软件学报
軟件學報
연건학보
JOURNAL OF SOFTWARE
2014年
5期
953-969
,共17页
标杆管理%优化算法%智能计算%搜索模式
標桿管理%優化算法%智能計算%搜索模式
표간관리%우화산법%지능계산%수색모식
benchmarking%optimization algorithm%intelligence computation%search mode
借鉴标杆管理理念,提出了一种基于标杆管理的优化算法(benchmarking-based optimization algorithm,简称 BOA)。根据标杆管理的核心价值观,设计了一套基于动态小生境的竞争性学习机制,针对常用的编码方案,设计出了具体可行的执行方法。种群内个体执行方向明确的主动学习式搜索,通过对标杆的模仿学习,能够快速搜索到解空间内的目标区域内,具有较好的智能性。此外,整个小生境种群系统通过自组织学习实现与环境的友好交互,较好地解决了保持种群的多样性的难题。分析了 BOA 算法与遗传算法等现代智能优化方法在搜索模式上的重要区别,并通过对比仿真实验,表明算法能够与环境进行稳定而友好的交互,表现出较强的鲁棒性,其搜索速度和寻优能力在实验中均有较好的表现。
藉鑒標桿管理理唸,提齣瞭一種基于標桿管理的優化算法(benchmarking-based optimization algorithm,簡稱 BOA)。根據標桿管理的覈心價值觀,設計瞭一套基于動態小生境的競爭性學習機製,針對常用的編碼方案,設計齣瞭具體可行的執行方法。種群內箇體執行方嚮明確的主動學習式搜索,通過對標桿的模倣學習,能夠快速搜索到解空間內的目標區域內,具有較好的智能性。此外,整箇小生境種群繫統通過自組織學習實現與環境的友好交互,較好地解決瞭保持種群的多樣性的難題。分析瞭 BOA 算法與遺傳算法等現代智能優化方法在搜索模式上的重要區彆,併通過對比倣真實驗,錶明算法能夠與環境進行穩定而友好的交互,錶現齣較彊的魯棒性,其搜索速度和尋優能力在實驗中均有較好的錶現。
차감표간관리이념,제출료일충기우표간관리적우화산법(benchmarking-based optimization algorithm,간칭 BOA)。근거표간관리적핵심개치관,설계료일투기우동태소생경적경쟁성학습궤제,침대상용적편마방안,설계출료구체가행적집행방법。충군내개체집행방향명학적주동학습식수색,통과대표간적모방학습,능구쾌속수색도해공간내적목표구역내,구유교호적지능성。차외,정개소생경충군계통통과자조직학습실현여배경적우호교호,교호지해결료보지충군적다양성적난제。분석료 BOA 산법여유전산법등현대지능우화방법재수색모식상적중요구별,병통과대비방진실험,표명산법능구여배경진행은정이우호적교호,표현출교강적로봉성,기수색속도화심우능력재실험중균유교호적표현。
Drawing on the benchmarking theory in the business management, a new search method, benchmarking-based optimization algorithm (BOA), is proposed in this paper. BOA provides a competitive learning mechanism based on dynamic niche according to the core values of benchmarking. Through imitation and learning, all the individuals within a population are able to approach to the high yielding regions in the solution space and seek out the optimal solutions quickly. Further, the formidable problem of maintaining the diversity of population is effectively resolved through the self-organizing learning process of the niche system and its friendly interaction with the environment. In this paper, the main differences between BLA and the existing intelligent optimization methods, sush as genetic algorithm (GA), are analyzed. The comparative experiments show that BLA is robust and able to perform friendly interactive learning with the environment, and its search speed and optimization ability is far superior to the existing intelligent optimization methods.