基于问题特征变化引导的动态鲁棒优化算法

随着时间的推移,鲁棒优化是解决动态优化问题的一种新方法,其目标是找到在很长一段时间内仍然可以接受的解决方案。该领域中大多试图根据其未来预测适应度值来寻找新的鲁棒解决方案,然而,预测未来的适应度值的误差往往偏大,对其寻求较好的鲁棒解造成较大的困难。针对这一问题,提出了一个基于问题特征变化引导的算法框架(ROOT-PFCG)来进行动态鲁棒优化。其问题特征变化情况主要参考解在当前环境下的目标函数值和相应相邻环境下的目标函数浮动值,由此提出三个重要指标。在预测和非预测的情况下,基于指标分别提出了三种不同的适应度决策规则来选解,保证其所选解受预测误差影响较小或不受影响,以此寻找更优的鲁棒解,并在此基础上提出了新的性能评价指标。在基准问题上的实验结果表明,所提出的算法能更好地提升鲁棒解的性能,并对不同情况下的指标进一步分析了其对性能的影响,在此基础上分析了更好的指标结合方法。

基于正交设计求解动态鲁棒问题的新算法

设计了一个基于正交设计法求解动态鲁棒优化问题的新算法(RODEA)。该算法把目标搜索区域划分成很多小邻域(小生境),每个小生境都有一个代表,对每个小生境用正交设计法(构造正交矩阵进行抽样)搜索可能成为小生境代表的潜在优解。还设计了一个基准测试函数用来测试动态鲁棒优化问题。实验数据表明RODEA用来求解动态鲁棒问题具有很好的效果。