异质进化算法集成研究

优化问题大致可分为三类：单目标优化问题、约束优化问题和多目标优化问题。针对单目标优化问题，在深入分析各种进化算法范例异质性的基础上，将各种进化算法范例有机地集成起来，形成通用的异质进化算法集成框架，用于求解单目标优化问题。针对约束优化问题和多目标优化问题，根据其自身特征，分析约束处理技术和多目标优化技术的异质性，以及各种进化算法范例求解上述两类问题时的异质性，形成异质约束处理技术集成和异质多目标优化技术集成，并分别与相应的异质进化算法集成有机地结合起来，用于求解这两类问题。此外，从理论上分析异质性对进化算法集成性能的影响，将异质进化算法集成用于求解电力系统中广泛存在的优化问题，也是本项目待研究的主要内容。本研究具有重要的科学意义，其成果将拓展进化计算的研究领域，促进进化计算研究的发展。同时，由于工程应用领域中存在着大量的复杂优化问题，所以本研究对推动进化计算的应用具有十分重要的实际意义。

本项目针对不同类型的优化问题（如单目标优化问题、约束优化问题、多目标优化问题、非线性方程系统、多模态优化问题）设计异质进化算法，提高进化算法求解不同类型优化问题的性能，分析异质性对进化算法集成性能的影响，促进进化算法研究的发展和应用。经过四年的研究，取得了显著的研究成果：.1. 在单目标优化方面：结合正交交叉提出了一种提高差异进化算法搜索性能的通用框架；通过结合组合差异进化算法（CoDE）和另外一种著名的进化策略（CMAES），提出了一种新颖的集成异质进化算法；此外，提出了一种基于协方差矩阵学习和双峰分布参数设置的差异进化算法。.2. 在约束优化方面：通过结合差异进化算法和多目标约束处理技术，提出了一种优秀的约束优化进化算法。通过提高进化搜索框架的性能将动态容忍值转变为静态容忍值，从而消除动态容忍值对算法性能的负面影响，并提出了一种具有竞争力的约束优化进化算法。此外，通过存档和替换机制引入目标函数的信息，有效地平衡了三条比较准则对约束条件的贪婪性，提出了一种简单有效的约束优化进化算法。.3. 在多目标优化方面：RM-MEDA是近年来提出的一种基于规律模型的多目标分布估计算法，特别适合于求解具有变量连接特征的多目标优化问题。为了提高RM-MEDA的性能并建立更精确的模型，提出了一种新颖的算子（记为RRCO）用于删除群体中的冗余聚类。实验结果表明，RRCO可以显著改进RM-MEDA的整体性能。.4. 在非线性方程系统和多模态优化方面: 提出了一种全新的基于多目标优化的转换技术用于求解非线性方程组。实验结果表明，所提出的转换技术优于其他一些流行的转换技术。另外，将求解非线性方程组所提出的转换技术进一步推广，用于求解多模态优化问题，取得了非常好的求解效果。.5. 实际应用方面：将偏最小二乘（记为PLS）模型的系数信息引入到粒子群优化算法中（记为PSO），用于引导群体的进化，提出了加权采样PSO-PLS（记为WS-PSO-PLS），并将其应用于QSAR/QSPR中的分子描述符选择。.总的来说，本项目的成果显著，能够极大地促进进化算法的研究及其在实际工程优化中的应用。