基于云模型的CMA-ES算法研究與應(yīng)用.pdf

1、針對現(xiàn)實世界中存在的各類優(yōu)化問題，各種優(yōu)化算法被相繼提出。一般地，優(yōu)化算法主要分為確定型算法和概率型算法。傳統(tǒng)的優(yōu)化算法根據(jù)目標函數(shù)的數(shù)學(xué)形式進行極值求取，當面對不連續(xù)、不可導(dǎo)的情形時，確定型算法就顯得無能為力，具有很大的局限性。受自然界啟發(fā)，基于各種自然機制的概率型算法成為優(yōu)化算法發(fā)展的主流，如基于物理機制的模擬退火算法(SA)，基于群智能機制的蟻群優(yōu)化算法(ACO)，基于進化機制的進化算法(EAs)等等。雖然，這些算法在一定程度上表

2、現(xiàn)出令人滿意的求解效果，但在某些問題的求解上仍存在諸如收斂速度慢、搜索能力差、早熟收斂等常見問題。目前，沒有哪一種算法能夠解決所有的優(yōu)化問題，針對具體問題的特點，設(shè)計或改進算法的運行機制來解決不同類型的問題是非常有意義的工作。
　　進化算法作為一種概率型算法，已成為優(yōu)化算法研究的重點領(lǐng)域。進化策略作為進化算法的重要分支之一，在解決連續(xù)實值優(yōu)化問題方面性能優(yōu)越。特別地，協(xié)方差矩陣自適應(yīng)進化策略(CMA-ES)具有不依賴種群大小，小種

3、群收斂快，大種群全局性能好等優(yōu)點，在連續(xù)實值優(yōu)化領(lǐng)域備受關(guān)注。然而，在解決某些問題時，CMA-ES存在同其他進化算法一樣的缺點，如易于陷入局部而難以跳出、求解精度差等。
　　云模型是一種有效的不確定性問題處理工具，可以很好地實現(xiàn)對不確定性問題的建模與推理。進化過程是一個充滿諸多不確定性的復(fù)雜過程，進化過程中的許多概念和行為都具有不確定性。CMA-ES中的步長控制過程遵循不確定性控制準則，利用“進化路徑”的歷史反饋信息，使得進化具有

4、很高的效率，但其通過確定性的函數(shù)映射來實現(xiàn)步長的控制過程，在一定程度上忽視了這種不確定性。針對此問題，本文基于云模型在處理不確定性方面的優(yōu)良能力，對CMA-ES的步長控制過程進行改進，得到了一種基于云推理的改進CMA-ES算法。首先，通過分析算法運行過程，建立步長控制的云推理模型;然后，采用云模型的不確定性推理方法實現(xiàn)對種群步長的不確定性控制;最后，在63個常用的測試函數(shù)組成的測試集上進行仿真測試實驗，結(jié)果表明:改進CMA-ES算法較基

5、本CMA-ES算法有著較強的全局尋優(yōu)能力，在提高求解成功率的同時，進一步提高了求解精度和收斂速度，并具有較好的尋優(yōu)穩(wěn)定性。
　　支持向量機(SVM)模型參數(shù)的選擇對其性能具有很大影響。將改進后的CMA-ES算法引入SVM的參數(shù)優(yōu)化中，得到一種基于改進CMA-ES算法的SVM參數(shù)尋優(yōu)選取方法。通過對常用UCI數(shù)據(jù)集的訓(xùn)練與預(yù)測，并與基于遺傳算法(GA)和粒子群算法(PSO)的方法對比，實驗結(jié)果表明:基于改進CMA-ES算法參數(shù)尋優(yōu)后