進化策略學習、收斂和逃逸能力的研究及應用.pdf

1、進化計算是一種受生物進化論啟發(fā)而建立的優(yōu)化算法，拓展了傳統(tǒng)的計算模式，為復雜問題的求解提供了新的解決辦法。將進化策略和學習算法相結合是當前的發(fā)展方向之一，但是理論研究相對較少，限制了它的進一步發(fā)展。本文首先分析了基于拉馬克主義的進化學習策略(簡稱LELS)和基于達爾文主義的進化學習策略(簡稱DELS)的異同；利用馬爾可夫鏈理論證明了此類算法的收斂性，并且在理論上分析了DELS具有更強的局部逃逸能力，算法的運行速度也明顯得到了提高。

2、 接下來本文分別將均勻變異算子引入進化策略和進化學習策略中，使得該類算法結構更簡單，理論分析更方便，局部逃逸能力較好，并對收斂性進行了證明，最后的仿真實驗表明了該方法的有效性。 模糊系統(tǒng)的可解釋性明顯優(yōu)于其他人工智能方法，卻長期沒有引起人們足夠的注意。本文對模糊系統(tǒng)的可解釋性作了深入的分析，定義了最簡約模糊劃分、模糊劃分的完備-清晰性、模糊規(guī)則的完備性、緊湊性和一致性，并將其加入到進化策略的適值函數(shù)中，用于優(yōu)化模糊系統(tǒng)。即使在

3、先驗知識較少的情況下，該方法依然可以設計出具有較好系統(tǒng)響應性能和較高可解釋性的模糊系統(tǒng)。 針對K-means聚類算法易陷入局部極小和K值選取的問題，本文提出一類基于進化策略的聚類算法，可以有效的搜索最優(yōu)聚類中心和聚類個數(shù)K；還提出了確定K值范圍經(jīng)驗公式，以減小搜索空間，提高搜索效率，并給出理論分析。 傳統(tǒng)的觀點認為進化策略是一種全局隨機多點搜索技術，LMS算法是一種基于梯度法的單點搜索策略，這兩種算法是兩種截然不同的。本