曹文梁,康岚兰,王 石

(1.东莞职业技术学院计算机工程系,广东 东莞 523808)(2.江西理工大学应用科学学院,江西 赣州 341000)

在复杂的现实世界中,很多优化问题都是动态的,例如:动态车辆路线问题、微网经济调度、网络边缘环境中的资源分配和选矿操作过程优化问题等[1-4]. 这类问题的最优值大小及其位置都可能随着时间的变化而改变,它们被称之为动态优化问题(dynamic optimization problems,DOPs)[5],其定义如下:

(1)

其中,S是搜索空间,t是时间,f是目标函数,x是可行解,X(t)是在t时刻可行解集合. 根据问题特性,解决DOPs的两个关键点在于:

(1)如何快速感知当前环境变化,并对变化后的新环境做出响应;

(2)如何持续跟踪最优解,不断适应新环境.

以上是传统优化算法在解决动态优化问题时面临的新挑战.

DOPs可认作是一个动态系统控制问题,它通过环境中各个因素的相互协作与外界不断发生能量交换. 而作为一种源于自然进化的随机启发性算法,演化算法(evolutionary algorithm,EA)通过个体间的相互协作,不断与外界交换信息,从而跟踪问题的最优解. 因此,EA具备求解动态优化问题的天然优势,作为是进化计算领域的一个研究热点问题[6-7],目前,EA中的粒子群优化算法(particle swarm optimization,PSO)[8-9]被广泛应用于求解DOPs的一种演化算法. 然而,为保持动态环境中种群多样性,以及环境动态变化下粒子寻优动力的持续性问题,需要对一般PSO算法展开深入研究和改进,以达到在动态环境中更加有效的持续跟踪最优解的目标.

本文通过认真分析DOPs的特点,提出了一……