1.3　知识导向的智能优化算法

1.3　知识导向的智能优化算法

智能优化算法是当前科研领域关注的核心课题，这类算法存在明显不足，容易陷入局部最优且进展迟缓。造成这些问题的根本原因在于算法本身缺少明确的方向指引。为了解决此类问题，研究人员正从两个途径入手，一方面借助经典人工智能技术和专门知识体系对算法进行改进，另一方面则运用具备双重进化特征的文化算法来辅助优化过程。

1.3.1　传统人工智能引导的智能优化算法

借助经典智能方法对智能优化过程加以引导，例如运用禁忌搜索技术、文化计算以及机器学习手段来调控进化行为。实际操作阶段，需要优先提取若干在进化历程中具有普遍性和关键性的规律，通过禁忌搜索、文化计算和机器学习等算法加以掌握，进而依据掌握的规律实施个体进化管理。这些工作的不足之处在于难以寻觅到足够普遍且关键的准则，这些准则又缺乏整体性，并未顾及到个体演进时其周边条件也在持续更迭开元ky888棋牌官方版，因此相应的准则也应随之调整。

为了协调选择带来的积极效果和交叉造成的破坏性后果，范磊等人运用归纳学习来调控进化路径：借助归纳学习从进化历史中归纳出反映成败的规律，再利用这些规律指导后续过程，既能防止重蹈覆辙，又能提升进化效率。通过函数优化和布局求解的实验，证实了这种方法具有实际应用价值。

曹先彬等人参考了生物个体成长的不同时期，构建了一个以生命历程为参照的生态演变体系。在这个体系运作的算法里，针对生物体成长的不同环节都配置了特定的调控工具，确保生物体在全部成长过程中依照其环境适应性得到定向发展。实际测试数据表明这种做法效果显著。

岑宇森等人为了提升粒子群算法找到全局最优解的精确度，设计了一种基于知识领域的分类式粒子群方法，该方案借助k-means方法对粒子进行归类，通过减小最大移动速率来增强粒子在群体内部的局部探索效果，并且将“知识领域”的理念融入分类环节，让知识领域内的粒子去引导整个群体前往更优的解域进行探寻。

李亚男等人借助遗传算法并融入专业经验来提升寻优效果，随后将这种优化方法运用到无功配置的改进上。他们利用专业经验针对部分优选的个体，动态构建起本厂和变电站本地无功与电压调节的有效参数范围，并实施人工干预，以此增强遗传算法在局部区域的搜索性能。实际案例的计算结果显示，融合专业经验的遗传算法能更精准地锁定全局最优解。

柴啸龙把专业学问借助特殊约束组的方式整合进蚂蚁路径规划方法里，邻近步骤层中诸多相互排斥的内容借助特殊约束组只需运算一次，不会参与核心运算环节，这样能显著增强方法的运行效能，实际研究显示这种措施切实可行。

1.3.2　特定知识模型引导的智能优化算法

借助专门的知识框架来引导智能寻优方法时，在智能寻优方法启动阶段，知识的基础形态就已预先设定，相关的知识遵循既定模式，伴随算法的推进过程持续进行修正，最终运用所掌握的知识来引导后续个体的成长。借助专门的知识模型来引导智能优化算法，这其实也反映了进化过程与学习活动之间的相互影响。

依据相关资料，研究者通常有两种方式促成进化和学习相互影响：选取先前个体中的优秀特质，将这些特质用于优化新生个体；识别先前个体中的不足之处，实施方法避免这些不足在后续个体中重现。科学界已有明确发现，物种的演化过程与个体的学习行为可以相互影响，这种相互作用的实现方式多种多样，包括版本空间方法、案例记忆机制、Q学习体系，以及AQ学习体系等途径。通过演化和学习之间的交互可有效提高智能优化方法的优化效率。

1.3.2.1　采用记忆单元对智能优化算法进行引导

不少研究者致力于借助记忆单元促成进化和学习相互影响的过程。Chung与Reynolds把表现突出的个体特质当作信念来对待，把这些信念储存在记忆单元里，利用这些信念来优化后续的个体。Branke则将一些已经获取的较优个体储存在记忆单元中，借助这些较优个体来优化后续的个体。

Gantovnik等人运用记忆单元促成遗传算法中演化与学习的互动，借助这种优化后的遗传算法处理混合变量优化设计课题。Louis和Li运用配备记忆单元的遗传算法攻克旅行商难题。Yang运用基于记忆单元的迁徙策略在遗传算法里达成演化与学习的互动，运用这种改良遗传算法处理动态优化课题。

苏淼及其团队通过免疫记忆机制促成蚁群算法里演化和学习环节的相互影响，并借助这种优化后的蚁群算法去处理武器目标分配任务。Acan则利用外部记忆装置完成蚁群算法中演化和学习过程的互动。Acan在辅助存储设备中增设了部分重排（局部置换）机制，以此增强改良型蚁群算法的工作效能。Shamsipur借助外部存储部件，促成蚁群算法里进化过程与学习环节的相互沟通。

1.3.2.2　基于案例对智能优化算法进行引导

不少研究者也运用实例，在智能优化途径中促成演化与学习间的沟通，。Louis和McDonnell运用实例推理法，从实例存储单元挑选要素，用以优化后续个体。Louis与Li借助实例注入途径促成遗传算法内演化与学习环节的沟通开yun体育app入口登录，并借助这种优化过的遗传算法处理旅行商难题，Rasheed和Hirsh则通过案例掌握途径在遗传算法中达成演化和学习环节间的互动。Babbar-Sebens以及Minsker研发了一种以实例为基础的宏观互动式遗传计算方法，这种算法借助实例存储部件和实例推演功能，来完成进化和学习环节的相互配合。

1.3.2.3　采用学习演化模型对智能优化算法进行引导

学习演化模型，这种模型不同于依据达尔文进化理论进行的演化计算方法，它主要运用机器学习技术来引导整个进化过程。Coletti曾对演化学习理论做过初步探讨，Wojtusiak则研究了演化学习理论中的限制性最优化议题，Kaufman与Michalski运用演化学习理论处理了换热器设计课题，Jourdan等人借助演化学习理论处理了多目标水系统设计课题，Domanski等人也借助演化学习理论处理了优化设计课题。当前，演化模型的最新形态是LEM3，Wojtusiak和Michalski借助LEM3处理了复杂的函数优化任务。

近些年，众多研究者开始借助学习演化模型促成智能优化方法里演化和学习环节的相互影响，Michalski及其团队在梳理学习演化模型最新动态后，也在智能优化方法中运用学习模型来达成演化与学习间的相互促进，Michalski设计的学习演化模型主要运用机器学习手段来实现演化过程与学习过程之间的相互促进。Ho等人借助可训练遗传结构达成演化过程与学习活动的联结。Wojtusiak构建了能适配多种智能优化途径的LEM3体系。

1.3.2.4　采用神经网络对智能优化算法进行引导

顾慧等人针对遗传算法个体进化方向不明确的不足，设计了一种运用知识模型的优化遗传算法，该算法借助神经网络的学习特性，从连续两代个体的数据中提取相关知识，以此指导部分子代个体的后续发展过程。这种技术既继承了遗传运算方法，又借助神经网络建立配套的知识架构，用以指导群体演化，让优化后的遗传方法既维持了遗传算式卓越的全方位随机探寻特性，也增添了神经网络自主适应与高度稳定的功能。

1.3.3　具有双层进化机制的文化算法

文化计算方法能够模拟人类文明的发展演变路径开yunapp体育官网入口下载手机版，其核心由两个部分组成，一个是负责个体发展的环境区域，另一个是负责信息更新的信誉领域。该方法借助信誉领域来确保进化信息的准确获取和妥善维护，同时运用这些信息来引导环境区域的演变方向。文化计算方法能够将潜在进化趋势转化为明确的总结和说明，在环境区域之外增设信誉领域，以便独立开展知识维护工作，达成知识发展的目标。文化算法现已成功应用于处理农业发展、认知获取、数值函数改善以及生产流程的改造等课题。实践表明，借助文化推动的进化过程，其成效远非仅凭基因传递的自然演化可比。

文化算法在常规进化方法上加以拓展，它借助建立可信度区域来挖掘繁衍期间的各种数据，将这些信息转化为知识加以保留，然后用来引导后续步骤，整体构造如图1.2所示。该算法包含三个主要部分，形成一种双层发展模式。高层可信度区域内的知识演变依托于底层群体区域中的个体进步，并且知识是对个体经历的深刻总结。这种双重发展模式具体表现为个体层面的细微演变和知识体系的整体进步这两个不同尺度的发展阶段。

图1.2　文化算法的基本结构

1.3.3.1　种群空间

智能计算研究持续发展，多种高级优化技术进入群体领域，包括遗传算法、进化规划、遗传规划、粒子群优化方法以及微分进化技术。

1.3.3.2　信度空间

信度空间的根本在于认知的表述与迭代。物种领域的进化方法各异，其应用范畴也千差万别，由此导致信息形态也呈现出多样性。通常情况下，信度空间的信息可分为五种类型：情形认知、准则认知、结构认知、范畴认知以及过往认知。这五种知识基本上都是进化历程中潜在信息的明确呈现，然而在若干需要人类介入的现实改进情形里，体现人类智慧的常规认知同样对进化机制产生关键影响。

依据底层种群进化层所传递的信息来源及其特性，也有研究者将知识细分为三类，分别是常识知识、发展知识以及评判知识，分别用来存放以物件形态表达的明显常识知识、以特征序列表达的潜在发展过程知识、以及以替代模型表达的潜在用户评判知识，进而扩展了知识的表述方式，充实了知识的内涵。

1.3.3.3　接受函数

接受函数从全部种群中挑选出表现更佳的个体，将其送入信赖空间以完成知识库的改进，这项工作的关键点在于确定挑选出的优秀个体数量。现阶段，人们已经研究出了三种接受函数，分别是固定比例接受函数、可变比例接受函数以及不精确接受函数。这三种接受函数都有各自的优势，在具体使用时，需要根据不同的优化任务来决定采用哪一种。

1.3.3.4　影响函数

影响函数核心功能在于借助可信区间内各类学识推动群体演进。初始阶段，群体全面扫描整个寻觅领域，此时规则性学识及结构性学识发挥主导作用，一方面约束探寻范畴，另一方面促使搜寻聚焦于属性值较高的单元。发展中期，需刷新态势学识与规则性学识，从而进一步收窄寻觅范畴，并重新界定结构性学识，引导群体在更精细单元内开展探寻。后期阶段，搜索活动会固定在某个狭窄范围，这样容易陷入局部最优，为此需要借助过往经验，协助群体摆脱这种困境。整个演化期间，专业信息始终为群体发展明确前进路线。通过了解知识对演化进程的辅助效果，可以明白影响机制的核心在于不同类型信息介入群体的时机，以及它所带动群体规模的大小。借助各种知识的影响，文化算法表现出比传统进化算法更快的收敛速度，更强的搜索性能，以及更好的环境适应力。