进化算法行为分析及应用

Evolutionary computation is a class of meta-heuristic optimization methods on the basis of collective intelligence. Due to its property of randomness, the current population and the selection of proper operators cannot be properly selected for different problems. This proposal proposes to use statistical models for the population in the evolutionary process, and provides quantified analysis for the set of feasible models, i.e. the model space. Afterwards, the actual evolutionary process transforms into the trajectory in the model space. With techniques in machine learning, the prediction and tuning of evolutionary process become feasible. This proposal begins with quantified modeling of evolutionary path and finishes the tasks of prediction and optimization of evolutionary path. Based on three scientific problems, i.e. evolutionary path description in the model space, evolutionary path quantification in the model space, the prediction and adjustment of evolutionary path, the research covers a series of novel techniques and methods on evolutionary path modeling and space learning, including population and operator modeling, the description of evolutionary path using probabilistic models, the quantification of evolutionary behavior in the model space, the manifold description for evolutionary process, the prediction of evolutionary path on the basis of posterior probability, the adjustment of evolutionary operator based on the learning in model space. Our research group has profound foundation in relevant domains. This implementation of project would provide novel ideas and methods to evolutionary computation.

进化计算是一类基于群体智能的元启发式优化方法，由于其本身的随机性，在不同问题上很难判定目前种群所处的状态以及如何选择合适的演化算子。本课题提出对进化计算的种群进行概率建模，对这些概率模型构成的集合即"模型空间"进行量化分析。模型空间将演化行为转化成空间的路径，通过机器学习方法对路径进行预测和分析，实现对演化行为的预测和调整。本课题以演化路径的量化建模为切入点，以演化路径预测与寻优为目标，围绕三个科学问题，即进化算法中演化过程的模型空间表达、演化路径的定量分析、和演化路径的预测及调整，分别研究种群和算子的概率性建模、基于模型的演化过程刻画、演化行为的模型距离度量、演化过程的流形表达、基于后验概率的演化路径预测、和基于空间表达的演化算子修正等一系列面向进化计算的路径建模和模型空间学习的新理论和新方法。课题组在相关领域具有深厚的研究基础，本课题的实施将为进化计算提供了一种新颖的研究思路和方法。

本项目在执行期间对进化算法行为分析及应用进行了深入的研究。从理论和实际上验证了进化算法是一种成熟的具有高鲁棒性和广泛适用性的全局优化方法，能够有效地处理传统优化算法难以解决的复杂问题。本项目取得的重要进展和学术成果概述如下：.1).提出基于生成模型的模型空间学习框架：该框架基于因果关系的动态时序数据模型进行构建,并利用多维时序数据变量之间的交互关系学习来进行精简的模型表示，具有更好的稀疏性和模型可解释性。在此基础上，研究并提出了三点主要内容：（1）模型表达和模型距离度量同时优化的多目标学习方法：通过采用多目标演化算法对模型学习的多个目标进行优化来融合每个目标的信息；（2）基于非线性动力学系统平滑的时序数据距离度量：使用模型状态空间的表示代替原始数据进行序列比对，利用动态特征来度量时序数据之间的距离；（3）基于词典的词向量模型空间修正：综合考虑词义的近义和反义来对词向量模型的嵌入空间进行后期修正。.2).提出基于半监督数据的模型学习：针对有标签数据稀少的学习问题，提出基于稀疏贝叶斯的增量式学习方法：通过贝叶斯证据最大算法优化准则，迭代地融合对学习效果提升最重要的数据样本，并利用无标签数据的聚类结构，减少噪声标签的影响。在此基础上，提出多个单一模型融合的负相关集成学习方法，同时在有标签数据和无标签数据上定义负相关目标，促进基学习器的误差互补。.3).提出地下管网的模型构建：针对无线地下传感网络的节能问题，提出对无线地下传感网络中的中继节点配置学习模型：在一个两阶框架中进行网络中继节点的定位，采用额外的决策向量将原始约束转化为线性约束问题。.项目共发表相关论文9篇，其中主要投稿包括IEEE Transactions on Knowledge and Data Engineering、IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics等IEEE核心期刊和会议。项目负责人陈欢欢荣获教育部自然科学二等奖（排名第二）。