协同进化数值优化算法及其应用分析

梁树杰

（广东石油化工学院高州师范学院，广东　高州　525200）

协同进化数值优化算法及其应用分析

梁树杰

（广东石油化工学院高州师范学院，广东高州525200）

探讨协同进化数值优化算法在无约束优化、约束优化、多目标优化问题及其在不同领域的应用情况，旨在充分发挥协同进化数值优化算法的作用，进而为各领域的发展奠定基础.

协同进化算法；数值优化；应用

协同进化作为一种自然现象，具有普遍性，超过两个种群间经相互影响，便会出现此现象，可用于解释种群间的适应性，将其用于生物学研究，促进了生物进化.在进化计算研究方面，协同进化算法作为一种快速发展的最优化算法，他是传统进化算法的一种扩展.这种算法的模型包含了两个和多个种群.不同的种群在生态系统中协同进化，并且相互作用，最终使得生态系统不断进化[1].协同进化算法在许多领域得到了广泛的应用[2].在许多非常困难的问题上，协同进化算法都证明了其作为优化算法的有效性.文章综述了国内外学者的研究内容，介绍了进化算法、协同进化算法等，重点阐述了其在各类问题中的应用，旨在为协同进化数值优化算法的推广提供可靠的理论保障.

1　协同进化数值优化算法的概况

1.1进化算法

在人类生存与发展过程中涉及众多的优化问题，与分析问题相比，优化问题属于逆问题，在求解方面具有较大的难度，造成此情况的原因主要为优化问题的可行解为无穷多个，但要在可行解集合中获取最优化解，通常情况下，利用数学规划法可实现对相关问题的处理，但实际计算过于繁琐，进而难以保证计算的准确性与有效性.为了满足实际需求，进化算法随之出现，它作为算法工具具有创新性与高效性，适应了数值优化问题的求解奠定了坚实的基础.

进化计算技术属于人工智能技术，它主要是通过对自然界生物进化过程及机制的模拟，以此实现了对相关问题的求解，其具有自组织、自适应与自学习的特点.进化算法是由生物学知识逐渐发展而来的，即：生物种群的优胜劣汰、遗传变异等，在此过程中生命个体对环境的适应力不断在增强.通过国内外学者的不断探索与研究，进化算法及其相关的计算智能方法日渐丰富，其中进化数值优化算法吸引了众多学者的目光[3].

与传统优化算法相比，进化算法具有一定的特殊性，其优势显著，主要表现在以下几方面：处理对象为编码，通过编码操作，使参数集成为个体，进而利于实现对结构对象的直接操作；便于获得全局最优解，借助进化算法，可对群体中的多个个体进行同时处理，从而提高了计算准确性，降低了计算风险性；不需要连续可微要求，同时可利用随机操作与启发式搜索，从而保证了搜索的明确性与高效性，在此基础上，它在各个领域的应用均取得了显著的成效，如：函数优化、自动控制、图像处理等.但进化算法也存在不足，主要表现为其选择机制仍为人工选择，在实际问题处理过程中，难以发挥指导作用；同时，局部搜索能力相对较差，难以保证解的质量[4].

为了弥补进化算法的不足，相关学者通过研究提出了新型计算智能方法，具体包括免疫进化算法，它主要是利用自然免疫系统功能获得的，此方法在数据处理、故障诊断等方面均扮演着重要的角色；Memetic算法属于混合启发式搜索算法，其利用了不同的搜索策略，从而保证了其应用效果；群智能算法主要分为两种，一种为蚁群算法，另一种为粒子群算法，前者可用于多离散优化问题方面；后者主要利用迭代从而获取了最优解，由于其具有简便性与实用性，因此其应用较为广泛；协同进化算法作为新型进化算法，其分析了种群与环境二者间的关系，并对二者进化过程中的协调给予了高度关注[5].

1.2协同进化算法

表一　协同进化算法与传统优化算法的对比

在数值优化领域中应用协同进化算法，相关的研究成果主要体现在无约束优化、约束优化与多目标优化等方面.在第一类问题方面.对于进化算法而言，其经典的应用领域便是无约束数值优化，经过不断实际，此技术的应用日渐成熟，但在问题规模不断增大基础上，其应用难度日渐增加，因此，学者纷纷关注高维无约束数值优化问题，经研究提出了相应的算法，如：合作型协同进化遗传算法，组织优化算法；在第二类问题方面，随着进化算法应用的日渐广泛，相关的约束优化进化算法也具有了丰富性与多样性，如：罚函数法、分离约束与目标算法、各种混合算法等；在第三类问题方面，在进化计算领域中进化多目标优化逐渐成为了研究了焦点，通过不断努力，国外学者提出了捕食者-猎物模型、竞争协同进化模型、合作协同进化模型等[6].

目前，关于协同进化算法的概念缺少统一性与严谨性，为了对其进行准确的界定，应对其展开深入的研究与探讨，并将其用于实际问题，以此验证其有效性与可行性.

2　协同进化数值优化算法的应用

2.1求解无约束优化问题

对于高位无约束数值优化问题而言，在实际解决过程中应充分发挥协同进化与精英策略的作用，不仅要利用M-精英协同算法，还要构建M-精英协同进化模型.MECA算法具有较高的适应度，满足了不同个体群的需求，其在整个种群进化中扮演着重要的角色，此算法对整个种群进行了划分，如：精英种群与普通种群，并由核心精英对成员进行选取，此后组建相应的团队，如果选择的成员为精英，则可利用所定义的协作操作来交换该成员和核心精英间的信息，如果选择的成员来自于普通种群，此时核心精英则要对其展开引导操作，其中涉及的写作操作与引导操作定义是通过不同类型的交叉或变异算子的组合而实现的.通过理论分析可知，全局最优解为算法中的概率为1，经过测试显示，此算法对全体测试函数而言，均可获取最优解[7]；同时，将其与传统进化算法、其他协同进化算法进行比较，在适应度函数评价次数相同前提下，此算法具有较高的精度、较短的寻优时间、较低的参数敏感性，因此，它可广泛应用于实践[8].

2.2求解约束优化问题

在约束优化问题中利用协同进化算法，其基础为M-精英协同进化模型，此后需要借助正交交叉算子、静态罚函数法等，以此保证了M-精英协同进化算法作用的充分发挥.在实际应用中，采用13各约束优化测试函数，经仿真实验与参数分析，其结果显示改进M-精英协同进化算法优点众多，如：较高的精度、较短的寻优时间及较好的稳定性等，它与经典约束优化进化算法及协同进化算法相比，性能显著，同时也实现了对各类约束优化问题有效解决.

2.3求解多目标优化问题

在M-精英协同进化的影响下，利用非支配邻近选择机制，针对多目标优化问题，提出了费支配紧邻协同进化多目标优化算法，即：NNCA，此算法结合费支配种群的拥挤距离，对其进行了划分，分别为精英种群与普通种群，前者拥挤距离相对较大，主要是由非支配个体构成的，在其区域内个体分布稀疏程度与组建团队的机会呈负相关，前者越稀疏，后者机会越大，其成员也越多，进而利于提高对区域搜索的全面性，但如果非支配个体过少，则会造成搜索停滞，为了避免此问题的出现，NNCA借助了精神规模保障机制.在不同机制共同作用下，进一步增强了算法的搜索能力与收敛性.此后，对多目标优化问题进行测试，其结果表明，与其他算法相比，NNCA优势显著，主要表现在最优解的宽广性与逼近性方面[9].

2.4在不同领域的应用

在通信系统中，对实时性有着较高的要求，为了适应系统发展的需求，应积极解决系统中最大似然检测算法过于复杂的问题，经过不断的探索与研究，对相关算法进行了优化，以此降低了算法的复杂度、提高了其性能.在通信系统信号检测中主要利用M-精英进化算法，为了保证该算法的有效性，采用了经典背包问题仿真试验，其结果为与传统检测算法相比，M-精英进化算法促进了系统性能的提高.在仿真实验过程中，选择了60个物品的背包问题，利用上述算法，实现了组合优化问题的有效解决，因此，在实践中可将其进行推广与应用，如：将其用于CDMA系统中，以此解决多用户检测问题.

在卫星模块布局设计中，制约设计水平提高的核心为求解带平衡约束的圆形Packing问题，为了有效解决此问题，应充分发挥M-精英协同进化算法的作用.在实际处理过程中，利用静态罚函数方法，对问题进行转变，使其由约束问题转变为无约束问题，同时为了验证此算法解决实际问题的能力，可利用不同的工程设计优化问题，如：Spring Design、Speed Reducer Design等，此后对其进行测试，其结果显示该算法实现了复杂问题的有效处理，并且保证了布局设计的质量，同时其花费的时间相对较少[10].

3　总结

综上所述，协同进化机制具有积极的意义，为了充分发挥其作用，文章介绍了协同进化数值优化算法的应用，在明确进化算法、协同进化算法相关内容的基础上，探讨了不同算法在无约束优化、约束优化、多目标优化及相关领域的应用，相信在各类复杂问题有效解决基础上，各领域将获得更加稳定与有序的发展.

〔1〕张运凯,王方伟,张玉清.协同进化遗传算法与应用[J].计算机工程,2004（15）.

〔2〕H.Chen,K.P.Wong,D.H.M.Nguyen,and C.Y.Chung,“Analyzing oligopoly electricity market using coevolutionary computation,”IEEE Trans.Power Syst.,vol.21,no.1,pp.143-152,Feb.2006.

〔3〕李碧,林土胜.协同进化在遗传算法中的应用述评[J].计算机科学，2009(04).

〔4〕陈鹏.基于极值动力学的MEMETIC算法及其在非线性预测控制中的应用研究[D].上海交通大学,2011.

〔5〕刘伟，赵丹，孙宏伟.基于新型Memetic算法的多目标优化[J].吉林大学学报,2012（03）.

〔6〕邓武.基于协同进化的混合智能优化算法及其应用研究[D].大连海事大学,2012.

〔7〕刘朝华.混合免疫智能优化算法研究及其在复杂系统中的应用[D].湖南大学,2012.

〔8〕吕琳.结合学习策略的粒子群优化算法及应用研究[D].西安电子科技大学,2013.

〔9〕丁建立，陈增强，袁著祉.智能仿生算法及其网络优化中的应用研究进展[J].计算机工程与应用,2003（04）.

〔10〕程军.基于生物行为机制的粒子群算法改进及应用[D].华南理工大学,2014.

O224；TP273.1

A

1673-260X（2016）09-0006-02

2016-05-23

广东省教育研究院课题项目（GDJY-2015_F-b057）；茂名市青年名师培养项目成果