演化计算原理及其动态多目标优化应用的几个关键问题研究

Evolutionary Computation (EC) Algorithms are a kind of stochastic optimization algorithms following Darwin's principle of "Survival of the fittest".Evolutionary computation provides a new approach for dynamic optimization problmes because it has been well used in static optimizatin fields. In this project, studies are mainly focused on third aspects based on some achievements during working on doctoral degree. 1)Fistly,How to maintain the diverstiy of population in evolution ? and to improve the divesity for Pareto solution set in search space. 2)Secondly,on the base of analyzing all kinds of entropies, a novel testing method keeping diversity of the population is proposed. In additional, a novel selectin scheme is incoporated into the improved evolutonary algorithm to slove dynamic multiobjective optimzation problems.3)Thirdly, study on a new fitness evaluation method during evolution of EC algorithm; 4) On the base of evolutionary algorithm, we are going to study an important model in image segmentation based on multiobjective optimization.The objective of the study are to reveal the inherent connection between multiobjective optimization and image segmentation in dynamic background so as to improve the robustness of image segmentation for the model in real scene. Research on this project is not only contributed to theory and algorithm on computational intelligence, but also to rich research result in real application.

演化计算(EC)算法是受进化论启发而提出的一大类随机优化算法，该类算法将进化论"物竞天择,适者生存"的思想用于求解优化问题。目前，EC在静态优化领域中成功的应用为其应用于动态优化问题提供了一种新的途径。本项目将在申请者攻读博士学位期间的工作基础上，重点对EC应用于动态多目标优化的如下关键问题进行研究：1）进化过程中如何维护群体的多样性以防止算法早熟？并使得算法搜索到的近似Pareto最优解集在目标空间中具有良好的分布特性；2）研究一种重要的选择策略的构建方法，提高算法的搜索速度和收敛性；3)EC算法进化过程中,研究一种新的适应度评价方法；4）基于EC原理，研究一种重要的多目标图像分割模型，揭示在动态背景下，多目标优化与图像分割间的内在联系，从而提高真实环境中该模型在不同类型图像中的分割效果。本项目的研究不仅能对 EC的基本理论有所贡献，而且还能够进一步丰富EC在实际应用领域中的研究成果。

多目标优化问题一直以来是模式识别研究领域的热点研究问题。由于多目标优化问题广泛存在于各类工程应用及学科理论研究中，而使用传统优化方法通常要求目标函数和约束函数是连续可微的解析函数，故大大限制了传统优化方法的应用范围。因此，有必要深入开展多目标优化问题的高效算法及理论研究。. 本项目主要研究内容: (1)研究新的适用于多目标空间的群体多样性测度方法。目前，我们在以遗传算法(GA)和粒子群优化(PSO)算法为代表的演化计算中，构建了多种不同的多样性评价方案。如，多策略多样性评价机制，离散式多样性评价机制，基于空间熵的多样性评价机制，这些评价机制分别应用于不同的静态及动态优化问题的测试，其实验重要成果分别发表在国内外重要期刊上。(2)研究了进化过程中的选择策略。项目组分析了粒子群优化算法中粒子的搜索过程，并在此过程中实施一种新的状态交替变换机制，动态调整多样性的变化趋势。当搜索陷入局部最优解时，所提出的多策略PSO中引入一种新的精英学习策略跳出局部最优区域。实验数据表明，MAPSO能持续增强PSO跳出局部最优解能力，并改善粒子搜索效率和种群收敛速度。(3)研究了一种新的个体适应度评价方法。以往将演化计算技术应用于多目标优化问题，个体的适应度评价方法通常采用待优化的多目标函数或是采用加权单目标优化计算，这种简单的评价个体机制的方式不能真实体现出个体的优劣。对此，我们提出一种基于个体相似性评价策略的改进遗传算法。每个子个体根据其与父个体的相似度和可信度来确定个体的适应度值，仅当可信度值低于某个阈值时，个体才做真实的适应度计算。(4)研究了适用于图像分割的多目标优化模型。提出一种基于遗传算法(GA) 的多极阈值选择方法：在执行图像分割(IS) 任务之前，先将IS 转化为在一定约束条件下待优化的问题；引入一种回归设计技巧以存储中间结果；在一组标准测试图像上利用GA搜索待优化问题的最优解。实验结果表明，利用所提出的方法获得的多个阈值非常接近于穷尽搜索获得的结果。. 本项目三年的研究过程,从问题内在的本质出发，将演化计算技术中不同方法进行优势互补，统一建模，使我们从更高层次上认识了这些方法及其内在的联系，为未来的研究提供了有益及针对性的指导，从而为事物的解决方法提供了更具多样化的选择方法，更进一步丰富了智能优化研究领域的新思想。

内容获取失败，请点击重试