·194 智能系统学报 第4卷 动式和反应式相结合的混合式操作策略，这将在本 体多样性保持，以避免早熟收敛，另外一个群体跟踪 节的第3部分予以阐述. 全局最优值.当环境发生变化或者子群CRDE的最 3.2反应式策略 优值cb和PSO的群体最优值ge距离过近时，就 反应式策略定义为探知环境的动态变化后，针 通过CRDE中的个体来重置SWARM,以提高 对这种变化做出响应调整的方法.当没有检测到环 SWARM的多样性 境有新的变化发生时，粒子群集中搜索当前的最优 文献[26]在多群体设计中引入了3个多样性 值.当有环境发生变化了的警示信息时，群体就对此 算子进行综合：量子微粒(quantum particles,文 做出反应，采用相应的反应式策略来增加群体多样 献[22]中采用的多样性保持方法)、排斥因子(x- 性，同时减少群体过期信息的影响.这一类方法的主 clusion,排拆即将发生碰撞的临近群体间的相互作 要问题是，需要额外增加环境检测的计算，这势必导 用，用来避免各不同群体停留在同一个峰值上)、逆 致对适应度函数进行额外计算的负担. 收敛因子(1个新的算子，使群体间共享信息，以便 “重置”依旧是广泛采用的反应式机制 探测新的峰值).如果探测到环境变化，对所有粒子 文献[16]中通过设置一个阈值变量，优化过程中如 的个体最优粒子P的适应值进行重新计算，所有 果最优值的位置移动超过了这个阚值，所有粒子重 的操作都根据群体情况来进行.群体中集中了3种 新设置它们的个体最优位置为当前的位置向量 操作机制都是用来控制群体多样性.当子群相互之 x.相对于简单的重新设置所有粒子的位置，一种改 间过分靠近时，进行排斥操作，重新初始化最差的种 进的“重置”操作对重新计算Pt的适应值，只有当 群.通过反收敛操作把最差的种群抛弃，在搜索空间 前位置的适应值比个体最优适应值更佳的粒子才被 上重新初始化，这样可以保证至少有1个子群在空 重置，).Eberart指出[)，并不能完全否定个体 间中进行新的搜索.但这种综合性的改进方法，在算 的最有历史信息，每个个体最优适应值都在环境变 法中引入了复杂的在各重操作机制之间进行判断和 化过程中得到了更新，它们的位置会得到保留 切换的过程，并且引入了更多的待调节的参数.即使 Hu[)把对整个或部分群体中的粒子，或群体最 降低了该方法试验的可重复性，这也是一个显著的 优粒子进行随机化，作为一种对环境变化的应对机 附加问题.因此，同所有基于群体的方法一样，该算 制.比例太大则过多失去有用的历史信息和搜索经 法需要进一步降低计算复杂性， 验；相反，比例太小不能保证有效的激发多样性增 长.试验经验表明，在多数情况下，群体10%的比例 4性能评价 进行重新随机化就可以了.文献[35]中也采用了这 动态优化对计算智能方法提出了一个独特的挑 种方法，对各种S0的改进方法在动态环境下搜索 战.算法的总体性能对算法的改进、修正和设计新的 性能进行了比较.但如何根据问题的特性选择随机 方法是非常重要的，因此非常有必要通过一些评价方 化比例是一个函待解决的问题， 法来对算法的性能进行一个衡量.虽然对PS0在动 3.3混合式策略 态环境优化的研究都是基于适应值曲面的，但是目前 混合式策路指的是综合利用了反应式和主动式 为止没有一个统一的评价标准来对函数的优化性能 应对策略的那些S0改进方法.一般说来，两者都 进行评判.因而目前在优化实验中采用了多种评价函 具有各自的优势和不足，比如，主动式策略一般收敛 数，主要可以分为2个方面：优化过程中适应度函数 的速度相对较慢，而且不能充分收敛到动态的最优 性能评价和基于大量试验的统计分析评价： 值；而反应式方法导致额外增加计算量是不得不考 4.1适应度性能评价 虑的问题.动态环境下，如何改进算法来实现在环境 一些传统的进化计算性能评价方法依然被采 动态变化前的快速搜索同时保持群体的多样性，是 用，比如离线性能、在线性能、收敛时间及当前最优 至关重要的环节， 值曲线等.此外，为了对动态函数的优化评价，一些 最近，Lung提出了分级子群PS0模型，又称 传统性能评价方法有了改进，以及设计了一些新的 为协同进化群优化方法(collaborative evolutionary- 评价方法。 swarm optimization,CES0).CES0由2个规模相同 当前最优值(Bcst-so-far)曲线用来记录并描绘 的群体PS0的粒子群和拥挤差分进化群(crowding 迄今为止的最优值，这些最优值信息反映了每个迭 differential evolution,CRDE)构成混合式响应策略. 代周期后，优化结果与最优值的距离.一些学者认为 一个群体采用进化算法的保持多样性机制，负责群 在动态环境中采用这个评价方法不合时宜6；因