进化策略学习、收敛和逃逸能力的研究及应用

进化计算是一种受生物进化论启发而建立的优化算法,拓展了传统的计算模式,为复杂问题的求解提供了新的解决办法。将进化策略和学习算法相结合是当前的发展方向之一,但是理论研究相对较少,限制了它的进一步发展。本文首先分析了基于拉马克主义的进化学习策略(简称LELS)和基于达尔文主义的进化学习策略(简称DELS)的异同;利用马尔可夫链理论证明了此类算法的收敛性,并且在理论上分析了DELS具仃更强的局部逃逸能力,算法的运行速度也明显得到了提高。 接下来本文分别将均匀变异算子引入进化策略和进化学习策略中,使得该类算法结构更简单,理论分析更方便,局部逃逸能力较好,并对收敛性进行了证明,最后的仿真实验表明了该方法的有效性。 模糊系统的可解释性明显优于其他人工智能方法,却长期没有引起人们足够的注意。本文对模糊系统的可解释性作了深入的分析,定义了最简约模糊划分、模糊划分的完备-清晰性、模糊规则的完备性、紧凑性和一致性,并将其加入到进化策略的适值函数中,用于优化模糊系统。即使在先验知识较少的情况下,该方法依然可以设计出具有较好系统响应性能和较高可解释性的模糊系统。 针对K-means聚类算法易陷入局部极小和K值选取的问题,本文提出一类基于进化策略的聚类算法,可以有效的搜索最优聚类中心和聚类个数K;还提出了确定K值范围经验公式,以减小搜索空间,提高搜索效率,并给出理论分析。 传统的观点认为进化策略是一种全局随机多点搜索技术,LMS算法是一种基于梯度法的单点搜索策略,这两种算法是两种截然小同的。本章对此进行了深入的探讨,认为这两者之间的差异更多的是基于我们平时的一些“想当然”的观念上的,进化策略可以看作是一种“概率”意义上的梯度搜索技术,而LMS算法也可以看作一种多点搜索技术。