演化仿真优化的并行实现及其应用

由于仿真对象的复杂性,一些仿真模型很难用有效的解析函数来表达;同时演化算法不要求优化目标具有连续、可导等特点,因此,演化算法用于仿真优化具有很大的优越性.针对仿真优化这一领域提出了演化仿真优化的概念及其形式化语言描述,并给出了演化仿真优化的算法实现框架.演化仿真优化的模型评估需要大量的计算时间,根据仿真优化的特点,提出主/从模式、粗粒度孤岛仿真优化模型以及它在PVM,DCOM下的实现,并给出了两个控制器优化设计的实验.仿真试验的结果表明:对于演化仿真优化来说主/从模式的并行度要高于粗粒度孤岛模型;并得出以下结论:对于演化仿真优化来说仿真模型越复杂,主/从模式的性能越好.

演化仿真优化的若干问题研究

针对仿真优化这一仿真领域提出了演化仿真优化的概念及其形式化语言描述 ,并给出了演化仿真优化的算法实现框架、分类 ,指出了仿真优化与演化算法相互取长补短的策略 .为了提高速度和效率提出了一种混合演化仿真优化的算法 :基于拉网的仿真优化算法 (MESOAs) .该算法结合仿真系统的输出信息 ,构造出系统的响应曲面来指导演化算法 ,同时又不要求系统连续、可导 ,因此具有通用性、鲁棒性、隐含并行性等优点 ,它能有效地解决不确定环境 (含随机系统和定性系统 )的仿真决策优化 ,连续时间仿真控制优化问题等 .最后 ,给出了两类测试演化仿真优化算法的测试实例 :一类是随机函数 ,另一类是 GI/ G/ S排队模型 ,试验的结果表明在解的质量和速度两方面 MESOAs都优于曲面响应法。