基于增强学习和冗余信息约简的自适应差分进化研究及在多式联运能耗优化中的应用

Differential evolution (DE) algorithm is a research hotspot in evolutionary computation and has been applied widely. The search capability and population distribution in different evolution stages is one of the most challenging works in the DE study. Based on the previous study, some novel adaptation techniques will be introduced to provide appropriate search capability and population distribution for DE in different phases of evolution. For the complex parameter setting problem, parameter adaptation technique combined with prior knowledge will be proposed to control DE search process and enhance search efficiency of DE. To solve crossover strategy selection problem, several adaptation mechanisms will be introduced to automatically select suitable crossover strategy for solving different types of optimization problems or adapting different evolution stages. To reduce redundant information of population during the evolution process, identification and reconstruction techniques will be developed to effectively improve search efficiency of DE and self-adaptively adjust population distribution. In the study, the proposed improved DE algorithms will be used to solve multimodal transport energy consumption optimization problem. Therefore, the current study has important theoretical significance and application value.

差分进化算法作为进化计算的热点算法，受到了广泛的关注和应用。该算法在不同进化阶段的搜索能力和种群分布一直是研究中最具挑战的课题之一。本课题将在已有相关研究基础上，探索新的自适应方法来为算法在不同进化阶段提供相匹配的搜索能力和种群分布。针对该算法参数设置复杂问题，研究融合先验知识的参数自适应技术，利用先验知识来调整参数变化，从而达到控制算法搜索过程和提高搜索效率的目的。针对该算法交叉策略选择难问题，研究交叉策略自适应技术，使得算法能够根据不同类型的优化问题或不同的进化阶段自动选择合适的交叉策略。针对该算法种群进化过程中的冗余信息问题，研究冗余信息的识别和个体（变量）重构技术，减少算法一些不必要的搜索，从而有效地提高算法的搜索效率和对种群进行自适应调整。本课题的研究成果还将会被用于求解多式联运能耗优化问题，以此来验证所提算法的实际应用效果。因此，本课题的研究具有重要的理论意义和应用价值。

进化计算作为人工智能研究的一个重要分支；持续受到研究者的关注，并被广泛应用于各个领域。在本基金资助下，本课题在算法改进、多目标优化、超启发式算法、分区搜索等方面均取得一定的研究成果。项目资助发表论文17篇，其中SCI期刊论文9篇。培养硕士研究生5人。成果总结如下：.（1）算法改进：算法性能既跟控制参数相关，又跟生成策略相关。因此，我们从多个方面对元启发式算法进行改进。研究结果表明，所提算法的性能有较大提高。主要成果已发表于Artificial Intelligence Review、 International Journal of Automation and Computing等期刊。.（2）多目标优化：多目标进化算法的研究重点在于算法的性能和多目标处理的技术。为提高其求解能力，我们利用基于性能指标的方式来引导该算法变异策略的自适应。从实验结果来看，所提算法能够根据不同的多目标优化问题来选择合适的变异策略。另外，我们还将所提算法用于实际的多目标优化问题，取得较好结果。主要成果已在Applied Soft Computing和Computers & Industrial Engineering等期刊上发表。.（3）超启发式算法：尽管对各个算法的性能进行改进可以大大提高其优化能力，但是单个算法总不能在所有类型的测试函数上都表现最好。因此，我们利用集成学习的思想，设计一种进化算法自动选择机制。从实验结果来看，所提方法能够根据不同类型的优化问题选出合适的进化算法来对其进行求解。其成果主要发表在Swarm and Evolutionary Computation和European Journal of Operational Research期刊上。.（4）分区搜索：在以往研究中，计算能力的提升并未被转化成算法的搜索能力。本研究提出分区搜索策略（Zoning Search, ZS），即把整个搜索空间分割成多个子空间，并利用各类算法对各个子空间进行搜索。结果表明，该方法能够有效提高求解精度，该成果目前已发表于IEEE Transactions on Cybernetics、IEEE Transactions on Systems, Man, and Cybernetics: Systems、Science China Information Sciences期刊。.