異步分層并行演化算法及其在模糊聚類分析中的應用.pdf

1、演化計算是一種基于自然選擇和遺傳變異等生物進化機制的全局性概率搜索算法，能夠在不要求函數(shù)連續(xù)、可微、單峰的情況下，找到問題的近似全局最優(yōu)解?；谶@些優(yōu)點，演化計算被廣泛地應用于NP和NPC難題求解、神經(jīng)網(wǎng)絡(luò)優(yōu)化、多目標優(yōu)化問題求解及其它眾多領(lǐng)域。然而，隨著問題規(guī)模和復雜程度的不斷提高，串行演化算法的搜索過程將成倍地增長，由此，并行演化計算成為一個重要的研究方向。Cantú-Paz將并行演化計算劃分為四種類型，分別是主從模型、粗粒度模型、

2、細粒度模型和分層模型。這些模型通常在MPI、PVM和OpenMP等并行編程環(huán)境下實現(xiàn)。 為了避免傳統(tǒng)并行演化算法中常見的“征服問題”和“無效問題”，克服過早收斂，提高算法運行效率，本文提出了異步分層并行演化算法(AsynchronousHierarchicalParallelEvolutionaryAlgorithm，AHPEA)。在算法中，對擴展的模糊交叉算子進行改進，加入了適應值信息，提出基于標準化適應值的模糊交叉算子(Fu

3、zzyRecombinationOperatorBasedonStandardizedFitness,SF-FRO)，提高算法的收斂速度。并在此基礎(chǔ)上提出異構(gòu)模型，為各子種群的交叉操作應用不同的全局/局部搜索度，指定相異的種群拓撲，以獲取適當?shù)倪x擇壓力。最后將各子種群充分連接，構(gòu)建異步遷移模型。本文提出的AHPEA算法有效地解決了“征服問題”和“無效問題”，避免了算法的過早收斂，提高了算法效率。 在仿真研究中，基于一組被廣泛使用

4、的測試問題集，從交叉算子SF-FRO、異構(gòu)模型和異步遷移三個方面對AHPEA算法進行性能測試。實驗結(jié)果表明：(1)SF-FRO由于引入了適應值信息，為算法指明了潛在的搜索方向及范圍，能夠有效地提高算法的收斂速度；(2)AHPEA算法在求解大型多峰值問題時采用異構(gòu)模型比采用同構(gòu)模型具有更優(yōu)越的性能；(3)在AHPEA算法的各子種群間進行異步遷移，無論從理論分析還是仿真研究的角度來看，都極大地提高了算法的性能。 作為AHPEA算法的