第9章 Memetic算法
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（局部搜索的强度与频率） 局部搜索的参数（邻域的形状和大小 / 移动步长）
9.3 静态Memetic算法
静态Memetic算法的特点
一般只采用一种局部搜索策略 局部搜索的执行位置和方式都预先确定，在 算法执行过程中保持不变
目前已提出的Memetic算法，大部分都属于 静态Memetic算法
协 同 进 化 M A 的 流 程 图
k=0
满足算法 结束条件？ 否 评价基因和文化基因的 适应值 根据基因的适应值，选 择出新一代种群 对基因执行交叉、变异 操作，得到下一代群体 对文化基因（meme） 进行进化操作 每个个体都按照它的文 化基因所表示的局部搜 索方式来进行局部搜索
是
结束 返回最优解
不同点
Mosato（1989）提出了Memetic算法 Memetic算法—基于群体的计算智能方法与 局部搜索相结合的一类算法的总称
9.2 Memetic算法的框架
Memetic算法的基本模型（9要素）
MA ( P 0 , 0 , offspringS ize, popSize , l , F , G,U , L)
9.4 动态Memetic算法
动态Memetic算法的流程图
开始 生成初始种群 初始化参数 计算适应值 从L中选出一种局 部搜索策略设置 局部搜索 k=0 利用更新函数得 到新一代种群 利用生成函数产 生新群体 局部搜索
N
结束？
Y 结束 返回最优解
k=k+1
9.4 动态Memetic算法
Meta-Lamarckian学习型Memetic算法
每次执行局部搜索之前，从局部搜索策略池 中选择一种局部搜索方案
基本Meta-Lamarckian学习方案 子问题分解的启发式搜索方案 带偏向性轮盘赌的随机搜索方案
9.4 动态Memetic算法
y 统计局部搜索初始点的邻域中的历 史信息，采用在该邻域中具有最大 平均适应值的局部搜索策略。 执行了局部搜索后，根据局部 搜索取得的适应值改进情况调 整局部搜索的被选择概率
0 P 0 ( x10 , x2 ,, x 0 popSize ) 0
初始种群 算法的初始参数 种群规模 通过生成函数得到的后代的数目
popSize offspringSize
l
F G U L ( L1 , L2 ,, Lm )
编码长度
适应值函数 生成函数（如交叉、变异等算子） 更新函数（如选择算子） 局部搜索策略的集合
（进化算法 / ACO / PSO……）
局部搜索策略的选择
（单一局部搜索策略 / 多种局部搜索策略）
局部搜索策略的位置
（与生成函数相结合 / 与更新函数相结合）
局部搜索的方式（Lamarckian / Baldwinian） 局部搜索的对象（整个群体 / 部分个体） 局部搜索与全局搜索的平衡
动态Memetic算法—动态调整局部搜索策略 分类 按照动态调整类型，分成三类
静态型—按照静态的规则来调整 适应型—利用在线反馈的信息来调整 自适应型—将局部搜索设置信息也编码到算法当中一 起进化（协同进化的MA）
按照自适应的层次，分成三类
外部型—利用外部的先验知识（一般属于静态型） 局部型—采用了局部反馈信息来调整 自适应型—采用了全部反馈信息来调整
代表性算法
Tu and Lu 2004
局部搜索的方式 代表性算法
Lamarckian
Baldwinian
Krasnogor and Smith 2006 Dorigo et al. 2004 一般而言， Lamarckian方式比Baldwinian 方式性能更优
9.4 动态Memetic算法
局部搜索1 局部搜索2 局部搜索3 局部搜索4 局部搜索5 局部搜索6 局部搜索7 局部搜索8 初始时，各种局部搜索策 略具有相同的被选择概率 x 随后，各种局部搜索策略 具有不同的被选择概率
（a）子问题分解的启发式搜索方案
（b）带偏向性轮盘赌的随机搜索方案
9.4 动态Memetic算法
超启发式Memetic算法
随机超启发式 – 随机地选择局部搜索策略 贪心超启发式 – 选择能够得到最大改进幅度 的局部搜索策略 基于选择函数的超启发式 – 根据局部搜索策 略的选择函数F值来选择局部搜索策略。
协同进化Memetic算法
局部搜索的具体设置也编码到个体的基因 中，共同进化。
开始 生成初始种群P0 和参数 0
子程序开始
选择方式？ 方式1 直接选择上一 代的文化基因 方式2 按照文化基因 的适应值选择 对选择出的文化基因群 体进行交叉和变异操作 方式3 随机选择
子程序结束
k = k+1
9.4 动态Memetic算法
部分代表性的动态Memetic算法
类型 静态
基本metaLamarckian学习， Simplerandom等 子问题分解的启发式搜 索，贪心超启发式， Randomdescent， Randompermdescent 带偏向性轮盘赌的随机 搜ห้องสมุดไป่ตู้，基于PSO的 MA， 基于选择函数的超启发 式，快速适应MA 协同进化MA （或自生 MA），自适 应MA
9.3 静态Memetic算法
部分代表性的静态Memetic算法
局部搜索的位置 与生成函数相结合 与更新函数相结合
Nguyen et al. 2007 Nguyen et al. 2002 Burke et al. 2000 Sheng et al. 2007 Noman and Iba 2008 等等
第9章 Memetic算法
Contents
1 2
基本思想
算法框架 静态Memetic算法 动态Memetic算法 研究展望
3
4
5
9.1 Memetic算法的基本思想
Meme概念的提出—Hawkins（1976）
基因（Gene） 相似点 文化基因（Meme） 在遗传过程中通过交叉、 在传播过程中通过交互、 变异等操作不断演化发 融合、变异等方式传承 展 发展 在生物进化过程中，变 异是随机的，只有少数 好的变异能够在自然选 择中得到保留 文化传播过程往往都以 充分的专业领域知识为 基础，进化速度更快
9.2 Memetic算法的框架
Memetic算法的流程图
开始 计算适应值 生成初始种群 初始化参数 利用更新函数得 到新一代种群 k=0 利用生成函数产 生新群体 局部搜索
局部搜索
N
结束？
Y 结束 返回最优解
k=k+1
9.2 Memetic算法的框架
Memetic的各种设计方案：
全局搜索策略的选择
适应
自适应
外部
局部
全局
9.5 Memetic算法的研究展望
理论研究进展
MA的语法框架（Krasnogor和Smith） MA的收敛性分析（Ong et al.） MA的搜索行为和收敛性分析还基本处于空白 状态
应用研究进展
已应用于众多复杂优化问题
应用研究进展
自适应与协同进化MA 多目标MA 基于智能体的MA
9.3 静态Memetic算法
静态Memetic算法的特点
一般只采用一种局部搜索策略 局部搜索的执行位置和方式都预先确定，在 算法执行过程中保持不变
目前已提出的Memetic算法，大部分都属于 静态Memetic算法
协 同 进 化 M A 的 流 程 图
k=0
满足算法 结束条件？ 否 评价基因和文化基因的 适应值 根据基因的适应值，选 择出新一代种群 对基因执行交叉、变异 操作，得到下一代群体 对文化基因（meme） 进行进化操作 每个个体都按照它的文 化基因所表示的局部搜 索方式来进行局部搜索
是
结束 返回最优解
不同点
Mosato（1989）提出了Memetic算法 Memetic算法—基于群体的计算智能方法与 局部搜索相结合的一类算法的总称
9.2 Memetic算法的框架
Memetic算法的基本模型（9要素）
MA ( P 0 , 0 , offspringS ize, popSize , l , F , G,U , L)
9.4 动态Memetic算法
动态Memetic算法的流程图
开始 生成初始种群 初始化参数 计算适应值 从L中选出一种局 部搜索策略设置 局部搜索 k=0 利用更新函数得 到新一代种群 利用生成函数产 生新群体 局部搜索
N
结束？
Y 结束 返回最优解
k=k+1
9.4 动态Memetic算法
Meta-Lamarckian学习型Memetic算法
每次执行局部搜索之前，从局部搜索策略池 中选择一种局部搜索方案
基本Meta-Lamarckian学习方案 子问题分解的启发式搜索方案 带偏向性轮盘赌的随机搜索方案
9.4 动态Memetic算法
y 统计局部搜索初始点的邻域中的历 史信息，采用在该邻域中具有最大 平均适应值的局部搜索策略。 执行了局部搜索后，根据局部 搜索取得的适应值改进情况调 整局部搜索的被选择概率
0 P 0 ( x10 , x2 ,, x 0 popSize ) 0
初始种群 算法的初始参数 种群规模 通过生成函数得到的后代的数目
popSize offspringSize
l
F G U L ( L1 , L2 ,, Lm )
编码长度
适应值函数 生成函数（如交叉、变异等算子） 更新函数（如选择算子） 局部搜索策略的集合
（进化算法 / ACO / PSO……）
局部搜索策略的选择
（单一局部搜索策略 / 多种局部搜索策略）
局部搜索策略的位置
（与生成函数相结合 / 与更新函数相结合）
局部搜索的方式（Lamarckian / Baldwinian） 局部搜索的对象（整个群体 / 部分个体） 局部搜索与全局搜索的平衡
动态Memetic算法—动态调整局部搜索策略 分类 按照动态调整类型，分成三类
静态型—按照静态的规则来调整 适应型—利用在线反馈的信息来调整 自适应型—将局部搜索设置信息也编码到算法当中一 起进化（协同进化的MA）
按照自适应的层次，分成三类
外部型—利用外部的先验知识（一般属于静态型） 局部型—采用了局部反馈信息来调整 自适应型—采用了全部反馈信息来调整
代表性算法
Tu and Lu 2004
局部搜索的方式 代表性算法
Lamarckian
Baldwinian
Krasnogor and Smith 2006 Dorigo et al. 2004 一般而言， Lamarckian方式比Baldwinian 方式性能更优
9.4 动态Memetic算法
局部搜索1 局部搜索2 局部搜索3 局部搜索4 局部搜索5 局部搜索6 局部搜索7 局部搜索8 初始时，各种局部搜索策 略具有相同的被选择概率 x 随后，各种局部搜索策略 具有不同的被选择概率
（a）子问题分解的启发式搜索方案
（b）带偏向性轮盘赌的随机搜索方案
9.4 动态Memetic算法
超启发式Memetic算法
随机超启发式 – 随机地选择局部搜索策略 贪心超启发式 – 选择能够得到最大改进幅度 的局部搜索策略 基于选择函数的超启发式 – 根据局部搜索策 略的选择函数F值来选择局部搜索策略。
协同进化Memetic算法
局部搜索的具体设置也编码到个体的基因 中，共同进化。
开始 生成初始种群P0 和参数 0
子程序开始
选择方式？ 方式1 直接选择上一 代的文化基因 方式2 按照文化基因 的适应值选择 对选择出的文化基因群 体进行交叉和变异操作 方式3 随机选择
子程序结束
k = k+1
9.4 动态Memetic算法
部分代表性的动态Memetic算法
类型 静态
基本metaLamarckian学习， Simplerandom等 子问题分解的启发式搜 索，贪心超启发式， Randomdescent， Randompermdescent 带偏向性轮盘赌的随机 搜ห้องสมุดไป่ตู้，基于PSO的 MA， 基于选择函数的超启发 式，快速适应MA 协同进化MA （或自生 MA），自适 应MA
9.3 静态Memetic算法
部分代表性的静态Memetic算法
局部搜索的位置 与生成函数相结合 与更新函数相结合
Nguyen et al. 2007 Nguyen et al. 2002 Burke et al. 2000 Sheng et al. 2007 Noman and Iba 2008 等等
第9章 Memetic算法
Contents
1 2
基本思想
算法框架 静态Memetic算法 动态Memetic算法 研究展望
3
4
5
9.1 Memetic算法的基本思想
Meme概念的提出—Hawkins（1976）
基因（Gene） 相似点 文化基因（Meme） 在遗传过程中通过交叉、 在传播过程中通过交互、 变异等操作不断演化发 融合、变异等方式传承 展 发展 在生物进化过程中，变 异是随机的，只有少数 好的变异能够在自然选 择中得到保留 文化传播过程往往都以 充分的专业领域知识为 基础，进化速度更快
9.2 Memetic算法的框架
Memetic算法的流程图
开始 计算适应值 生成初始种群 初始化参数 利用更新函数得 到新一代种群 k=0 利用生成函数产 生新群体 局部搜索
局部搜索
N
结束？
Y 结束 返回最优解
k=k+1
9.2 Memetic算法的框架
Memetic的各种设计方案：
全局搜索策略的选择
适应
自适应
外部
局部
全局
9.5 Memetic算法的研究展望
理论研究进展
MA的语法框架（Krasnogor和Smith） MA的收敛性分析（Ong et al.） MA的搜索行为和收敛性分析还基本处于空白 状态
应用研究进展
已应用于众多复杂优化问题
应用研究进展
自适应与协同进化MA 多目标MA 基于智能体的MA