基于無監(jiān)督特征學(xué)習(xí)的演化計(jì)算行為分析.pdf

1、演化計(jì)算作為一類啟發(fā)式優(yōu)化方法，其在解決真實(shí)世界中的復(fù)雜優(yōu)化問題時(shí)的良好性能已經(jīng)在過去的幾十年中得到了很好的驗(yàn)證。但是演化計(jì)算自身復(fù)雜的隨機(jī)行為導(dǎo)致對(duì)其進(jìn)行理論分析異常困難，時(shí)至今日，仍然難以找到一種有效的方法來對(duì)演化算法在不同環(huán)境下的行為進(jìn)行學(xué)習(xí)和分析。為了更好地理解演化計(jì)算的行為，本文嘗試采用無監(jiān)督特征學(xué)習(xí)的方法，對(duì)演化計(jì)算在搜索過程中的一代群體行為進(jìn)行分析。首先對(duì)所研究的演化計(jì)算行為數(shù)據(jù)進(jìn)行定義，然后從基于自組織映射的演化計(jì)算行為

2、數(shù)據(jù)預(yù)處理、基于慢特征分析的演化計(jì)算行為數(shù)據(jù)特征提取和基于深度信念網(wǎng)絡(luò)的演化計(jì)算行為數(shù)據(jù)特征提取三個(gè)方面入手，對(duì)演化計(jì)算的行為數(shù)據(jù)進(jìn)行了特征提取和分析。具體工作如下:
　　1)研究了基于自組織映射的演化計(jì)算行為數(shù)據(jù)預(yù)處理方法。研究了基于t分布隨機(jī)鄰域嵌入(t-SNE)的自組織映射網(wǎng)絡(luò)預(yù)訓(xùn)練方法，從而將自組織映射網(wǎng)絡(luò)的訓(xùn)練分為三個(gè)階段:預(yù)訓(xùn)練、粗訓(xùn)練和微調(diào)三個(gè)階段，使得網(wǎng)絡(luò)能夠收斂到最好的狀態(tài)。然后使用訓(xùn)練好的自組織映射神經(jīng)網(wǎng)絡(luò)將原

3、始高維空間中的演化計(jì)算行為數(shù)據(jù)映射到二維平面上，實(shí)現(xiàn)高維數(shù)據(jù)集的歸一化表示，為后續(xù)使用無監(jiān)督特征提取算法對(duì)演化計(jì)算行為數(shù)據(jù)進(jìn)行分析做好數(shù)據(jù)準(zhǔn)備。
　　2)研究了基于慢特征分析算法的演化計(jì)算行為數(shù)據(jù)特征提取算法。首先對(duì)慢特征分析算法應(yīng)用到無監(jiān)督模式識(shí)別問題時(shí)的時(shí)間序列結(jié)構(gòu)調(diào)整進(jìn)行了研究，同時(shí)對(duì)需要保留的慢特征維數(shù)也進(jìn)行了分析和計(jì)算。然后針對(duì)演化計(jì)算行為數(shù)據(jù)的特點(diǎn)，設(shè)計(jì)了基于二階非線性擴(kuò)展慢特征分析算法的特征提取框架，對(duì)演化計(jì)算行為數(shù)

4、據(jù)進(jìn)行特征提取。最后設(shè)計(jì)了多組對(duì)比實(shí)驗(yàn)，分別研究了不同演化算法在同樣的landscape下的行為特征差異，以及同一演化算法在不同的landscape下的行為特征差異。實(shí)驗(yàn)結(jié)果表明，慢特征分析算法可以提取到不同演化算法之間具有判別性的穩(wěn)定特征。
　　3)研究了基于深度信念網(wǎng)絡(luò)的演化計(jì)算行為特征提取算法。首先對(duì)深度信念網(wǎng)絡(luò)的基本組成單元——受限玻爾茲曼機(jī)，進(jìn)行了詳細(xì)研究。然后針對(duì)要分析的演化計(jì)算行為數(shù)據(jù)，設(shè)計(jì)了一個(gè)包含有七層受限玻爾茲