论文部分内容阅读
进化算法(EAs)是一种不依赖于梯度信息的随机优化算法,已被广泛应用于工程领域。协方差矩阵自适应进化策略(CMA-ES)作为目前较先进的进化算法,被认为是实值优化中最具有竞争力的进化算法之一。CMA-ES通过调整协方差矩阵来模拟适应度函数的地形,对搜索空间的任意可逆性变换具有不变性,对于病态的、高度不可分的问题有优秀的求解能力。但和其它进化算法一样,CMA-ES算法的主要局限性在于搜索中所能提供的信息只有函数,搜索点可以自由选择,但同时意味着更大的信息搜索量,所以需要大量代价函数评估,从而导致计算代价过高,使得其应用在计算量大的优化问题上受到了局限,而且CMA-ES算法是一种局部优化算法,存在全局搜索能力弱、易早熟收敛等问题。为了解决上述CMA-ES存在的问题,本文提出了一种Student-t过程协助下的协方差矩阵自适应进化策略算法。该算法利用CMA-ES中的协方差矩阵构建核函数,引入Student-t过程,在线学习历史经验,并根据历史经验预测全局最优解的最有前景区域,有效地降低了适应度函数评价次数。同时为了提高群体的搜索效率,引入置信区间,提供更多高质量的样本点来对Student-t过程模型进行进一步修正,使群体在置信区间内更高效地采样,使算法具备更快的收敛速度和全局寻优的能力。最后,为了验证算法的有效性,通过数值仿真对比了不同算法的搜索效率与搜索精度,结果表明:Student-t过程协助下的CMA-ES算法比基本的CMA-ES算法和高斯过程协助下的CMA-ES算法具有更强的全局搜索能力,在减少代价函数评价次数的同时,进一步提高了算法的求解精度和鲁棒性。同时,为了验证改进算法在实际问题中的有效性,将提出的改进算法应用于医学图像配准中,实验结果表明:改进的CMA-ES算法配准效果均有明显提高,配准精度和效率均高于标准的CMA-ES算法。