智能优化状态转移算法
发布时间：2022-06-07
点击次数：
简介：目前大多数智能优化算法都是以行为主义模仿学习为主，通过模拟自然界鸟群、蜂群、鱼群等生物行为来求解复杂优化问题。然而，基于行为主义的智能优化算法主要是模仿，碰到什么就模仿学习什么，带有一定的机械性和盲从性，没有深刻反映出最优化算法的本质、目的和要求，一方面，这种基于模仿表象学习的方法造成算法的可扩展性差，大多数智能优化算法在某些问题上低维时表现良好，维度变高时效果显著变差；另一方面，它使得算法容易出现诸如停滞或早熟收敛等现象，即算法可能停滞在任意随机点，而不是数学意义上的最优解。为了消除智能优化算法容易陷入停滞现象、提高算法的可扩展性和拓宽智能优化算法的应用范围，作者于2012年原创性地提出了一种基于结构化学习的新型智能优化算法——状态转移算法。 状态转移算法是一种基于结构化学习的智能型随机性全局优化算法，它抓住最优化算法的本质、目的和要求，以全局性、最优性、快速性、收敛性、可控性五大核心结构要素为指导思想进行算法设计与理论证明。它的基本思想是将最优化问题的一个解看成一个状态，解的迭代更新过程看成状态转移过程，利用现代控制理论中的离散时间状态空间表达式作为产生候选解的统一框架，基于此框架来设计状态变换算子。与大多数基于种群的进化算法不同，标准的状态转移算法是一种基于个体的进化算法，它基于给定当前解，通过采样方式，多次独立运行某种状态变换算子产生候选解集，并与当前解进行比较，迭代更新当前解，直到满足某种终止条件。值得一提的是，状态转移算法中的每种状态变换算子都能够产生具有规则形状、可控大小的几何邻域，它设计了包括旋转变换、平移变换、伸缩变换、坐标轴搜索等不同的状态变换算子以满足全局搜索、局部搜索以及启发式搜索等功能需要，并且以交替轮换的方式适时地使用各种不同算子，使得状态转移算法能够在概率意义上很快找到全局最优解。
著作类别：专著
出版社级别：地方出版社
学科门类：工学
一级学科：控制科学与工程
ISBN号：978-7-03-070691
是否译成外文：否
出版日期：2022-01-01