摘要: 随着众多领域的智能化发展，复杂优化问题层出不穷、与日俱增，亟待智能化的优化方法。进化计算是一类启发于自然界的生物演化规律和群体智能行为的通用性优化方法，通过种群迭代演化完成对问题的优化求解。进化计算由于适用于求解数学模型难以精确表... 展开 随着众多领域的智能化发展，复杂优化问题层出不穷、与日俱增，亟待智能化的优化方法。进化计算是一类启发于自然界的生物演化规律和群体智能行为的通用性优化方法，通过种群迭代演化完成对问题的优化求解。进化计算由于适用于求解数学模型难以精确表达的困难优化问题，已在各式各样的优化问题中被广泛运用并取得出色效果。然而，在面对复杂特性不断激增的优化问题时，传统进化计算仍然面临全局搜索差、计算效率低和多解能力弱的性能瓶颈问题。针对这些问题，本文提出了多层次多尺度知识辅助进化计算的研究思路，分别从问题、模型和算法三个层次以及每个层次中的小尺度和大尺度共六个尺度进行切入，开展知识辅助进化计算的研究，并在大规模神经网络参数优化、智慧城市主干道交通信号优化、多智能机器人导航优化和疫情下物流车辆路径优化等不同领域场景进行应用验证。 本文的主要研究工作与贡献包括： 第一，本文提出了问题层次多尺度知识辅助的进化计算方法，增强了进化计算对大规模问题和昂贵优化问题的全局搜索能力，其中包括：（1）在问题层次变量尺度知识辅助方面，提出了变量关联知识辅助的大规模协同进化算法。首先，提出了乘法可分函数的相关理论，形成可用于加法可分问题和乘法可分问题的双重差分分组方法；然后，基于双重差分分组对问题的多种变量关联知识进行主动学习提取，并利用变量关联知识将问题分解为若干低维子问题；最后，结合协同进化算法对子问题进行协同搜索和求解，从而增强了算法对不同类别大规模问题的全局搜索能力。所提出的算法在前沿的竞赛测试问题与大规模神经网络参数优化问题实例中进行了应用验证。（2）在问题层次函数尺度知识辅助方面，提出了问题适应值知识辅助的数据驱动型进化算法。通过提出并采用局部数据生成方法和提升型代理模型管理方法，基于适应值知识辅助建立精准可靠的数据驱动代理模型，替代计算代价昂贵的真实适应值评估，从而驱动进化算法对昂贵优化问题进行全局搜索，增强了算法对昂贵优化问题的全局搜索能力。所提出的算法在标准测试问题和智慧城市主干道交通信号优化实例中进行了测试验证。 第二，本文提出了模型层次多尺度知识辅助的进化计算方法，提高了进化计算的并行效率和计算资源使用效率，从而提升了算法计算效率，其中包括：（1）在模型层次粒子尺度知识辅助方面，通过采用并行粒子群模型的粒子间拓扑结构知识，结合流水线技术的思想，提出了流水线并行化粒子群优化算法，将粒子个体的演化进行世代层面的并行，使得当一些粒子在进行当代的演化时，其它粒子可以进入下一代甚至再下一代进行演化，从而提高算法的并行效率和计算效率。此外，对所提出的算法进行了加速方面的理论分析，并在不同分布式计算平台上成功实现了世代层面的并行化，耗时仿真实验的结果也与理论分析一致，提出的方法极大提升了算法计算效率。（2）在模型层次群体尺度知识辅助方面，提出了分布式群体间拓扑结构知识辅助的分布式差分进化算法。通过提出并采用新型的总体表现评估指标和计算资源分配方法，基于多个种群的表现优劣设置分布式种群群体间资源分配的拓扑结构，并基于拓扑结构进行自适应资源分配，将计算资源从较差种群分配到较好种群，减少计算资源的浪费，提高资源的总体利用率，提升算法计算效率。此外，对上述提出的算法进行了理论分析和讨论了其优化误差的下界，并在耗时仿真实验上与前沿的分布式算法进行了测试对比。 第三，本文提出了算法层次多尺度知识辅助的进化计算方法，提高了进化计算的多任务和多目标求解能力，其中包括：（1）在算法层次个体尺度知识辅助方面，提出了个体演化元知识辅助的多任务差分进化算法，通过对算法个体演化过程的元知识进行迁移利用，提升了进化计算的跨领域通用求解性能，从而提高了进化计算对多个任务的协同求解能力。所提出的算法在前沿的竞赛测试问题与多智能机器人导航优化问题中进行了应用验证。（2）在算法层次种群尺度知识辅助方面，提出了种群演化元知识辅助的多目标蚁群系统算法，分别采用多个种群求解多个目标函数，并通过融合利用各个种群求解各自目标过程中获得的元知识，生成权衡多个冲突目标的高质量解，提高进化计算对多个目标的协同求解能力。所提出的算法在疫情情况下的物流车辆路径优化问题中进行了应用验证。 综上所述，本文基于多层次多尺度知识辅助进化计算的研究思路，开展了知识化智能算法研究，从而提高进化计算的全局搜索能力、计算效率和多解能力，实现了进化计算对复杂优化问题的“优解”、“快解”以及“多解”，并在大规模神经网络参数优化、智慧城市主干道交通信号优化、多智能机器人导航优化和疫情情况下物流车辆路径优化问题中进行了应用验证。相关研究既为复杂优化问题提供了高效优化方法，也为进化计算在复杂优化领域的发展做出了贡献，还为知识引导与人工智能方法的结合研究提供了启发。 收起