电子学报 ›› 2016, Vol. 44 ›› Issue (6): 1481-1489.DOI: 10.3969/j.issn.0372-2112.2016.06.032

• 学术论文 • 上一篇    下一篇

基于两阶段搜索算法的多峰函数优化

李焕哲1,2, 吴志健1, 郭肇禄3, 刘会超1, 汪慎文2   

  1. 1. 武汉大学计算机学院软件工程国家重点实验室, 湖北武汉 430072;
    2. 河北地质大学信息工程学院, 河北石家庄 050031;
    3. 江西理工大学理学院, 江西赣州 341000
  • 收稿日期:2015-07-27 修回日期:2015-09-20 出版日期:2016-06-25 发布日期:2016-06-25
  • 作者简介:李焕哲 男,1975年生,河北唐山人,武汉大学计算机学院博士研究生,研究方向:智能计算、机器学习.E-mail:lihuanzhe@whu.edu.cn;吴志健 男,1963年生,教授,博士生导师,武汉大学软件工程国家重点实验室副主任,研究方向:智能计算、并行计算和智能信息处理.E-mail:zhijianwu@whu.edu.cn;郭肇禄 男,1984年生,江西南康人,博士,研究方向为智能计算、并行计算和机器学习.E-mail:gzl@whu.edu.cn;刘会超 男,1982年生,河南驻马店人,博士生,研究方向为智能计算.E-mail:huichaoliu@whu.edu.cn;汪慎文 男,1979年生,副教授,博士后,研究方向为智能计算与机器学习等.E-mail:wangshenwen@whu.edu.cn
  • 基金资助:

    国家自然科学基金(No.61364025,No.61402481);江西省自然科学基金(No.20151BAB217010);河北省自然科学基金(No.F2015403046);武汉大学软件工程国家重点实验室开放基金(No.SKLSE2014-10-04);河北省科学技术支撑项目(No.12210319)

Multimodal Function Optimization Based on Two-Stage Search Algorithm

LI Huan-zhe1,2, WU Zhi-jian1, GUO Zhao-lu3, LIU Hui-chao1, WANG Shen-wen2   

  1. 1. State Key Lab of Software Engineering, Computer School, Wuhan University, Wuhan, Hubei 430072, China;
    2. School of Information Engineering, Hebei GEO University, Shijiazhuang, Hebei 050031, China;
    3. School of Science, Jiangxi University of Science and Technology, Ganzhou, Jiangxi 341000, China
  • Received:2015-07-27 Revised:2015-09-20 Online:2016-06-25 Published:2016-06-25

摘要:

多峰优化问题需要搜索多个最优值(全局最优/局部最优),这给传统的优化算法带来很大程度上的挑战.本文提出了一种两阶段算法求解多峰优化问题.第一阶段采用带有邻域变异策略的排挤差分演化算法进行粗粒度搜索,在适应度景观上尽可能多的找到最优解的大概位置.搜索一定代数之后,调用DMC聚类方法把搜索种群划分成多个聚类,然后在每个聚类上调用协方差矩阵自适应演化策略算法进行精细搜索.另外,本文还提出搜索点补充策略用于平衡每个聚类的大小及增加算法初期的搜索能力.我们提出的方法和9个较新的经典算法在两个基准测试集上进行了大量对比测试,结果表明新算法是有效的,在大多数测试函数上都优于其它算法.

关键词: 排挤差分演化, 协方差矩阵自适应演化策略, 多峰优化, 小生境, 邻域变异

Abstract:

Multimodal optimization aims to search multiple optima (global and/or local optima) simultaneously, which gives rise to a challenging task for traditional optimization algorithms.This paper proposes a two-stage algorithm to solve multimodal optimization problems.In the first stage, NCDE with neighborhood mutation strategy tries its best to find as many approximate positions of optimal solutions as possible on the fitness landscape.After NCDE runs a certain number of iterations, DMC method is employed to divide the entire population into multiple clusters, and then CMA-ES algorithm is used to perform fine search on each cluster which is found by NCDE.Additionally, search point replenishment strategy is put forward to balance cluster size and to increase search capability of our algorithm in the beginning of the running.Extensive comparative experiments is made between our proposed approach and 9 state-of-the-art algorithms on two benchmark sets, the results show that the new algorithm is effective and superior to the other algorithms on the majority of test functions.

Key words: crowding differential evolution, covariance matrix adaptation evolution strategy, multimodal optimization, niching, neighborhood mutation

中图分类号: