專利名稱：一種基于進(jìn)化算法的優(yōu)化平臺(tái)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明“一種基于進(jìn)化算法的優(yōu)化平臺(tái)”屬計(jì)算機(jī)軟件類產(chǎn)品發(fā)明。它用于求解能用式(1)描述的各種單目標(biāo)函數(shù)優(yōu)化(Optimization)問題min f(X)s.t gi(X)≤0 i＝1，2，…，phj(X)＝0 j＝1，2，…，qLB≤X≤UB其中，f(X)為目標(biāo)函數(shù)，gi(X)≤0 i＝1，2，…，p為不等式約束，hj(X)＝0 j＝1，2，…，q為等式約束，X為自變量向量，LB、UB分別為自變量向量的下界和上界。本發(fā)明也包括用于式(1)中沒有某種或全部約束的特例情況。本發(fā)明還可用于求解最大值問題，因?yàn)樽畲笾祮栴}max f(X)的求解可以轉(zhuǎn)化為最小值問題min-f(X)來進(jìn)行。本發(fā)明不面向組合優(yōu)化類問題的求解。
式(1)所述問題在數(shù)學(xué)上屬數(shù)學(xué)規(guī)劃(Mathematical Programming)問題，式(1)包括了線性規(guī)劃(Linear Programming)問題、非線性規(guī)劃(Nonlinear Programming)問題等，在工程、經(jīng)濟(jì)、社會(huì)管理等領(lǐng)域普遍存在。
背景技術(shù)：
傳統(tǒng)的經(jīng)典的優(yōu)化方法是梯度類的優(yōu)化方法，適合于凸優(yōu)化問題，而式(1)所示優(yōu)化問題未必是凸優(yōu)化問題，更多的是多極值非凸優(yōu)化問題，這使經(jīng)典方法遇到了本質(zhì)上的困難。進(jìn)化算法(Evolutionary Algorithm，EA)，作為一類仿自然過程或社會(huì)過程的優(yōu)化算法，有全局搜索能力，搜索時(shí)不要求梯度等函數(shù)高階信息，因此，在多極值非凸優(yōu)化問題求解中有用武之地。
進(jìn)化算法求解式(1)所述約束優(yōu)化問題時(shí)，通常先定義一個(gè)增廣目標(biāo)函數(shù)，把原優(yōu)化問題轉(zhuǎn)化成無約束的增廣目標(biāo)函數(shù)的求解問題。增廣目標(biāo)函數(shù)一般定義如下Fc(X)＝f(X)+p(g(X)，f(X)，c)(2)其中，p(g(X)，f(X)，c)為定義的罰函數(shù)，它是約束條件違反量(violation)或者說不滿足程度的增函數(shù)，自變量X滿足約束時(shí)其值為0；也是懲罰力度參數(shù)c的增函數(shù)，對(duì)同樣的約束違反量，若c值越大，則罰函數(shù)p值越大、懲罰力度也越大。當(dāng)c取足夠大時(shí)，式(1)的約束優(yōu)化問題與無約束優(yōu)化問題min Fc(X)可認(rèn)為等價(jià)。
基于進(jìn)化算法求優(yōu)時(shí)，為了獲得穩(wěn)定的優(yōu)化過程，一般都采用精英保留策略(Elitism)。采用精英保留策略的進(jìn)化算法的算法框架如下1、初始化隨機(jī)產(chǎn)生若干個(gè)體(即解)，組成初始群體；評(píng)價(jià)，記錄其中的最優(yōu)個(gè)體Elitist；設(shè)置終止代數(shù)T等參數(shù)；t＝0
2、While(Elitist不滿意&t＜T){各種進(jìn)化算子；評(píng)價(jià)，更新Elitist；t＝t+1；}3、進(jìn)化結(jié)束，輸出最優(yōu)個(gè)體Elitist這一框架有廣泛的涵蓋性，不僅遺傳算法(Genetic Algorithms)、進(jìn)化策略(EvolutionStrategies)、進(jìn)化編程(Evolution Programming)等優(yōu)化算法屬于這一框架，其他的諸如免疫算法(Immune Algorithms)、克隆選擇算法(Clonal Selection Algorithms)、粒子群優(yōu)化(Particle Swarm Optimization)算法等也可以納入這一框架。簡(jiǎn)言之，基于進(jìn)化算法的優(yōu)化就是從初始化的解開始，通過進(jìn)化算子不斷生成新解，并不斷評(píng)價(jià)比較和更新解，直到演變出滿意解。
所謂基于進(jìn)化算法的優(yōu)化平臺(tái)，是指該進(jìn)化算法的程序應(yīng)該具有較好的通用性，能支持式(1)所述的各種具體的優(yōu)化問題。這樣的優(yōu)化平臺(tái)應(yīng)該包括四個(gè)模塊待求優(yōu)化問題的輸入模塊，增廣目標(biāo)函數(shù)的定義模塊，進(jìn)化計(jì)算模塊，優(yōu)化結(jié)果的輸出模塊等。其中，涉及兩個(gè)核心問題一個(gè)是增廣目標(biāo)函數(shù)的定義問題，即將約束優(yōu)化問題轉(zhuǎn)化為式(2)無約束優(yōu)化問題時(shí)罰函數(shù)及其參數(shù)的確定問題，另一個(gè)是進(jìn)化算法具體形式的設(shè)計(jì)問題等。
關(guān)于增廣目標(biāo)函數(shù)或罰函數(shù)的定義。目前已提出的方法大概有十多種，大體可分為死亡懲罰(Death Penalty)法、靜止懲罰法(Static Penalty)法、漸增懲罰法等。死亡懲罰法的本質(zhì)是懲罰力度參數(shù)c取正無窮大，缺點(diǎn)是搜索效率低。靜止懲罰法的本質(zhì)是罰參數(shù)c取一個(gè)適當(dāng)大的正常數(shù)，搜索效率有所提高，但解的精度相對(duì)較低。所謂漸增懲罰是指罰函數(shù)p的懲罰力度參數(shù)c也是一個(gè)變量——隨著進(jìn)化代數(shù)的增多逐步增大到足夠大。漸增懲罰法是理想的增廣目標(biāo)函數(shù)定義方式，既有較高的搜索效率又利于獲取較高的解精度。
采用漸增懲罰方式定義增廣目標(biāo)函數(shù)，懲罰力度參數(shù)c通常表現(xiàn)為罰函數(shù)的一個(gè)變因子，故c又稱為懲罰因子，它可取為進(jìn)化代數(shù)的線性增函數(shù)、也可以取為二次增函數(shù)、也可以定義成指數(shù)形式的增函數(shù)，具體形式應(yīng)因問題而已。實(shí)際中對(duì)具體優(yōu)化問題，通常通過試驗(yàn)來確定懲罰力度因子c的合適設(shè)置，包括它的初值及變化規(guī)律的設(shè)置。現(xiàn)在的問題是這樣的罰因子c的試驗(yàn)調(diào)整，總是和文本形式的源程序聯(lián)系在一起的，每遇到一個(gè)優(yōu)化問題就得改變?cè)闯绦騺碓囼?yàn)參數(shù)c的合適設(shè)置，這種做法對(duì)用戶的要求較高、也不方便。(參考文獻(xiàn)S.A.Kazarlis，S.E.Papadakis，J.B.THeocharisMicrogenetic algorithms as generalizedHill-Climbing operators for GA optimization，IEEE transactions on Evolutionary Computation，2001，5(3)204-217)。
關(guān)于進(jìn)化算法具體形式的設(shè)計(jì)問題。在前述進(jìn)化算法框架下，各種進(jìn)化算子的千變?nèi)f化的設(shè)計(jì)與組合，可形成成千上萬的進(jìn)化算法的具體實(shí)現(xiàn)形式。由優(yōu)化領(lǐng)域的“No Free Lunch”定理可知，不存在通用的高效進(jìn)化算法，應(yīng)根據(jù)具體優(yōu)化問題設(shè)計(jì)相應(yīng)的最佳算子及其參數(shù)?，F(xiàn)在已有一些公開的進(jìn)化算法軟件，如matlab7.0中的Genetic Algorithms and DirectSearch Toolbox、還有中文遺傳算法工具箱(西北工業(yè)大學(xué)學(xué)報(bào)，1997，15(3)，355-359)等?，F(xiàn)在的問題是雖然這些工具箱里有現(xiàn)成的進(jìn)化函數(shù)，但是，用戶基于它解決具體的優(yōu)化問題時(shí)，還得進(jìn)行二次開發(fā)——編寫文本形式的源程序或者在命令行進(jìn)行多次文本輸入、通過試驗(yàn)優(yōu)選相應(yīng)的進(jìn)化算子及其參數(shù)的設(shè)置，這同樣對(duì)用戶的要求是比較高的。
另一方面，進(jìn)化計(jì)算過程是一個(gè)隨機(jī)過程，即使是針對(duì)某一問題通過預(yù)先試驗(yàn)優(yōu)選的算子及其參數(shù)，在隨后的進(jìn)化過程中也未必高效。目標(biāo)函數(shù)的未知性和進(jìn)化過程的隨機(jī)性決定了搜索過程的高度摸索性，因此，客觀上要求進(jìn)化算法的算子及其參數(shù)能根據(jù)具體問題的優(yōu)化進(jìn)程在進(jìn)化過程中進(jìn)行動(dòng)態(tài)地調(diào)整，以獲得最高的搜索效率。顯然，基于現(xiàn)有的進(jìn)化工具箱進(jìn)行文本編程或在命令行進(jìn)行多次文本輸入的方式，不適合也不方便進(jìn)化算子及其參數(shù)在進(jìn)化過程中動(dòng)態(tài)調(diào)整。
有文獻(xiàn)提出了一個(gè)稱為Henson的遺傳算法可視化框架(genetic algorithm visualizationframework)，在該框架中提出了通過導(dǎo)航器(navigator)以人機(jī)交互方式改變遺傳算法算子和參數(shù)的思路，但其作者關(guān)于該框架的一個(gè)稱為Gonzo的軟件實(shí)現(xiàn)中并未做到這一點(diǎn)，只在關(guān)于已搜索過程的解的在線回放等方面做了些工作。(參考文獻(xiàn)Trevor D.Collins，Applyingsoftware visualization technology to support the use of evolutionary algorithms，Journal ofVisual Language and Computing，14(2003)，123-150)。還有文獻(xiàn)提出了一個(gè)離線的遺傳算法可視化工具(見Emma Hart，Peter Ross，GAVEL-A new tool for genetic algorithmvisualization，IEEE transactions on Evolutionary Computation，2001，5(4)，335-348)，該工具先記錄整個(gè)進(jìn)化過程的情況，然后離線地利用一個(gè)族譜圖(Ancestry tree)研究進(jìn)化過程中解的演化關(guān)系。目前，尚未發(fā)現(xiàn)不與源程序發(fā)生直接關(guān)系而在進(jìn)化過程中通過人機(jī)界面動(dòng)態(tài)調(diào)整各算子及其參數(shù)的軟件平臺(tái)。
總之，現(xiàn)有的基于進(jìn)化算法的優(yōu)化軟件產(chǎn)品，在求解式(1)所述優(yōu)化問題時(shí)，不管是增廣目標(biāo)函數(shù)定義中的懲罰力度因子c的初值及其變化規(guī)律的設(shè)置，還是進(jìn)化算法設(shè)計(jì)中算子及其參數(shù)的初始情況及其變化規(guī)律的設(shè)置，都需要用戶與文本形式或其他形式的源程序打交道、或在命令行采用多次文本輸入，都不支持用戶在人機(jī)圖形界面下在線地進(jìn)行初始設(shè)置和動(dòng)態(tài)調(diào)整，這對(duì)用戶的要求高、使用也不方便。它們更象是研究?jī)?yōu)化問題的工具，而不象是優(yōu)化式(1)所述一類問題的商用平臺(tái)。
另外，光有人機(jī)圖形界面下在線初始設(shè)置與動(dòng)態(tài)調(diào)整還不夠，作為一個(gè)基于進(jìn)化算法的優(yōu)化平臺(tái)，還需要有好的算子。如果沒有好的算子，即使是對(duì)進(jìn)化算法很熟悉的人，在線設(shè)置與調(diào)整也不可能得心應(yīng)手。原因是現(xiàn)有的眾多的進(jìn)化算子，大多功能重疊、特色不鮮明、專門化程度低。以經(jīng)典的選擇(selection)、交叉(crossover)、變異(mutation)算子為例，選擇算子既想選擇或大量復(fù)制當(dāng)前最優(yōu)個(gè)體，又想保持種群多樣性；交叉算子和變異算子，都既有一定的大范圍勘探的能力又有一定的局部重點(diǎn)搜索的能力，功能有重疊，搜索作用不專一。面對(duì)這樣一堆算子，設(shè)置與調(diào)整它們是一件令人很困惑的事情。
還有，進(jìn)化過程在進(jìn)行動(dòng)態(tài)調(diào)整前，首先還存在一個(gè)對(duì)進(jìn)化平臺(tái)當(dāng)前算子及參數(shù)的評(píng)價(jià)問題。由于進(jìn)化過程的隨機(jī)性，利用進(jìn)化性能評(píng)價(jià)當(dāng)前算子及參數(shù)的優(yōu)劣，客觀上要求減小進(jìn)化過程隨機(jī)性的干擾——這一點(diǎn)尚未得到業(yè)界的關(guān)注。另外，進(jìn)化計(jì)算效率低的問題、進(jìn)化過程中的“早熟(Premature)”問題等也尚待更好的解決方案。

發(fā)明內(nèi)容
發(fā)明目的除了具體優(yōu)化問題的定義外，讓用戶不再與文本形式或其他形式的源程序發(fā)生直接聯(lián)系，讓用戶不再在命令行進(jìn)行多次文本行輸入，而是讓用戶在圖形界面下人機(jī)交互地對(duì)各種量進(jìn)行初始設(shè)置與動(dòng)態(tài)調(diào)整，包括增廣目標(biāo)函數(shù)中的懲罰因子c的初始設(shè)置及其進(jìn)化過程中的動(dòng)態(tài)調(diào)整，各種進(jìn)化算子及其參數(shù)的初始設(shè)置及動(dòng)態(tài)調(diào)整等。
使用搜索功能專一的進(jìn)化算子，以方便用戶對(duì)進(jìn)化算子及其參數(shù)的在線初始設(shè)置與動(dòng)態(tài)調(diào)整。
使用若干特別算法機(jī)制，以減小進(jìn)化過程狀態(tài)的隨機(jī)性對(duì)算子及其參數(shù)評(píng)價(jià)的干擾，以便更容易地跳出進(jìn)化過程中的“早熟”點(diǎn)，提高搜索效率。
技術(shù)方案一種用于式(1)所述優(yōu)化問題的基于進(jìn)化算法的優(yōu)化平臺(tái)，包括四個(gè)模塊——優(yōu)化問題的輸入模塊、增廣目標(biāo)函數(shù)的定義模塊、進(jìn)化計(jì)算模塊、優(yōu)化結(jié)果的輸出模塊等；每個(gè)模塊與用戶的交互都在圖形化界面下進(jìn)行，用戶除定義優(yōu)化問題外，不操作文本形式或其他形式的源程序，不在命令行多次輸入文本行；進(jìn)化計(jì)算模塊使用搜索功能明確專一的兩個(gè)進(jìn)化算子——全局勘探算子和局部重點(diǎn)搜索算子；進(jìn)化計(jì)算模塊支持兩種特別的進(jìn)化機(jī)制——并行計(jì)算機(jī)制和退回機(jī)制等。
平臺(tái)之優(yōu)化問題輸入模塊，讀入約定格式的優(yōu)化問題，依次從其圖形化人機(jī)界面獲取目標(biāo)函數(shù)名、各不等式約束函數(shù)名、各等式約束函數(shù)名及限定的自變量搜索范圍等，同時(shí)將獲取的函數(shù)名和自變量的搜索范圍依次顯示在其圖形化界面供核對(duì)。
平臺(tái)之增廣目標(biāo)函數(shù)定義模塊，針對(duì)讀入的優(yōu)化問題，監(jiān)測(cè)其圖形化界面中懲罰因子c的初始設(shè)置值，定義初始增廣目標(biāo)函數(shù)，監(jiān)測(cè)進(jìn)化過程中其圖形界面中懲罰因子c的動(dòng)態(tài)調(diào)整值，定義相應(yīng)的動(dòng)態(tài)增廣目標(biāo)函數(shù)；支持懲罰因子c的初始值及動(dòng)態(tài)調(diào)整范圍在圖形界面下由人工初始設(shè)定，支持進(jìn)化過程中懲罰因子c的動(dòng)態(tài)值在圖形界面下由人工在其調(diào)整范圍內(nèi)自由調(diào)整。
平臺(tái)之進(jìn)化計(jì)算模塊，在收到其圖形界面的“開始”命令后，先從一個(gè)初始化子模塊開始搜索，然后進(jìn)入其循環(huán)迭代子模塊搜索，其間若收到圖形界面的“停止”命令則暫停搜索，暫停中若收到圖形界面的“繼續(xù)”命令則又繼續(xù)迭代；整個(gè)進(jìn)化計(jì)算模塊支持進(jìn)化算子及其參數(shù)的初始設(shè)置與動(dòng)態(tài)調(diào)整在圖形界面下由人工自由設(shè)置，支持圖形界面不斷顯示進(jìn)化進(jìn)程的當(dāng)前狀態(tài)及部分歷史狀態(tài)信息；其循環(huán)迭代子模塊使用全局勘探算子和局部重點(diǎn)搜索算子，支持按照兩算子及其參數(shù)的當(dāng)前設(shè)置由多臺(tái)計(jì)算機(jī)或虛擬機(jī)分別并行計(jì)算、在并行計(jì)算結(jié)果中擇優(yōu)，支持退回到前面某代的最優(yōu)點(diǎn)重新開始迭代——即退回機(jī)制。
平臺(tái)之優(yōu)化結(jié)果輸出模塊，輸出進(jìn)化計(jì)算模塊獲得的最終優(yōu)化結(jié)果或中間優(yōu)化結(jié)果——從其圖形化人機(jī)界面收到顯示或存儲(chǔ)優(yōu)化結(jié)果的命令后，通過圖形界面顯示或通過存貯介質(zhì)存儲(chǔ)，整個(gè)搜索歷程中碰到的最優(yōu)解的自變量值、目標(biāo)函數(shù)值、增廣目標(biāo)函數(shù)值、約束違反值等。
進(jìn)化計(jì)算模塊中的初始化子模塊，從圖形化界面收到“開始”搜索的命令后，針對(duì)已定義的初始增廣目標(biāo)函數(shù)，讀取圖形界面設(shè)置的初始化群體大小PopSizeInit，在變量搜索范圍內(nèi)隨機(jī)產(chǎn)生PopSizeInit個(gè)個(gè)體構(gòu)成初始群體，利用初始增廣目標(biāo)函數(shù)對(duì)初始群體進(jìn)行評(píng)價(jià)，返回最優(yōu)個(gè)體Ze(包含最優(yōu)個(gè)體的自變量值、目標(biāo)函數(shù)值、增廣目標(biāo)函數(shù)值等)，并將該最優(yōu)個(gè)體推入一個(gè)最優(yōu)個(gè)體棧ZeStack，即令ZeStack＝Ze，并置有史以來最優(yōu)個(gè)體記錄器ZeSofar＝Ze。
進(jìn)化計(jì)算模塊中的循環(huán)迭代子模塊，其每代循環(huán)首先針對(duì)已定義的當(dāng)前增廣目標(biāo)函數(shù)，刷新當(dāng)前最優(yōu)個(gè)體Ze、最優(yōu)個(gè)體棧ZeStack及有史來最優(yōu)個(gè)體ZeSofar這三個(gè)記錄器中個(gè)體的增廣目標(biāo)函數(shù)值；接著從圖形化界面讀取兩進(jìn)化算子及其參數(shù)的當(dāng)前設(shè)定、并行規(guī)模設(shè)定值Parallel、是否退回到先前某代的設(shè)定、及如果退回則退回至先前某代的代號(hào)的設(shè)定等；然后據(jù)此設(shè)置，首先判斷是否要求啟動(dòng)退回機(jī)制，若要求退回，則先將退回操作完成，不管是否退回、接下來進(jìn)入基于當(dāng)前設(shè)置的并行計(jì)算搜索階段，最后利用并行搜索的結(jié)果更新當(dāng)前最優(yōu)個(gè)體Ze、最優(yōu)個(gè)體棧ZeStack及有史來最優(yōu)個(gè)體ZeSofar等，至此當(dāng)代任務(wù)完成，轉(zhuǎn)下一代循環(huán)。兩進(jìn)化算子的當(dāng)前設(shè)定是指當(dāng)前選擇的是哪一個(gè)進(jìn)化算子、還是兩個(gè)都選。
循環(huán)迭代子模塊中的退回操作，如果讀取的界面信息要求該代退回到先前第G代，則在該代內(nèi)立即先將最優(yōu)個(gè)體棧ZeStack截取為它的前G個(gè)個(gè)體，即令ZeStack＝ZeStack(1G)，并將第G代的最優(yōu)解作為當(dāng)前最優(yōu)解，即令Ze＝ZeStack(G)，代內(nèi)退回操作結(jié)束。
循環(huán)迭代子模塊中的并行計(jì)算，基于界面設(shè)定的當(dāng)前算子及參數(shù)用Parallel個(gè)計(jì)算機(jī)或虛擬機(jī)進(jìn)行并行計(jì)算，各并行體內(nèi)按照設(shè)置依次進(jìn)行全局勘探搜索和局部重點(diǎn)搜索，前者搜索算子的輸出解作為后者搜索算子的輸入解，后者的輸出解作為該并行體輸出的最優(yōu)解；設(shè)Parallel個(gè)并行計(jì)算體計(jì)算的最優(yōu)解分別為Ze1，Ze2，…，ZeParallel，接著，則令它們中當(dāng)前增廣目標(biāo)函數(shù)值最小的一個(gè)解作為當(dāng)前最優(yōu)解Ze；并把Ze推入最優(yōu)個(gè)體棧ZeStack，即令ZeStack＝[ZeStack，Ze]，比較Ze與ZeSofar的增廣目標(biāo)函數(shù)值，若Ze的小，則更新ZeSofar，使ZeSofar＝Ze，代內(nèi)并行計(jì)算結(jié)束，返回。
并行計(jì)算中的全局勘探算子的原型為Ze＝GlobalSearch(Ze，F(xiàn)c，R，PopSizeG，PopSizeNiche，GenNiche，RNiche)，含義是——輸入當(dāng)前最優(yōu)個(gè)體Ze，在整個(gè)搜索空間R內(nèi)隨機(jī)產(chǎn)生PopSizeG個(gè)新個(gè)體，在每個(gè)新產(chǎn)生個(gè)體周圍的RNiche鄰域內(nèi)，以PopSizeNiche為種群大小、以GenNiche為代數(shù)進(jìn)行小范圍局部進(jìn)化，產(chǎn)生各自的局部?jī)?yōu)化解，然后對(duì)PopSizeG個(gè)局部?jī)?yōu)化解進(jìn)行評(píng)價(jià)，并與Ze比較，更新當(dāng)前最優(yōu)個(gè)體Ze，輸出Ze；這里，F(xiàn)c為當(dāng)前增廣目標(biāo)函數(shù)，RNiche為決定各個(gè)體鄰域大小的參數(shù)；算子輸入?yún)?shù)均為界面的當(dāng)前設(shè)定。
并行計(jì)算中的局部重點(diǎn)搜索算子的原型為Ze＝LocalSearch(Ze，F(xiàn)c，PopSizeMGA，GenMGA，RMGA)，含義是——輸入當(dāng)前最優(yōu)個(gè)體Ze，在Ze周圍RMGA鄰域內(nèi)，以PopSizeMGA為種群大小、以GenMGA為代數(shù)進(jìn)行小范圍局部進(jìn)化，用局部進(jìn)化的最優(yōu)解更新當(dāng)前最優(yōu)個(gè)體Ze，最后輸出Ze；這里Fc為當(dāng)前動(dòng)態(tài)增廣目標(biāo)函數(shù)，RMGA為決定Ze搜索鄰域大小的參數(shù)；算子輸入?yún)?shù)均為界面的當(dāng)前設(shè)定。
全局勘探算子或局部重點(diǎn)搜索算子中的任意一種鄰域搜索，可采用任何基于精英保留策略(Elitism)的小型進(jìn)化算法，如猴王爬山算子(參考文獻(xiàn)猴王遺傳算法的改進(jìn)，南京師范大學(xué)學(xué)報(bào)(工程技術(shù)版)，2004，4(3)，53-56)等。
另外，進(jìn)化計(jì)算模塊中進(jìn)化進(jìn)程的信息顯示，可包括最優(yōu)個(gè)體棧ZeStack中的增廣目標(biāo)函數(shù)對(duì)進(jìn)化代數(shù)的關(guān)系曲線，當(dāng)前最優(yōu)個(gè)體Ze和有史來最優(yōu)個(gè)體ZeSofar的增廣目標(biāo)函數(shù)值，Ze和ZeSofar的目標(biāo)函數(shù)值，當(dāng)前約束違反值，當(dāng)前進(jìn)化代數(shù)，進(jìn)化時(shí)間，重點(diǎn)搜索與全局搜索的搜索比等。
以上基于進(jìn)化算法的優(yōu)化平臺(tái)之核心步驟的偽代碼如下讀入優(yōu)化問題(包括目標(biāo)函數(shù)、約束函數(shù)、變量個(gè)數(shù)及搜索范圍R)讀取懲罰因子c的初始設(shè)定值，定義初始增廣目標(biāo)函數(shù)Fc讀取初始化群體大小PopSizeInit調(diào)用進(jìn)化算法初始化函數(shù)Ze＝Init(Fc，R，PopSizeInit)將返回的最優(yōu)個(gè)體Ze推入棧，令ZeStack＝Ze，令有史來最優(yōu)個(gè)體記錄器ZeSofar＝Zewhile(未通知輸出結(jié)果){從界面讀入懲罰因子c的當(dāng)前值，定義當(dāng)前增廣目標(biāo)函數(shù)Fc，若c改變，則立即刷新當(dāng)前Ze和ZeStack和ZeSofar的增廣目標(biāo)函數(shù)值從界面讀入進(jìn)化算子及其參數(shù)的當(dāng)前設(shè)置值、并行規(guī)模Parallel、是否退回及退回代數(shù)if要求退回至G代，令Ze＝ZeStack(G)，ZeStack＝ZeStack(1G)，endfor i＝1ParallelZe′＝GlobalSearch(Ze，F(xiàn)c，R，PopSizeG，PopSizeNiche，GenNiche，RNiche)Ze′＝LocalSearch(Ze′，F(xiàn)c，PopSizeMGA，GenMGA，RMGA)ZeTemp(i)＝Ze′End刷新Ze賦值，令Ze為ZeTemp中增廣目標(biāo)函數(shù)值最小的個(gè)體，將Ze推入棧，即令ZeStack＝[ZeStack，Ze]，若Ze的增廣目標(biāo)函數(shù)小于ZeSofar的增廣目標(biāo)函數(shù)，則令ZeSofar＝Ze}輸出有史來最優(yōu)個(gè)體ZeSofar等有益效果本平臺(tái)方案在求解式(1)所述一類優(yōu)化問題時(shí)，由用戶在人機(jī)界面下在線進(jìn)行所有操作，包括，增廣目標(biāo)函數(shù)定義中的懲罰力度因子c的初始設(shè)置與動(dòng)態(tài)調(diào)整、進(jìn)化算法設(shè)計(jì)中算子及其參數(shù)的初始設(shè)置與動(dòng)態(tài)調(diào)整等，用戶除定義優(yōu)化問題外，完全不需要直接與文本形式或其他形式的源程序打交道，不必在命令行多次輸入文本行。因此，本平臺(tái)方案能降低對(duì)用戶的要求、便于用戶的使用，是一個(gè)真正的優(yōu)化一類問題的商用平臺(tái)方案，而不象Matlab遺傳算法工具箱——更象是一個(gè)供研究問題用的工具臺(tái)。
由于進(jìn)化問題的各異性和進(jìn)化過程的高度摸索性，進(jìn)化平臺(tái)對(duì)進(jìn)化算子的根本要求是算子及其參數(shù)要便于在線動(dòng)態(tài)調(diào)整，要使全局勘探搜索力度和局部重點(diǎn)搜索力度動(dòng)態(tài)地達(dá)到一種最佳配比。顯然，本平臺(tái)方案提出的全局勘探搜索算子和局部重點(diǎn)搜索算子是直接面向這樣的要求而設(shè)計(jì)的，它們的功能明確而專一，不再象傳統(tǒng)的選擇、突變、交叉等算子功能重疊——對(duì)其調(diào)整不知所措。由于本平臺(tái)算子數(shù)量少，而且功能簡(jiǎn)單、含義明確、服務(wù)直接，因此用戶調(diào)整起來應(yīng)該更得心應(yīng)手。
對(duì)有些困難的優(yōu)化問題，進(jìn)化過程常常不可避免地會(huì)掉入“早熟”點(diǎn)或者說局部最優(yōu)點(diǎn)，此時(shí)，如果采取增加全局搜索力度的策略，可能付出的代價(jià)太大(因?yàn)椤伴T檻”太高)，一種合理的可供選擇的方法是退回至若干代以前的尚未“早熟”的狀態(tài)重新搜索。本方案支持這樣一種退回機(jī)制，支持想退回幾步就退回幾步。目前，尚未發(fā)現(xiàn)有如此機(jī)制的軟件。因此，本方案在解決“早熟”問題方面，多了一種方式和選擇。
并行計(jì)算是提高進(jìn)化算法搜索效率的一個(gè)有效途徑。進(jìn)化過程中當(dāng)前算子及其參數(shù)的評(píng)價(jià)需要減小進(jìn)化過程隨機(jī)性的干擾。本方案提出的并行機(jī)制使這兩點(diǎn)得到了完美統(tǒng)一，既提高了效率、又減小了隨機(jī)性對(duì)算子及其參數(shù)評(píng)價(jià)的干擾。
一文獻(xiàn)(Tapabrata Ray and K.M.LiewSociety and CivilizationAn OptimizationAlgorithm Based on the Simulation of Social Behavior，IEEE TRANSACTIONS ONEVOLUTIONARY COMPUTATION，2003，7(4)，386-396)中有四個(gè)典型的工程設(shè)計(jì)方面的有約束最小化優(yōu)化問題，經(jīng)計(jì)算，本發(fā)明可獲得最好的結(jié)果。表1是本發(fā)明與該文獻(xiàn)中方法優(yōu)化結(jié)果的比較。表2是對(duì)另一文獻(xiàn)(S.A.Kazarlis，S.E.Papadakis，J.B.THeocharisMicrogeneticalgorithms as generalized Hill-Climbing operators for GA optimization，IEEETRANSACTIONS ON EVOLUTIONARY COMPUTATION，2001，5(3)204-217)中列出的前5個(gè)典型測(cè)試問題的計(jì)算結(jié)果——這5個(gè)問題都是約束最小化優(yōu)化問題，本發(fā)明的計(jì)算結(jié)果也非常令人滿意。
基于本發(fā)明對(duì)以上9個(gè)問題的計(jì)算中，沒有編寫一行源程序。平臺(tái)一旦啟動(dòng)運(yùn)行，可以一個(gè)問題接著一個(gè)問題地進(jìn)行優(yōu)化，等全部?jī)?yōu)化問題結(jié)束后再退出平臺(tái)。9個(gè)問題的計(jì)算結(jié)果分別都是10次計(jì)算的統(tǒng)計(jì)結(jié)果。每個(gè)問題每次計(jì)算得出的最優(yōu)解，基本上比其他方法的都更優(yōu)，而且是穩(wěn)定地獲得這樣的解，相信這是本發(fā)明動(dòng)態(tài)調(diào)整、并行機(jī)制、退回機(jī)制等先進(jìn)理念和技術(shù)的綜合效應(yīng)。
總之，本發(fā)明不僅在方便優(yōu)化用戶操作方面效果明顯，而且在復(fù)雜問題的全局優(yōu)化精度方面表現(xiàn)突出。
表1

表2



附圖1是本發(fā)明優(yōu)化平臺(tái)邏輯結(jié)構(gòu)框圖附圖2是多極小值(或者說多模態(tài))函數(shù)示意圖附圖3是本發(fā)明讀入優(yōu)化問題模塊的界面示意圖附圖4是本發(fā)明進(jìn)化過程中各參量顯示及調(diào)整的界面示意圖附圖5是本發(fā)明各種初始參數(shù)界面設(shè)定的示意圖具體實(shí)施方式
(實(shí)施例)前面在方案中已對(duì)基于進(jìn)化算法的優(yōu)化平臺(tái)的體系結(jié)構(gòu)做出了詳細(xì)的闡述，并給出了其核心步驟的偽代碼。下面，再結(jié)合本發(fā)明已實(shí)現(xiàn)的一個(gè)平臺(tái)，對(duì)發(fā)明的具體實(shí)施方式
做進(jìn)一步的說明。
首先要選定軟件開發(fā)的語言和環(huán)境?？梢哉f，任何支持人機(jī)圖形界面設(shè)計(jì)的軟件語言及環(huán)境都可行，如VC、VB等。已實(shí)現(xiàn)的本發(fā)明平臺(tái)，基于Matlab語言開發(fā)。
關(guān)于讀入優(yōu)化問題模塊的實(shí)施。關(guān)鍵要解決一個(gè)待優(yōu)化問題定義格式的約定問題。原理上講怎么約定都可以，但原則上應(yīng)以方便用戶對(duì)優(yōu)化問題的描述為準(zhǔn)。已實(shí)現(xiàn)的本發(fā)明平臺(tái)，把優(yōu)化問題的目標(biāo)函數(shù)和不等式約束函數(shù)、等式約束函數(shù)都按照Matlab中的函數(shù)定義形式進(jìn)行描述，然后按照附圖3所示的界面讀入各函數(shù)名及其各變量的搜索范圍；同時(shí)，把讀入的信息可顯示在界面供核對(duì)。
關(guān)于增廣目標(biāo)函數(shù)定義模塊的實(shí)施。可將式(1)問題的罰函數(shù)具體定義為
p(g(X),f(X),c)=cΣi=1p[max(gi(X),0)]2+c2Σj=1q[hj(X)]2---(3)]]>其中，c為罰因子、大于0，這樣按照式(2)和罰因子c的當(dāng)前值就可以產(chǎn)生當(dāng)前的增廣目標(biāo)函數(shù)。關(guān)于罰因子c的界面初始設(shè)置可如附圖5所示，c的動(dòng)態(tài)調(diào)整可如附圖4所示。
關(guān)于進(jìn)化計(jì)算模塊的實(shí)施。初始化函數(shù)與兩進(jìn)化算子及其參數(shù)的初始設(shè)置與動(dòng)態(tài)調(diào)整可如附圖5和附圖4所示。兩個(gè)進(jìn)化算子可同時(shí)選中，也可只選中其一。在同時(shí)選中的情況下，還可象本實(shí)現(xiàn)一樣，設(shè)置兩算子調(diào)用比率這一參量，以進(jìn)一步方便兩種搜索力度的調(diào)整，調(diào)用比率指每代每個(gè)并行計(jì)算體上兩個(gè)算子的執(zhí)行次數(shù)之比，設(shè)重點(diǎn)搜索與全局勘探的調(diào)用比率為0.5，意思是每代每個(gè)并行體調(diào)用2次全局搜索算子、1次局部重點(diǎn)搜索算子。
并行規(guī)模和退回代數(shù)可在輸入框直接輸入。在本實(shí)現(xiàn)中，并行計(jì)算實(shí)際是在一臺(tái)計(jì)算機(jī)上進(jìn)行的，是偽并行，與多臺(tái)計(jì)算機(jī)并行的原理相同，實(shí)際中為了提高效率，能用多臺(tái)計(jì)算機(jī)計(jì)算更好。
附圖4和附圖5中“范圍縮比一”和“范圍縮比二”是決定兩算子鄰域搜索時(shí)鄰域大小的參數(shù)，它們和兩算子的其他參數(shù)都可通過“增大”或“減小”按鈕動(dòng)態(tài)調(diào)整，“增大”一次增加一定的倍數(shù)、“減小”一次減小為原來的若干分之一?！伴_始”、“停止”、“繼續(xù)”分別控制進(jìn)化計(jì)算模塊的開始、迭代的中止和繼續(xù)等。在附圖4中，界面不斷顯示和刷新的進(jìn)化過程當(dāng)前狀態(tài)和歷史狀態(tài)的動(dòng)態(tài)信息，主要是增廣目標(biāo)函數(shù)的進(jìn)化曲線、當(dāng)前增廣目標(biāo)函數(shù)值、括號(hào)中為有史來最優(yōu)函數(shù)值、約束違反量值、搜索比等，它們?yōu)槿斯ふ{(diào)整提供依據(jù)。
關(guān)于計(jì)算結(jié)果輸出模塊的實(shí)現(xiàn)。在附圖5中，在界面點(diǎn)擊“顯示結(jié)果”可查看有史來最優(yōu)解的自變量及函數(shù)值等信息；點(diǎn)擊“存儲(chǔ)”可在存儲(chǔ)介質(zhì)上存儲(chǔ)有史來最優(yōu)解的自變量及函數(shù)值等。執(zhí)行“顯示結(jié)果”或“存儲(chǔ)”操作期間，平臺(tái)自動(dòng)暫停搜索，操作結(jié)束則自動(dòng)繼續(xù)迭代搜索。
已實(shí)現(xiàn)的優(yōu)化平臺(tái)，整個(gè)平臺(tái)的主菜單項(xiàng)為“優(yōu)化問題”、“進(jìn)化計(jì)算”，“初始參數(shù)”三項(xiàng)。要優(yōu)化新的問題，則點(diǎn)擊平臺(tái)“優(yōu)化問題”主菜單項(xiàng)讀入新問題。點(diǎn)擊“進(jìn)化計(jì)算”進(jìn)入附圖4界面。點(diǎn)擊“初始參數(shù)”進(jìn)入附圖5界面。退出平臺(tái)，則隨時(shí)點(diǎn)擊右上角的關(guān)閉框即可。
權(quán)利要求
1.一種用于求解單目標(biāo)約束優(yōu)化問題的基于進(jìn)化算法的優(yōu)化平臺(tái)，其特征在于，包括四個(gè)模塊——優(yōu)化問題的輸入模塊、增廣目標(biāo)函數(shù)的定義模塊、進(jìn)化計(jì)算模塊、優(yōu)化結(jié)果的輸出模塊等；每個(gè)模塊與用戶的交互都在圖形化界面下進(jìn)行，用戶除定義優(yōu)化問題外，不操作文本形式或其他形式的源程序，不在命令行多次輸入文本行；進(jìn)化計(jì)算模塊使用搜索功能明確專一的兩個(gè)進(jìn)化算子——全局勘探算子和局部重點(diǎn)搜索算子；進(jìn)化計(jì)算模塊支持兩種特別的進(jìn)化機(jī)制——并行計(jì)算機(jī)制和退回機(jī)制等。
2.根據(jù)權(quán)利要求1中所述的基于進(jìn)化算法的優(yōu)化平臺(tái)，其特征在于，它的優(yōu)化問題輸入模塊，讀入約定格式的優(yōu)化問題，依次從其圖形化人機(jī)界面獲取目標(biāo)函數(shù)名、各不等式約束函數(shù)名、各等式約束函數(shù)名及限定的自變量搜索范圍等，同時(shí)將獲取的函數(shù)名和自變量的搜索范圍依次顯示在其圖形化界面供核對(duì)。
3.根據(jù)權(quán)利要求1中所述的基于進(jìn)化算法的優(yōu)化平臺(tái)，其特征在于，它的增廣目標(biāo)函數(shù)定義模塊，針對(duì)讀入的優(yōu)化問題，監(jiān)測(cè)其圖形化界面中懲罰因子c的初始設(shè)置值，定義初始增廣目標(biāo)函數(shù)，監(jiān)測(cè)進(jìn)化過程中其圖形界面中懲罰因子c的動(dòng)態(tài)調(diào)整值，定義相應(yīng)的動(dòng)態(tài)增廣目標(biāo)函數(shù)；支持懲罰因子c的初始值及動(dòng)態(tài)調(diào)整范圍在圖形界面下由人工初始設(shè)定，支持進(jìn)化過程中懲罰因子c的動(dòng)態(tài)值在圖形界面下由人工在其調(diào)整范圍內(nèi)自由調(diào)整。
4.根據(jù)權(quán)利要求1中所述的基于進(jìn)化算法的優(yōu)化平臺(tái)，其特征在于，它的進(jìn)化計(jì)算模塊，在收到其圖形界面的“開始”命令后，先從一個(gè)初始化子模塊開始搜索，然后進(jìn)入其循環(huán)迭代子模塊搜索，其間若收到圖形界面的“停止”命令則暫停搜索，暫停中若收到圖形界面的“繼續(xù)”命令則又繼續(xù)迭代；整個(gè)進(jìn)化計(jì)算模塊支持進(jìn)化算子及其參數(shù)的初始設(shè)置與動(dòng)態(tài)調(diào)整在圖形界面下由人工自由設(shè)置，支持圖形界面不斷顯示進(jìn)化進(jìn)程的當(dāng)前狀態(tài)及部分歷史狀態(tài)信息；其循環(huán)迭代子模塊使用全局勘探算子和局部重點(diǎn)搜索算子，支持按照兩算子及其參數(shù)的當(dāng)前設(shè)置由多臺(tái)計(jì)算機(jī)或虛擬機(jī)分別并行計(jì)算、在并行計(jì)算結(jié)果中擇優(yōu)，支持退回到前面某代的最優(yōu)點(diǎn)重新開始迭代——即退回機(jī)制。
5.根據(jù)權(quán)利要求1中所述的基于進(jìn)化算法的優(yōu)化平臺(tái)，其特征在于，它的優(yōu)化結(jié)果輸出模塊，輸出進(jìn)化計(jì)算模塊獲得的最終優(yōu)化結(jié)果或中間優(yōu)化結(jié)果——從其圖形化人機(jī)界面收到顯示或存儲(chǔ)優(yōu)化結(jié)果的命令后，通過圖形界面顯示或通過存貯介質(zhì)存儲(chǔ)，整個(gè)搜索歷程中碰到的最優(yōu)解的自變量值、目標(biāo)函數(shù)值、增廣目標(biāo)函數(shù)值、約束違反值等。
6.根據(jù)權(quán)利要求4中所述的進(jìn)化計(jì)算模塊，其特征在于，它的初始化子模塊，從圖形化界面收到“開始”搜索的命令后，針對(duì)已定義的初始增廣目標(biāo)函數(shù)，讀取圖形界面設(shè)置的初始化群體大小PopSizeInit，在變量搜索范圍內(nèi)隨機(jī)產(chǎn)生PopSizeInit個(gè)個(gè)體構(gòu)成初始群體，利用初始增廣目標(biāo)函數(shù)對(duì)初始群體進(jìn)行評(píng)價(jià)，返回最優(yōu)個(gè)體Ze(包含最優(yōu)個(gè)體的自變量值、目標(biāo)函數(shù)值、增廣目標(biāo)函數(shù)值等)，并將該最優(yōu)個(gè)體推入一個(gè)最優(yōu)個(gè)體棧ZeStack，即令ZeStack＝Ze，并置有史以來最優(yōu)個(gè)體記錄器ZeSofar＝Ze。
7.根據(jù)權(quán)利要求4中所述的進(jìn)化計(jì)算模塊，其特征在于，它的循環(huán)迭代子模塊，其每代循環(huán)首先針對(duì)已定義的當(dāng)前增廣目標(biāo)函數(shù)，刷新當(dāng)前最優(yōu)個(gè)體Ze、最優(yōu)個(gè)體棧ZeStack及有史來最優(yōu)個(gè)體ZeSofar這三個(gè)記錄器中個(gè)體的增廣目標(biāo)函數(shù)值；接著從圖形化界面讀取兩進(jìn)化算子及其參數(shù)的當(dāng)前設(shè)定值、并行規(guī)模設(shè)定值Parallel、是否退回到先前某代的設(shè)定、及如果退回則退回至先前某代的代號(hào)的設(shè)定等；然后據(jù)此設(shè)置，首先判斷是否要求啟動(dòng)退回機(jī)制，若要求退回，則先將退回操作完成，不管是否退回、接下來進(jìn)入基于當(dāng)前設(shè)置的并行計(jì)算搜索階段，最后利用并行搜索的結(jié)果更新當(dāng)前最優(yōu)個(gè)體Ze、最優(yōu)個(gè)體棧ZeStack及有史來最優(yōu)個(gè)體ZeSofar等，至此當(dāng)代任務(wù)完成，轉(zhuǎn)下一代循環(huán)。
8.根據(jù)權(quán)利要求7中所述的循環(huán)迭代子模塊，其特征在于，它在退回操作中，如果讀取的界面信息要求該代退回到先前第G代，則在該代內(nèi)立即先將最優(yōu)個(gè)體棧ZeStack截取為它的前G個(gè)個(gè)體，即令ZeStack＝ZeStack(1:G)，并將第G代的最優(yōu)解作為當(dāng)前最優(yōu)解，即令Ze＝ZeStack(G)，代內(nèi)退回操作結(jié)束。
9.根據(jù)權(quán)利要求7中所述的循環(huán)迭代子模塊，其特征在于，它在并行計(jì)算中，基于界面設(shè)定的當(dāng)前算子及參數(shù)用Parallel個(gè)計(jì)算機(jī)或虛擬機(jī)進(jìn)行并行計(jì)算，各并行體內(nèi)依次按設(shè)置進(jìn)行全局勘探搜索和局部重點(diǎn)搜索，前者搜索算子的輸出解作為后者搜索算子的輸入解，后者的輸出解作為該并行體輸出的最優(yōu)解；設(shè)Parallel個(gè)并行計(jì)算體計(jì)算的最優(yōu)解分別為Ze1，Ze2，…，ZeParallel，接著，則令它們中當(dāng)前增廣目標(biāo)函數(shù)值最小的一個(gè)解作為當(dāng)前最優(yōu)解Ze；并把Ze推入最優(yōu)個(gè)體棧ZeStack，即令ZeStack＝[ZeStack，Ze]，比較Ze與ZeSofar的增廣目標(biāo)函數(shù)值，若Ze的小，則更新ZeSofar，使ZeSofar＝Ze，代內(nèi)并行計(jì)算結(jié)束。
10.根據(jù)權(quán)利要求9中所述的并行計(jì)算，其特征在于，它的全局勘探算子的原型為Ze＝GlobalSearch(Ze，F(xiàn)c，R，PopSizeG，PopSizeNiche，GenNiche，RNiche)，含義是——輸入當(dāng)前最優(yōu)個(gè)體Ze，在整個(gè)搜索空間R內(nèi)隨機(jī)產(chǎn)生PopSizeG個(gè)新個(gè)體，在每個(gè)新產(chǎn)生個(gè)體周圍的RNiche鄰域內(nèi)，以PopSizeNiche為種群大小、以GenNiche為代數(shù)進(jìn)行小范圍局部進(jìn)化，產(chǎn)生各自的局部?jī)?yōu)化解，然后對(duì)PopSizeG個(gè)局部?jī)?yōu)化解進(jìn)行評(píng)價(jià)，并與Ze比較，更新當(dāng)前最優(yōu)個(gè)體Ze，輸出Ze；這里，F(xiàn)c為當(dāng)前增廣目標(biāo)函數(shù)，RNiche為決定各個(gè)體鄰域大小的參數(shù)；算子輸入?yún)?shù)均為界面的當(dāng)前設(shè)定。
11.根據(jù)權(quán)利要求9中所述的并行計(jì)算，其特征在于，它的局部重點(diǎn)搜索算子的原型為Ze＝LocalSearch(Ze，F(xiàn)c，PopSizeMGA，GenMGA，RMGA)，含義是——輸入當(dāng)前最優(yōu)個(gè)體Ze，在Ze周圍RMGA鄰域內(nèi)，以PopSizeMGA為種群大小、以GenMGA為代數(shù)進(jìn)行小范圍局部進(jìn)化，用局部進(jìn)化的最優(yōu)解更新當(dāng)前最優(yōu)個(gè)體Ze，最后輸出Ze；這里Fc為當(dāng)前動(dòng)態(tài)增廣目標(biāo)函數(shù)，RMGA為決定Ze搜索鄰域大小的參數(shù)；算子輸入?yún)?shù)均為界面的當(dāng)前設(shè)定。
12.根據(jù)權(quán)利要求10或11中所述的任意一種鄰域搜索，其特征在于，它可采用任何基于精英保留策略(Elitism)的小型進(jìn)化算法，如猴王爬山算子(參考文獻(xiàn)猴王遺傳算法的改進(jìn)，南京師范大學(xué)學(xué)報(bào)(工程技術(shù)版)，2004，4(3)，53-56)等。
13.根據(jù)權(quán)利要求4中所述的進(jìn)化計(jì)算模塊，其特征在于，界面顯示的進(jìn)化進(jìn)程的有關(guān)信息，包括最優(yōu)個(gè)體棧ZeStack中的增廣目標(biāo)函數(shù)對(duì)進(jìn)化代數(shù)的關(guān)系曲線，當(dāng)前最優(yōu)個(gè)體Ze和有史來最優(yōu)個(gè)體ZeSofar的增廣目標(biāo)函數(shù)值，Ze和Zesofar的目標(biāo)函數(shù)值，當(dāng)前約束違反值，當(dāng)前進(jìn)化代數(shù)，進(jìn)化時(shí)間，重點(diǎn)搜索與全局搜索的搜索比等。
全文摘要
一種基于進(jìn)化算法的優(yōu)化平臺(tái)，它用于線性規(guī)劃、非線性規(guī)劃等單目標(biāo)約束優(yōu)化問題的求解，特別是多極值全局優(yōu)化問題的精確求解。平臺(tái)旨在克服現(xiàn)有進(jìn)化工具需要用戶編寫源程序、或需要在命令行進(jìn)行多次文本輸入的麻煩，克服進(jìn)化算法算子功能重疊使用不便的問題、進(jìn)化機(jī)制不健全的問題等。平臺(tái)的特點(diǎn)是包括四個(gè)模塊——優(yōu)化問題的輸入模塊、增廣目標(biāo)函數(shù)的定義模塊、進(jìn)化計(jì)算模塊、優(yōu)化結(jié)果的輸出模塊等；每個(gè)模塊與用戶的交互都在圖形化界面下進(jìn)行；進(jìn)化計(jì)算模塊只使用兩個(gè)功能明確的進(jìn)化算子——全局勘探算子和局部重點(diǎn)搜索算子；增加了特別的并行計(jì)算機(jī)制和退回機(jī)制等。
文檔編號(hào)G06Q10/00GK1750029SQ200510094958
公開日2006年3月22日 申請(qǐng)日期2005年10月24日 優(yōu)先權(quán)日2005年10月24日
發(fā)明者劉紅星, 沈慶宏, 朱博, 肇瑩, 劉聆哲, 高敦堂, 都思丹 申請(qǐng)人:南京大學(xué)