基于问题特征的学习型群体智能优化算法及应用研究

With the swarm intelligence optimization algorithm further studies, it provides a powerful solution for processing of a large number of complex optimization problems and has become an important research direction of AI. Although the algorithm improvement in the model, the theoretical analysis and application development has made great progress, but there are still some issues to be further studied, for example, the parameter settings, avoiding premature convergence and solution performance evaluation. The project intends to introduce the idea of complex networks and machine learning to guide swarm intelligence optimization algorithm designing. The general framework of learning type optimization algorithm based on the characteristics of the problem will be proposed in this project. Using the complex network, an expert system will be established based on feature information of the problem to be solved, and the impact of various parameters on the performance of the algorithm also will be analyzed. A large number of feasible solutions are studied by using clustering methods to get local information of the problem and sampling characteristics of the algorithm. A general solution performance evaluation method also will be introduced based on this information. In the application, the research results intend to apply to solve the monitoring and control of satellite resource scheduling and bidding strategy of power suppliers. The implementation of this project is expected to provide a practical solution to resolve the problem of engineering practice while helping to enrich the theoretical foundation of swarm intelligence, to promote the development of swarm intelligence.

随着群体智能优化算法的研究不断深入，为处理大量复杂优化问题提供了有力的解决方案，成为人工智能的一个重要研究方向。虽然算法在模型改进、理论分析、应用拓展等方面取得了较大的进展，但是仍存在一些问题有待进一步研究，如参数设置、避免早熟收敛以及解性能评价等。本项目拟将复杂网络和机器学习等思想引入群体智能优化算法设计中，提出一种基于问题特征的学习型群体优化算法的一般框架。根据复杂网络分析抽取的待解决问题的特征信息建立一种算法参数设置的专家系统，并分析各个参数对算法性能的影响。利用机器学习中聚类分析方法分析算法运行过程中产生的大量可行解，得到待解决问题的局部信息和算法采样特征，并据此提出一种解性能评价的一般方法。在应用方面，拟将取得研究成果应用于解决卫星资源测控调度和发电商竞标策略问题。本项目的实施有望为解决工程实践问题提供一套切实可行的解决方案，同时有助于充实群体智能的理论基础，促进群体智能的发展。

受生物群体行为启发产生的群体智能优化算法为使用者提供了一个宽松的框架，具有较好的扩展性和适应性，受到了越来越多国内外学者的关注，已经成为人工智能的一个重要研究方向。但是算法也存在一些不足之处，这严重制约了其在实际问题中的应用。本项目运用复杂网络和机器学习等相关理论方法，以典型群体智能优化算法为研究对象，在算法优解质量评价、模型改进、算法应用等方面开展了相关研究工作。. 本项目提出了以序性能为评价指标的群体智能优化算法解质量评价的一般框架。该框架利用待求解问题特征和算法运行中的可行解，将解样本进行均匀化处理并聚类，在适应度空间，估计每个子类中解样本的离散概率分布，以及子类的尺度比例关系，并将预设的“足够好”解比率分配到各个子类，最后根据解质量评价模型计算得到配准概率，从而完成评价，并将之应用于蚁群算法、粒子群算法和鱼群算法等算法所获优解质量评价。项目组为了降低算法参数的耦合性，提出将参数固定化，并以蚁群算法为研究对象，将算法中信息素的最大、最小值设置为一个固定的常数，信息素的更新量和初始化设置为与信息素最大值相关的常数，提出了不变蚁群算法，并将之用于求解多星测控资源调度问题。研究算法参数离线配置方法，并将迁移学习引入到参数配置中。引入了混沌优化、多种群和精英保留机制提出了混沌布谷鸟算法、多种群蝙蝠算法和蚯蚓优化算法。项目组提出了一种基于信息共享和最优解评估选取的多目标粒子群算法，并将之用于求解电力市场经济调度问题。另外，由于群智能优化算法的非线性和随机性，本身就构成了一个复杂系统，为了更好地开展相关研究，项目组在复杂网络、非线性系统和数据可视化等方面也开展了相关研究工作，为后续研究奠定了基础。. 研究成果对于发展群体智能优化算法理论基础以及解决工程实践问题有着重要的理论意义和科学意义，将进一步促进机器学习、复杂系统和智能优化算法等研究领域的融合。