适于高维空间搜索的自组织学习算法

摘要：

提出了一种有别于当前优化算法框架的自组织学习算法(self-organizing learning algorithm,SLA),该算法融合遗传算法并行搜索与模拟退火串行搜索,结合粒子群学习机制和禁忌搜索机制,实现了系统与环境的交互学习,能够很好地处理传统优化方无法应对的高维非线性优化问题.SLA分自学习和互学习两个智能化学习阶段,先进行基于自学习机制的邻域禁忌搜索,保证局部极值的收敛,然后通过信息共享平台,进行基于互学习机制的广域禁忌搜索,保证全局极值的收敛.系统通过与环境交互学习而自适应地调整搜索策略和相关参数,使得搜索过程能够有效地避免盲目性,而具有相当的自组织性.最后,通过高维测试函数的对比仿真实验表明,SLA在由小型低维空间转入超大型高维空间时,仍能够与环境保持稳定,透明的交互学习,其全局搜索能力和整体稳健性明显优于其它搜索方法.

关键词：自组织、学习机制、高维空间、遗传算法、模拟退火、禁忌搜索

所属期刊栏目：31

分类号：TP301.6(计算技术、计算机技术)

资助基金：安徽省教育厅重大基金项目ZD200904

在线出版日期：2010-06-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：2005-2009,2139