基于情緒人工記憶原理的函數(shù)優(yōu)化方法的研究.pdf

1、工程中的優(yōu)化問題具有復(fù)雜性、多極化性、非線性、強(qiáng)約束性等特點(diǎn)，常規(guī)的優(yōu)化算已無能為力，群智能優(yōu)化算法的出現(xiàn)和發(fā)展彌補(bǔ)了傳統(tǒng)優(yōu)化算法的缺陷。但是，群智能優(yōu)化算法在面對(duì)大種群的優(yōu)化問題時(shí)，仍然存在優(yōu)化時(shí)間太長(zhǎng)的缺點(diǎn)，為了改進(jìn)此缺點(diǎn)本文基于認(rèn)知心理學(xué)、情緒理論與記憶原理提出了新的的函數(shù)優(yōu)化方法。
　　首先，通過研究人類情緒的特性和認(rèn)知與情緒的相互作用，結(jié)合群智能優(yōu)化算法的基本思想，提出了一種新型的群智能優(yōu)化算法—情緒認(rèn)知優(yōu)化算法(ECO

2、A)。ECOA算法通過個(gè)體對(duì)情緒產(chǎn)生的認(rèn)知和認(rèn)知對(duì)個(gè)體選擇的影響來控制每個(gè)個(gè)體的優(yōu)化過程；行為選擇算子和選擇概率算子用于對(duì)個(gè)體狀態(tài)的改變；在情緒與認(rèn)知相互影響的循環(huán)過程中，個(gè)體得到了優(yōu)化。ECOA算法的特點(diǎn)是行為選擇算子在交換信息時(shí)，只有很少部分變量進(jìn)行狀態(tài)信息交換，對(duì)于高維優(yōu)化問題此舉可大幅提高算法收斂速度。以Griewank函數(shù)為例，對(duì)算法的性能進(jìn)行初步測(cè)試，驗(yàn)證了該算法的優(yōu)良性能，但優(yōu)化時(shí)間沒有大幅度的縮短。
　　接著，將記

3、憶與情緒認(rèn)知算法結(jié)合進(jìn)行改進(jìn)，設(shè)計(jì)出了情緒人工記憶優(yōu)化算法（AEMA）。在AEMA算法中，每個(gè)記憶元對(duì)應(yīng)著一個(gè)試探解；通過記憶和遺忘對(duì)記憶元狀態(tài)的轉(zhuǎn)移進(jìn)行控制，從而實(shí)現(xiàn)對(duì)優(yōu)化問題的搜索。AEMA算法的特點(diǎn)是將試探解與記憶關(guān)聯(lián)，在演化過程中記憶值越來越低的試探解會(huì)被遺忘，隨著演化的進(jìn)行，不需要處理的試探解會(huì)越來越多，AEMA算法的收斂速度將會(huì)越來越快。本文以Ackley函數(shù)為例，對(duì)算法的性能進(jìn)行測(cè)試，結(jié)果表明在種群數(shù)目較大的問題上AEMA