSO)使其更加適合調(diào)度問題的求解。通過對大量標(biāo)準(zhǔn) 問題進行仿真，表明各種改進方法均有一定的改進效果，其GCPSO法的性能最優(yōu)，其次魁CPSO法, ICPS算法比GCPSO法要差，但是tSPS算法 有明顯改善。(3) 針對進

38、化算法在解空間很大的時候容易出現(xiàn)不成熟收斂的問題提出了災(zāi)變合作型協(xié)同進化遺傳算法。對災(zāi)變算子的作用進行了分析，得出災(zāi)變算 子在解決不成熟收斂問題上有一定成效的結(jié)論。同時將提出的災(zāi)變合作型協(xié)同進化遺傳算法用于多個經(jīng)典函數(shù)的優(yōu)化問題。詳細(xì)描述了函數(shù)優(yōu)化問題的 分解、子種群的合作方式、操作算子包括選擇算子、交叉算子、變異算子和災(zāi)變算彌設(shè)計。通過實驗分析災(zāi)變合作型協(xié)同進化遺傳算法，實驗結(jié)果 表明災(zāi)變合作型協(xié)同進化算法對大規(guī)模的優(yōu)化問題效果比單種群的遺傳算法好的多，可以有效地解決進化過程中的不成熟問題，提高了搜索性能，加快 了收斂速度。(4) 分別對不確定條件下零等待的low sho類型的調(diào)度問題、不確

39、定條件下中間存儲時間有限Ftow sho類型的調(diào)度問題、不確定條件下的中間存 儲時間無限的Flowsho類型的調(diào)度問題進行了研究，對以上問題進行了基于最大隸屬度函數(shù)的調(diào)度模型的建立，并且采用協(xié)同進化算法進行求解。通過 仿真實驗驗證了算法的收斂性和模型的有效性佝原油調(diào)合與調(diào)度綜合問題是一個具有眾多特點且較為復(fù)雜的問題，存在著需求不確定性，為此分別 采用模糊變量和隨機變量進行描述，在模糊規(guī)劃和隨機規(guī)劃的基礎(chǔ)上對上述綜合問題分別建立了模糊機會約束模型和隨機機會約束MINL模型；這 些模型通過采用Quesad和Grossmann方法，轉(zhuǎn)化成為MIL模型。并且通過仿真實驗驗證了所提出的模糊機會約束規(guī)劃模

40、型及隨機機會約束規(guī)劃模型和 它們的求解方法的有效性。6. 期刊論文 許菊花.虞斌能.焦斌.XU Juhua YU Binneng. JIAO Bin基于災(zāi)變因子的協(xié)同進化算法及其應(yīng)用-上海電機學(xué)院學(xué)報2008,11 (2)在合作型協(xié)同進化遺傳算法中加入災(zāi)變算子模擬災(zāi)變過程來解決不成熟收斂問題實驗證實災(zāi)變合作型協(xié)同進化算法對大規(guī)模的優(yōu)化問題效果比單 種群的遺傳算法好得多加入的災(zāi)變算子可以有效地解決進化過程中的不成熟問;提高了搜索性能加快了收斂速度.7. 學(xué)位論文杜學(xué)艷基于遺傳算法的0矩陣推算和混合交通信號相位優(yōu)化研究2006智能交通系統(tǒng)是將先進的信息技術(shù)、計算機技術(shù)、運籌學(xué)、人工智能等有效地綜合

41、運用于交通運輸和服務(wù)控制，從而形成準(zhǔn)確高效的綜合交通系統(tǒng)OD矩陣推算和混合交通信號相位優(yōu)化是智能交通系統(tǒng)領(lǐng)域中兩個重要的優(yōu)化問題。0反推大多采用極大熵模型，其求解算法存在主要不足是很 難選取合適初始解。我國信號控制仍以定時式為主，其配時方案的優(yōu)化大多屬于預(yù)先設(shè)定范圍內(nèi)的優(yōu)化。遺傳算法是一種借鑒生物界自然選擇思想和自然遺傳機制的全局隨機搜索算法，在解決大空間、全局尋優(yōu)等復(fù)雜問題時具有獨特優(yōu)越性。 本文提出結(jié)合遺傳算法和evenberg-Marquar算法的混合進化算法求解極大熵0反推模型。仿真結(jié)果表明，該混合算法比遺傳算法求解速度更快 ，并克服TLevenberg-Marquar算法對初始解的依

42、賴性，對于較大規(guī)模交通網(wǎng)絡(luò)0反推具有較好的精度。本文從中國混合交通流的國情出發(fā)，提出混合交通信號相位優(yōu)化算法對信號相位進行全局優(yōu)化。針對待優(yōu)化變量一信號相位的特殊性，即存在很多 約束條件，設(shè)計了兩種混合交通信號相位解空間搜索算法，即基于問題驅(qū)動的相位合并優(yōu)化算法和改進合作型協(xié)同進化遺傳算法。設(shè)計并實現(xiàn)單交叉口 信號燈優(yōu)化軟件，對軟件的輸出進行分析，并將其嵌入到仿真軟件中，幫助用戶設(shè)計信號燈配時方案。本文的章節(jié)安排如下：第一章著重介紹了智能交通系統(tǒng)領(lǐng)域中的兩個優(yōu)化問題,0矩陣推算和信號燈優(yōu)化，以及優(yōu)化算滋傳算法。第二章描述 了 O反推的基本原理及數(shù)學(xué)描述，重點闡述了求解極大0反推模型的混合進化算

43、法，并進行仿真實驗，最后通過分析仿真結(jié)果得出結(jié)論。第三章闡述 混合交通信號相位優(yōu)化算法的設(shè)計路線、目標(biāo)函數(shù)和解空間，總結(jié)出混合交通孤立交叉口信號相位的約束條件和設(shè)計規(guī)則。在第四章中，確定混合交通 信號相位優(yōu)化過程中對解空間的搜索方法，提出基于問題驅(qū)動的相位合并優(yōu)化算法和改進合作型協(xié)同進化遺傳算法用于混合交通信號相位全局優(yōu)化，最 后簡要介紹信號相位配時。第五章描述單交叉口信號燈優(yōu)化軟件的功能、界面、數(shù)據(jù)結(jié)構(gòu)以及程序流程，對軟件的輸出進行分析，并將其嵌入到仿真軟 件中，幫助用戶設(shè)計信號燈配時方案。第六章總結(jié)全文，并對未來的工作進行展望。8. 期刊論文 周泓.王建.上官春霞.師瑞峰.Zhou Hon

44、g. Wang Jian. Shangguan Chunxia. Shi Ruifeng 一種求解JobSho問題的合作型協(xié)同進化算法-中國機械工程2007,18(20)針對Job Sho調(diào)度問題提出了一種改進的合作型協(xié)同進化算法艮據(jù)機器數(shù)量自然，分割種群每個種群對應(yīng)一臺機器個體以機器前工件的優(yōu)先列 表為編碼將靜態(tài)繁殖理論引入遺傳算子并通過三種共生伙伴選擇方式利用改進的基于優(yōu)先列表的5&算法解碼來評價個體最后采用一種更新技術(shù)和動 態(tài)群體更新策略來加快算法收斂通過對Job Sho基準(zhǔn)問題的優(yōu)化該算法獲得了比傳統(tǒng)的遺傳算法更好的結(jié)果.9. 學(xué)位論文 張桂娟 自適應(yīng)協(xié)同進化模型及應(yīng)用2006協(xié)同進化算法是在近十幾年來在協(xié)同進化論基礎(chǔ)上發(fā)展起來的一類新的進化算法。協(xié)同進化算法與傳統(tǒng)進化算法的區(qū)別在于：協(xié)同進化算法在進化 算法的基礎(chǔ)上，考慮了種群與種群之間、種群與環(huán)境之間在進化過程中的協(xié)調(diào)。由于協(xié)同進化算法的諸多優(yōu)越性，越來越多的學(xué)者對它進行了研究，協(xié) 同進化已成為當(dāng)前進化計算的一個熱點問題。隨著市場競爭的日趨激烈，