摘 要:针对文化算法求解函数优化问题存在过早收敛、不稳定等缺陷,基于文化算法框架、嵌入混沌搜索优化,提出了一种混沌文化算法。该算法模型由基于混沌的群体空间和存储知识的信念空间组成,利用标准知识和形势知识分别引导混沌搜索和混沌扰动,有效克服了文化算法过早收敛、混沌搜索优化对初值敏感、搜索效率低等缺陷。实例表明,该方法具有较强的全局搜索能力,在搜索效率、精度和稳定性上有显著表现,并能有效处理高维函数优化问题。
关键词:进化计算;文化算法;混沌文化算法;混沌搜索;知识引导
ultural algrith based n hati searh and its appliatin
he jian-jia,xu fu-yuan,he sheng-xu,huang he
(shl f business, university f shanghai fr siene ≈ tehnlgy, shanghai 200093, hina)
abstrat:fr preature nvergene and instability f ultural algrith in slving funtin ptiizatin prble, based n ultural algrith and has searh ptiizatin,this paper prpsed a has ultural algrith (a).the algrith del nsisted f a has-based ppulatin spae and a stred knledge belief spae, using nrative knledge and situatinal knledge fr has searh and has perturbatin respetively, and effetively avided preature nvergene f ultural algrith and verae has searh ptiizatin’s sensitivity t initial values and pr effiieny. test results sh that this algrith is strng in glbal searh, and has gd perfrane in searhing effiieny, preisin and stability, espeially in slving high-diensinal ptiizatin prble.
key rds:evlutinary putatin; ultural algrith; has ultural algrith(a); has searh; knledge guide
0 引言
从20世纪50年代仿生学的创立起,人们开始模拟生物进化的机理,提出了许多诸如遗传规划、免疫算法等解决优化问题的进化计算方法。这些算法研究主要集中在生物自然选择这一层面上。许多情况表明,文化能使种群以一定的速度进化和适应环境,而这个速度是超越单纯依靠基因遗传生物进化速度的[1]。在人类社会中,文化被看做存储信息的载体,这些信息在社会群体之间和群体内部广泛地传递,并能被社会所有成员继承,从而有效地指导成员的行为来解决问题。受此启示,reynlds[1]于1994年提出了文化算法这种全新的进化算法。
文化算法从微观和宏观两个层次模拟进化,不同层次间相互促进且相互影响。该算法提供了一种显性的机制来获取、保存和整合问题求解的知识,从而提高搜索效率。目前,文化算法已成为算法研究的热点,并已成功应用到多个领域,在一些问题上取得了比传统进化算法更好的结果[2~4]。
在函数优化方面,文化算法求解效率高,但存在过早收敛、不稳定等不足;混沌搜索优化全局搜索能力强,但对初值敏感、搜索效率低。因此,本文将混沌搜索优化引入到文化算法模型中,提出了用于解决优化问题的混沌文化算法(has ultural algrith,a)。该算法利用混沌搜索优化的遍历性、随机性特性,增加算法全局搜索能力,避免算法过早收敛,同时利用文化算法的知识引导作用,提高了算法的搜索效率和精度。
1 文化算法的原理
文化算法框架是由群体空间(ppulatin spae)和信念空间(belief spae)两部分组成,两者分别从微观和宏观两个层面模拟进化过程,如图1所示。前者是问题的解空间,后者用于知识经验的形成、存储和传播,两者相互独立又相互联系,它们之间通过特定的协议进行信息交流。首先,aept()函数将群体空间进化过程中优秀的个体经验传递到信念空间;接着update()函数根据信念空间现有的经验和新经验更新群体经验或知识;然后influene()函数利用群体经验或知识指导群体空间的进化。另外, bjetive()函数是目标函数,用来评价群体空间中个体的适应值;generate()函数根据群体经验形成下一代个体;selet()函数根据规则从新生成个体中选择一部分个体作为下代个体的父辈。文化算法的基本伪代码[5]如下:
未完...点击下方链接下载完整文档