自适应PBIL算法求解一类动态优化问题

吉林大学学报(工学版)

自适应PBIL算法求解一类动态优化问题

武燕¹，王宇平²，刘小雄³

1.西安电子科技大学理学院，西安 710071； 2.西安电子科技大学计算机学院，西安 710071； 3.西北工业大学自动化学院, 西安 710072

收稿日期:2007-05-31 修回日期:1900-01-01 出版日期:2008-11-01 发布日期:2008-11-01
通讯作者: 武燕

Adaptive PBIL algorithm for a class of dynamic optimization problems

WU Yan¹，WANG Yu-ping²，LIU Xiao-xiong³

1.School of Science, Xidian University, Xi'an 710071, China；2.School of Computer Science and Technology, Xidian University，Xi'an 710071, China；3.College of Automation，Northwestern Polytechnical University, Xi'an 710072, China

Received:2007-05-31 Revised:1900-01-01 Online:2008-11-01 Published:2008-11-01

摘要/Abstract

摘要：

在不确定环境中，环境的变化总是以一定的概率发生，本文把何时变化看作随机变量，其满足一定的统计规律，由此归纳出一类动态优化问题。对于此类动态优化问题的求解，提出了自适应PBIL（Populationbased incremental learning algorithm）算法。算法中利用随机变量的概率自适应地调整当前代群体的概率模型，增加种群多样性，快速适应环境的变化。应用两个动态优化问题进行了仿真实验。实验结果表明，与传统PBIL算法相比，自适应PBIL算法能够快速跟踪最优解的变化。

关键词: 人工智能, 动态优化问题, PBIL算法, 种群多样性

Abstract:

In an uncertain environment, the environmental changes always occur with probabilities. In this paper the moment when a change occurs is considered as a random variable, which obeys certain distribution, and the dynamic problems possess such features are classified as a class of dynamic optimization problems. Then an adaptive populationbased incremental learning (PBIL) algorithm is proposed to solve the class of dynamic optimization problems. This algorithm applies the adaptive probability of random variable to regulate the probable model of the current population. The objectives are to increase the population diversity and to rapidly adapt the environmental changes. Results of case study show that compared with traditional PBIL algorithm, the proposed adaptive PBIL algorithm can track the dynamic solution reliably and accurately.

Key words: artificial intelligence, dynamic optimization problems, PBIL (Populationbased incremental learning) algorithm, population diversity

中图分类号:

TP18

武燕，王宇平，刘小雄. 自适应PBIL算法求解一类动态优化问题[J]. 吉林大学学报(工学版), 2008, 38(06): 1378-1382.

WU Yan，WANG Yu-ping，LIU Xiao-xiong . Adaptive PBIL algorithm for a class of dynamic optimization problems[J]. 吉林大学学报(工学版), 2008, 38(06): 1378-1382.

参考文献

相关文章 15

[1]	董飒, 刘大有, 欧阳若川, 朱允刚, 李丽娜. 引入二阶马尔可夫假设的逻辑回归异质性网络分类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1571-1577.
[2]	顾海军, 田雅倩, 崔莹. 基于行为语言的智能交互代理[J]. 吉林大学学报(工学版), 2018, 48(5): 1578-1585.
[3]	王旭, 欧阳继红, 陈桂芬. 基于垂直维序列动态时间规整方法的图相似度度量[J]. 吉林大学学报(工学版), 2018, 48(4): 1199-1205.
[4]	张浩, 占萌苹, 郭刘香, 李誌, 刘元宁, 张春鹤, 常浩武, 王志强. 基于高通量数据的人体外源性植物miRNA跨界调控建模[J]. 吉林大学学报(工学版), 2018, 48(4): 1206-1213.
[5]	黄岚, 纪林影, 姚刚, 翟睿峰, 白天. 面向误诊提示的疾病-症状语义网构建[J]. 吉林大学学报(工学版), 2018, 48(3): 859-865.
[6]	李雄飞, 冯婷婷, 骆实, 张小利. 基于递归神经网络的自动作曲算法[J]. 吉林大学学报(工学版), 2018, 48(3): 866-873.
[7]	刘杰, 张平, 高万夫. 基于条件相关的特征选择方法[J]. 吉林大学学报(工学版), 2018, 48(3): 874-881.
[8]	王旭, 欧阳继红, 陈桂芬. 基于多重序列所有公共子序列的启发式算法度量多图的相似度[J]. 吉林大学学报(工学版), 2018, 48(2): 526-532.
[9]	杨欣, 夏斯军, 刘冬雪, 费树岷, 胡银记. 跟踪-学习-检测框架下改进加速梯度的目标跟踪[J]. 吉林大学学报(工学版), 2018, 48(2): 533-538.
[10]	刘雪娟, 袁家斌, 许娟, 段博佳. 量子k-means算法[J]. 吉林大学学报(工学版), 2018, 48(2): 539-544.
[11]	曲慧雁, 赵伟, 秦爱红. 基于优化算子的快速碰撞检测算法[J]. 吉林大学学报(工学版), 2017, 47(5): 1598-1603.
[12]	李嘉菲, 孙小玉. 基于谱分解的不确定数据聚类方法[J]. 吉林大学学报(工学版), 2017, 47(5): 1604-1611.
[13]	邵克勇, 陈丰, 王婷婷, 王季驰, 周立朋. 无平衡点分数阶混沌系统全状态自适应控制[J]. 吉林大学学报(工学版), 2017, 47(4): 1225-1230.
[14]	王生生, 王创峰, 谷方明. OPRA方向关系网络的时空推理[J]. 吉林大学学报(工学版), 2017, 47(4): 1238-1243.
[15]	马淼, 李贻斌. 基于多级图像序列和卷积神经网络的人体行为识别[J]. 吉林大学学报(工学版), 2017, 47(4): 1244-1252.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed