基于云计算模型的自组织差分进化算法及其应用研究

The computation time and efficiency are the bottleneck of the traditional serial evolutionary algorithms in solving high-dimensional, large-scale optimization problems. Combining the advantages of differential evolution algorithms on global optimization and the advantages of cloud computing models on parallel distributed operations, this project proposes a novel self-organized differential evolution algorithm based on cloud computing. By analyzing the domain size and the complexity for evaluating the fitness value using the differential evolution algorithm, and by perceiving the fitness surface features of the search space of the algorithm population, the proposed algorithm realizes the self-organization of the parallel size and communication topology of the differential evolution algorithm based on the cloud computing model. By the dynamic statistical analysis of the distribution density of individuals and their behavioral characteristics in a population, the appropriate parameter values are adaptively determined for every parallel subpopulation, so as to enhance the computation efficiency of the differential evolution algorithm based on the cloud computing model. This project will eventually present a new way of solving high dimensional and complex large-scale optimization problems: a cloud computing model based self-organized and self-adaptive differential evolution algorithm, for improving the speed and accuracy of the algorithm in solving problems. The expected results can effectively reduce the computation time of evolutionary algorithms, improve the solution quality, and provide a new and effective method in solving practical high-dimensional and large-scale optimization problems.

传统基于串行模式运行的进化算法在求解高维大规模优化应用中的计算时间和效率问题是制约算法应用发展的重要瓶颈。结合差分进化算法在全局最优化方面的优势和云计算模型在并行分布式处理上的优势，本课题提出一种新型的基于云计算模型的自组织差分进化算法。通过差分进化算法对待优化问题的规模及适应值评价复杂性的分析，依据对算法种群所处的搜索空间的适应值曲面特性的感知，实现云计算模型下差分进化算法的并行规模与通信拓扑的自组织。通过动态统计分析种群个体分布密度和行为特征，据此确定各个并行子种群应选择的参数取值，提高基于云计算模型的差分进化算法的计算效率。本课题最终将给出一个求解高维复杂大规模优化问题的新途径：基于云计算模型下的自组织、自适应差分进化算法，提高求解问题的速度和精度。预期结果可以有效缩短进化算法的计算时间，提高解的质量，为解决实际应用中的高维大规模优化问题提供新的有效途径。

进化优化算法以其在全局最优化方面的特点，一直是优化算法设计的研究热点。然而大规模优化应用中的计算时间和效率问题是制约算法应用发展的重要瓶颈，本课题结合云计算模型与差分进化算法两者的优势，提出一种新型的基于云计算模型的自组织差分进化算法，并在多种大规模优化应用中进行测试，取得的主要成果包括：.1. 算法上的研究成果. 本课题开展了差分进化算法在云计算模型下的基础理论与模型框架的研究，实现并行规模与通信拓扑自组织的研究以及自适应调整并行控制参数，具体包括基于不同算法实现各种更新策略在多维度不同解空间模式的函数优化问题上的性能研究，给出算法并行规模与通信拓扑自组织实现的理论分析；从多种群多策略的角度对算法并行化与通信自组织实现进行理论与测试分析，提出了多种群多策略的并行差分进化算法，提高了算法的搜索多样性与寻优速度；提出粒子群优化的测评机制方法，用于算法的自适应学习调整，根据优化情况调整参数设置，提高算法求解复杂优化问题的性能。.2. 求解大规模优化问题上的应用成果. 根据研究目标，在上述算法理论研究的基础上，本项目进一步开展了基于云计算模型的自组织差分进化算法求解大规模优化问题上的应用研究，在多播网络路由、无线传感器网络寿命优化、智能电网需求管理优化、最优疫苗分配优化、多目标优化问题的求解上进行了应用分析。.课题组围绕上述研究目标和内容开展了工作，共发表标注了本项目基金号的学术论文10篇，其中国际期刊论文2篇，国际会议论文3篇，国内期刊5篇，达到了项目的预期目标。