进化数据驱动的群体智能算法及其分布式计算模型研究

Due to the limited cognitive level, mankind has yet to fully understand the internal mechanism of swarm intelligent behavior emergence, which provides a broad space for researching swarm intelligence. In order to explore the emergence mechanism of swarm intelligent behavior based on physics principles, the subject combination of biological and physical systems with self-organizing, self-learning and self-adaptiveness characteristics, bio-aggregative model and foraging model are established inspired by physics laws revealing a regular physical phenomena presented by nature. Through constructing the mapping ralationship between bio-foraging model and swarm optimization algorithm, the subject systemically researches the construction method of environmental indicators and particle state and the mapping ralationship between the two and particle states of matter, and researches how to set the physical properties set of the particle, how to construct the fitness-related properties function, the force law between particles and the property changing function under different particle states of matter. Hence, a unified framework model of swarm intelligence algorithm based on physics principle has been created, which proposes a set of design methods to swarm intelligence algorithm based on physics principle for solving optimization problems, lays the theoretical foundation for researching swarm intelligence from the physics point of view and provides a new ideas for enriching computational intelligence methods.

适应值计算耗时问题是进化类算法应用的瓶颈，也是目前进化算法研究领域的热点问题。高效的适应值函数近似代理模型辅助的进化算法和高性能分布式计算环境是解决此问题的两种有效途径。本项目以微粒群算法为基本算法，同时考虑代理模型辅助的群体智能算法及其分布式计算模型，研究分布式计算环境下的进化数据驱动的群体智能算法。首先，建立历史进化数据的Key-value数据库及其模糊信息粒化模型，构建历史进化数据驱动的群体智能算法的统一集成框架及其分布式计算模型；然后，研究数据驱动的群体智能算法分布式计算模型在分布式计算集群GPGPU环境下高效实现的关键技术，并以典型测试函数为例进行实验研究；最后，以大型起重机的结构优化设计问题为对象开展应用研究。本项目研究可为数据驱动的进化算法及其分布式实现研究提供理论支撑、解决方案和应用案例。

随着实际优化问题的复杂化,对优化问题的设计性能评价,即目标函数,往往通过一些高精度的数值分析方法来实现,而这些高精度的数值分析方法往往需要耗费大量的计算时间。而进化优化算法在获得最优解之前往往需要大量的设计性能评价,这就限制了其在性能评价计算费时的优化问题上的应用。高效的近似目标函数的代理模型辅助的进化优化算法和高性能分布式计算环境是解决这类问题的两种有效途径。为此，本项目主要从进化历史数据的高效查询、代理模型辅助的进化优化方法、半监督学习辅助的进化优化以及并行计算等方面展开研究。在进化历史数据的高效查询方面，利用哈希表的高速存取能力，将哈希表用于存取适应值的历史计算数据，从而避免优化过程中适应值的重复计算。在代理模型辅助的进化优化方面，分别从单代理模型、多代理模型以及相应的模型管理等方面展开深入研究，从模型的选择策略、使用真实目标函数计算的真实个体的选择以及对Kriging模型中不同的核函数对优化结果的结果进行了分析研究。在半监督学习辅助的进化优化算法中，利用进化过程中的非标注数据，结合标注数据共同建立代理模型，从而辅助进化算法求解计算费时优化问题。此外，实现了在CUDA框架下的微粒群算法，并提出了粗细粒度模型下的微粒群算法。最后，在两个实际的机械优化问题中得到了应用。该项目的研究不仅为求解计算费时的复杂优化问题提供了新的有效方法,而且可进一步为实际复杂工程问题的优化设计提供技术和理论依据。该项目所取得的成果已发表在《IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION》、《Information Sciences》、《Knowledge-based Systems》等该领域知名期刊以及GECCO、CEC、SSCI等知名国际会议上,发表与录用15篇。