智能仿真优化理论与方法研究

本项目针对仿真优化中现存的问题，比如随机性、复杂性、多目标、动态性、自动化程度不高等，主要研究融合人工智能、统计分析、智能算法和仿真模型为一体的智能.仿真优化方法和理论。具体地，包括基于知识库和推理机制的智能仿真优化的框架、智能仿.真优化算法的收敛性和运行时分析、以及基于云仿真平台的实现方法。算法域，主要研究基于迭代的元启发式算法：广义预测控制演化策略，并研究多目标、多约束仿真优化问题；模型域，结合人工智能提高仿真数据自动化分析水平；策略域，为了克服仿真模型的噪声问题，尝试采用多种解决方案：基于假设检验的方法构建种群算法中个体的偏序关系，进而引导算法的搜索；采用优先方案排序选择的方法，在一定正确选择概率的意义下为种群算法中的个体进行排序；结合元模型来抑制仿真模型的噪声。实现域，探讨在"云仿真"平台下智能仿真优化的实现技术。

本项目主要研究融合人工智能、统计分析、智能算法和仿真模型为一体的智能仿真优化方法和理论。具体地，包括基于知识库和推理机制的智能仿真优化的框架、智能仿真优化算法的收敛性和运行时分析、以及基于云仿真平台的实现方法。智能仿真优化可以表示为：智能仿真优化=智能优化算法+仿真模型+人工智能；智能优化算法主要是指基于迭代的元启发式算法，是优化的指挥者和调度者，仿真模型是优化的核心和基础，人工智能是自动化数据分析、指导算法搜索的协调师。为了克服仿真模型的噪声问题，本项目尝试采用两种解决方案：一种是基于假设检验的方法构建种群算法中个体的偏序关系，进而引导算法的搜索；另一种是采用优先方案排序选择的方法，在一定正确选择概率的意义下为种群算法中的个体进行排序。项目主要研究了智能仿真优化框架下的相关实现技术，实验的结果证明了项目所涉及的方法的有效性。针对多模态优化问题，提出了混合高斯模型来为决策者提供多个决策解。将智能仿真优化应用于时间序列分析，提出了一种均摊计算开销的降噪分析方法。改进目前的智能算法，提出了多种自适应机制、并从新引入新的算子。由于智能仿真优化设计到计算复杂、运行耗时等特点，我们采用了维度约减的技术和利用种群信息的模型来降低复杂度。将项目中的方法成功应用到河床演变及河道规划等实际应用中。经过四年努力，本项目的研究也已大体实现了上述大部分目标，较为顺利地完成项目计划中的研究任务。同时在研究过程中，得到了一定的经验教训，为后续工作的开展提供了有益的参考。在河床演变、主流速线规划、物流规划等应用领域的结合，并在CEC有关验证数据集下进行测试验证，并设计了相关的仿真环境。