第 36 卷 Vol.36
第 24 期 No.24
计 算 机 工 程 Computer Engineering
文章编号:1000—3428(2010)24—0147—03 文献标识码:A
2010 年 12 月 December 2010
中图分类号:TP311
人工智能及识别技术
基于协同进化遗传算法的模型拟合研究
陈 羲 1,李 淼 1,袁 媛 1,高会议 1,郑高伟 1,2
(1. 中国科学院合肥智能机械研究所,合肥 230031;2. 中国科学技术大学信息科学技术学院,合肥 230026) 摘 要:普通遗传进化算法在解决模型拟合问题中,建模与优化顺序结构时优化效果有限,拟合速度慢,稳定性低.针对上述问题,提出 基于协同进化遗传算法的模型拟合算法.该算法将建模与优化问题抽象成多种群间协同进化,通过种群间整体的适应度值交换,将种群关 联起来,扩大智能算法建模过程中参数优化的时空作用范围.各种群间含有不同基因表达,在解决局部问题时具有自包含性,有利于更好 地发挥各智能算法(遗传算法,遗传规划)的优势.实验结果表明,该算法的稳定性和收敛速度优于传统遗传进化算法. 关键词:遗传算法;遗传规划;协同进化;模型拟合
Research of Model Fitting Based on Co-evolutionary Genetic Algorithm
CHEN Xi1, LI Miao1, YUAN Yuan1, GAO Hui-yi1, ZHENG Gao-wei1,2
(1. Institute of Intelligent Machines, Chinese Academy of Sciences, Hefei 230031, China; 2. School of Information Science and Technology, University of Science and Technology of China, Hefei 230026, China) 【Abstract】 This paper proposes an advanced co-evolutionary model fitting algorithm. It optimizes the process in the course of solving the symbolic regression, especially to the shortcomings of traditional Genetic Algorithm(GA). It abstracts the modeling and optimization into a variety of inter-group co-evolution, associating these populations through exchange of fitness value, while extending the intelligent algorithm both in spatial and temporal scope when optimizing the parameters modeling. For the various groups with different gene expression, they have their nature self-contained in solving certain problems. It is more conducive to take advantages of the intelligent algorithms(GA, Genetic Programming(GP)). Compared with the traditional algorithm, the co-evolutionary model fitting algorithm shows a significant improvement in stability and convergence rate. 【Key words】Genetic Algorithm(GA); Genetic Programming(GP);co-evolution; model fitting
1975 年美国 Michigan 大学 J. Holland 教授借鉴达尔文进 化论的思想提出了遗传算法(Genetic Algorithm, GA). 1992 年 John. Koza 对 GA 做了重大改进,提出了遗传规划(Genetic Programming, GP)算法.GP 种群中的个体不再像 GA 那样使 用定长的字符串对问题可能解进行编码,而是采用树形表达 式对问题编码.GP 个体的表现形式更灵活,适合解决更复杂 的问题.此后越来越多的学者开始研究遗传进化算法在各个 领域的应用,其中有不少遗传进化算法在模型拟合方面的研 基于遗传进化的模型拟合研究 究取得了比较理想的效果 [1-2]. 是新的研究领域.与传统的模型拟合算法相比,进化算法的 优点是不对模型的形式做预先限定并且不需要先验知识,通 过历史数据学习训练出模型输入输出之间固有的内在联 系 [3].然而,现有的基于遗传进化的模型拟合研究基本都基 于单种群进化建模,先通过智能算法建模,再通过其他方法 进行参数优化.这种顺序处理的算法结构制约了参数优化作 用的范围和效果.本文提出一种基于协同进化遗传算法的模 型拟合算法,将建模与优化问题模拟为多种群间通过协作与 竞争协同进化的过程,使参数优化的作用贯穿于模型构造的 全过程.

下一页