动态环境下一种具有记忆能力的分布估计算法
DOI:
CSTR:
作者:
作者单位:

1. 西北工业大学航海学院
2. 西北工业大学电子信息学院

作者简介:

彭星光

通讯作者:

中图分类号:

TP18

基金项目:


A Memory Enhanced Estimation of Distribution Algorithm in Dynamic Environments
Author:
Affiliation:

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    分布估计算法的概率模型描述了种群优良解的分布,可以被视为优良解集的抽象。根据这个特点,本文以概率模型为基本记忆元素,对动态优化过程中所产生的历史信息进行记忆并在新环境下加以利用,提出一种具有记忆能力的分布估计算法用以求解动态优化问题。设计了基于最佳个体+采样平均环境辨识技术的记忆管理策略,并对种群多样性进行动态补偿。实验结果表明,该算法具有良好的通用性,所采用的多样性补偿策略能够保证算法种群对最优解的持续搜索能力。在对五个动态优化问题的实验中,该算法在绝大多数情况下都显著优于现有的另外两种动态进化算法。

    Abstract:

    In the Estimation of Distribution Algorithm (EDA), the distribution of the high performance solutions is presented by a so called probability model. From this point of view, a memory enhanced estimation of distribution algorithm (M-EDA) is proposed to solve the dynamic optimization problems (DOPs). In the M-EDA, a probability model is stored as the basic memory element and reuse under the new environments. A memory management scheme combines the best individual method with the samples averaging method is designed and the population diversity is compensated dynamically. The experiment results show the universal property of the M-EDA and verify the ability of the diversity compensation methods to maintain the diversity of the population. In the experiments on five dynamic optimization problems, M-EDA performs significantly better than the other two state-of-art dynamic evolutionary algorithms.

    参考文献
    相似文献
    引证文献
引用本文

彭星光 高晓光.动态环境下一种具有记忆能力的分布估计算法[J].控制与决策,2010,25(3):339-345

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2009-04-02
  • 最后修改日期:2009-09-02
  • 录用日期:
  • 在线发布日期: 2010-03-20
  • 出版日期:
文章二维码