附加统计预测算法的理论与应用研究

摘要

从人工智能跨越到计算智能是计算机科学发展史上的一次重大变革。以进化算法和神经网络为核心的计算智能理论得到了长足的发展。最近十几年来，各种新的进化算法也纷纷被提出。这些算法都具有与问题无关、通用性好、收敛速度快、容易跳出局部最优等优点，因此在许多领域都得到了广泛的应用。 进化算法是一种具有高度计算复杂性的智能算法。当求解问题较复杂时，其计算所需的时间复杂度也比较高，同时，由于解集的庞大和局部最优问题的存在，在其中筛选出精确解所花费的过程也比较复杂。因此我们希望有一种能够有效降低进化算法时间复杂度的策略，以节约进化算法的计算时间。 目前存在着大量的进化算法模型，研究它们会发现有一些共同的规律，比如都存在一组优劣程度不等的候选解，经过一轮轮的反复迭代计算，每轮新生成的候选解总体上比上一轮精度更好，且存在着一定的相关性。每轮迭代所产生的最好候选解之间也存在着一定的相关性。那么能否研究这些算法的共同规律，优化这些规律，就能使计算智能算法模型的计算时间和性能都会得到整体上的提高。 本文介绍了目前主流的一些进化算法模型，并在总结它们共同规律的基础上，提出了一种分析解集进化规律来预测新的解集的算法思想，被称做附加统计—预测算法。它能够智能猜测最优解的取值范围，跳过进化算法中的适应值函数计算。通过这种方法可以对解集的演变规律进行分析，以诱使新的解集启发式的生成在最优解可能出现的范围内。从而大大减少了计算时间。具体内容如下： (1)对进化算法的基本理论、基本思想和主流算法进行了详细的综述。论述了进化算法的发展历史、应用领域和发展趋势，并着重介绍了本文所阐述算法需要用到的进化算法的共同规律。 (2)介绍了本文所论述的附加统计—预测算法。首先分析该算法的来源和实现原理，然后阐述了其对应的基本思想和算法实现过程，并依次分析了适合应用该算法的一些进化算法模型。 (3)研究了使用附加统计—预测算法改进了的一些进化算法模型。结合了当今主流的几种进化算法，即遗传算法、粒子群优化算法和分布估计算法。列举附加统计—预测算法的嵌入位置和附加效果，以阐明本算法的普适性和可行性。 (4)将使用了附加统计—预测算法的进化算法用于最优化求解等问题进行对比实验。这些实验包括最优化求解等问题，对比这几种进化算法结合附加统计—预测算法后在计算时间和性能上的改进，以阐述本算法的有效性和可推广性。

目录

文摘

英文文摘

声明

第一章绪论

1.1引言

1.2研究背景

1.3论文内容安排

第二章进化算法与预测理论

2.1进化算法概述

2.2目前流行的部分进化算法

2.2.1遗传算法

2.2.2粒子群优化算法

2.2.3分布估计算法

2.2.4其他进化算法

2.3预测的理论基础

2.3.1可知性原理

2.3.2可能性原理

2.3.3连续性原理

2.3.4相似性原理

2.3.5可控性原理

2.3.6反馈性原理

2.3.7系统性原理

2.3本章小结

第三章附加统计-预测算法

3.1进化计算模型的共性

3.2附加统计-预测算法的来源与设计思路

3.3附加统计-预测算法流程

3.3.1简单平均预测器

3.3.2线性加权预测器

3.3.3HMM预测器

3.3.4 EDA预测器

3.3.5最优解的高斯撒布

3.4在进化计算模型中嵌入附加统计-预测算法

3.5本章小结

第四章附加统计-预测算法与其他算法结合

4.1测试用例与测试规则

4.2附加统计-预测算法与遗传算法结合

4.3附加统计-预测算法与PSO传算法结合

4.4附加统计-预测算法与EDA算法结合

4.5结果分析

4.6通过测试得到的结论

4.7本章小结

第五章使用ASPA求高维Ackley函数最优解

5.1 CEC'05测试函数集

5.2测试过程与结果分析

5.3小结

第六章总结和展望

6.1总结

6.2展望

6.3进一步的工作

参考文献

致谢

攻读硕士期间发表论文目录