基于机器学习技术的差分演化算法研究

As an emerging computational intelligent method, differential evolution (DE) has been applied in many fields successfully. However, a great deal of data and results are produced and always neglected during the evolutionary process of the most DE algorithms. It is significance in improving the performance of DE that how to mine and exploit these evolutionary information. Therefore, in this project, we will combine the machine learning (ML) techniques and DE to study the effective way of mining and exploiting the evlutionary information. In this project, we will focus on the following key issues:(1) how to design the effective learning strategies based on the evolutionary information so as to improve the communication between individuals; (2) how to use ML in DE to mine and exploit the evlutionary information, with the learning strategies of individuals; (3) how to make the deeper theoretical analysis on the ML based DE algorithm to clarify its search behavior and the collaboration between ML and DE. Through the above research, this project aims to use ML to build a relatively perfect framework of mining and exploiting the evolutionary information . The results of our research will further improve the performance of DE and provide the examples for other evolutionary algorithms in terms of mining and exploiting the evolutationary information. On the other hand, the theoretical analysis will provide the guidances for the effective collaboration between ML and DE. Futhermore, it is also benefit for the design of evolutionary algorithms based on ML. Therefore, the research in this project is very important in the research and application fields of the evolutionary computation.

当前大部分差分演化算法都忽略了迭代过程中产生的大量中间数据和结果。如何对这些信息进行挖掘和利用，对提升差分演化算法的性能具有非常重要的意义。因此，本项目拟将机器学习技术与差分演化算法进行结合，重点对以下三个方面进行系统研究：（1）研究基于当前种群进化信息的学习策略；（2）通过机器学习技术与学习策略的有效结合，研究积木块的发现和利用机制、搜索引导策略和种群管理方法；（3）从算法的搜索机制和收敛特性出发，分析基于机器学习技术的差分演化算法的搜索行为。研究旨在利用机器学习技术建立较完善的进化信息挖掘和利用框架,充分发挥进化信息引导算法搜索过程的作用。项目所得到的成果一方面能够改进差分演化算法的性能，为其他进化算法在挖掘和利用进化信息方面提供示例作用，另一方面能够从理论上指导机器学习技术与差分演化算法的协作，为基于机器学习技术的进化算法设计提供理论参考。

针对目前大部分差分演化算法在利用种群进化信息来指导算法搜索方面的不足，本项目利用机器学习技术来构建基于种群进化信息挖掘和利用的差分演化算法框架，研究差分演化算法求解复杂问题的性能，探索提升差分演化算法的优化性能的有效方案。项目的主要研究内容有：1）基于变量分组策略的积木块发现和利用机制，研究变量关联技术对差分演化算法处理变量相关函数的性能；2）通过引入自适应操作选择技术，研究差分演化算法中多种群方向信息的调度机制；3）通过引入不同的种群拓扑结构和种群分类的思想，研究基于邻域信息的的挖掘和利用策略；4）结合种群在变量空间和目标空间的进化信息，研究同时整合多种进化信息的利用机制。基于以上的研究内容，本项目为探讨连续优化问题变量相关性质的利用机制提供了良好的示范作用，有效地解决了种群方向信息自适应调度的问题，并且设计了多种种群信息的融合机制从而进一步提升算法求解复杂问题的性能，促进了差分演化算法的算法机制的完善，为复杂的实际工程问题提供了新的求解思路和方法。本项目取得成果主要反映在发表或已录用了的18篇论文中。