基于人工蜂群算法求解多模态优化问题研究

Multimodal optimization problem (MOP) is one of the most challenging asks for optimization frequently encountered in the disciplines of science and engineering application. It requires an algorithm to effectively locate multiple global and local optima, not just single optimum as in a single objective global optimization problem. Solving MOP has become an important research area of evolutionary computation in recent years. In this project, multimodal optimization evolutionary algorithms (MOEAs) is surveyed from two basic aspects of MOEAs (i.e., evolutionary algorithms and multimode-handling techniques). With the help of statistical analysis, experimental design, machine learning, and mathematical programming, the research focuses on artificial bee colony algorithm (ABC) for MOP (MOABC) to maintain population diversity. The main research has the following four aspects. 1. The project shall make full use of the information of search space and object space in population to study an adaptive learning ABC. 2. The uniform design is used to develop a novel ABC with uniform strategy. 3. Though dynamically updating the number of subpopulation, a cluster-based MOABC is studied. 4. A MOABC with multi-objective optimization technology based on uniform-decomposition is developed for enhancing population diversity. This project will promote the development and the practical application of MOEAs, and has a great important meaning in the academic and the engineering application.

多模态优化问题是科学和工程应用领域经常会遇到的一类挑战性的优化问题。它要求算法跟踪到全部的全局最优解和尽量多的局部最优解。近年来，多模态优化问题求解已成为进化计算研究的一个重要方向。本项目从多模态进化算法=进化算法+多模态处理技术的框架出发，对多模态进化算法进行研究。借助统计分析、实验设计、机器学习、数学规划的方法，以人工蜂群算法为基础，以保持种群多样性为目标，研究多模态人工蜂群算法。主要研究内容如下：1. 在充分利用种群搜索空间信息和目标空间信息的基础上，研究自适应学习的人工蜂群算法。2. 利用均匀设计方法，研究均匀策略的人工蜂群算法。3. 通过动态调整子群数目，研究基于聚类的多种群的多模态人工蜂群算法。4. 为了增强种群多样性，研究基于均匀分解的多目标的多模态人工蜂群算法。本项目的研究将对多模态进化算法的发展和实际应用产生积极的推动作用，具有重要的学术意义和工程应用价值。

多模态优化模型是大数据应用领域中经常遇到的问题。本项目针对多模态优化的关键技术和难点开展研究，取得了具有一定国际影响力的研究成果。代表研究成果包含以下几个方面：1. 将学习机制引入到智能优化算法中，以挖掘进化过程中的有效信息，根据人工蜂群算法的固有特性，开发了高效的学习机制，建立了新的人工算法模型，对复杂优化问题达到快速求解。2. 已有人工蜂群算法受制于其探索能力强而开发能力弱的缺点，将集成策略引入大人工蜂群算法中，提高了算法的开发能力，达到平衡算法探索能力和开发能力的目的，仿真实验验证算法的有效性。3. 为了利用差分进化算法和人工蜂群算法的优点，避免他们的缺点，建立新的融合机制，该机制既提高了算法收敛速度又维护了种群的多样性。4. 利用机器学习的方法，建立了基于聚类划分的多种群技术，发展了新的高效可信多模态智能优化算法。项目实施过程中，课题组在IEEE Trans等国际期刊上发表SCI论文6篇，参加多个重要国际会议，开展深入的学术交流与合作。