1.3.3 IEC的进化效率及用户疲劳问题

实际上，IEC的进化效率与用户疲劳问题是一对相互影响的问题：由于IEC用户容易疲劳，所以IEC算法的种群规模常常限制在10 个个体左右，而进化代数常限定在10 29代，从而造成IEC的进化效率低下问题；反过来，正是由于IEC算法的进化效率低下，使得用户需不断参与适应值的评价，从而造成用户的疲劳。我们在前面讨论了IEC的一些改进策略[4～ 14]，然而，提高 IEC的进化效率、降低用户的使用疲劳，是IEC研究中一个远没有解决的问题[1]。而EC研究中，多种群协同进化思想可以极大提高EC算法的性能。近来，基于智能体计算技术及其与EC算法的结合的研究，得到广大研究者的关注。下面将从这两个方面来讨论相关的研究进展及其与IEC研究的关系。

多种群协同进化算法考虑个体之间及个体与环境之间的关系，种群中个体的进化受其他个体及进化环境影响，对个体进行适应值评价时需要利用其他个体的信息，即个体适应值不再仅由目标函数决定，同时还由其他个体决定。多种群协同进化算法依据其生物学基础不同，主要分为竞争型协同进化算法和合作型协同进化算法。

多种群协同进化算法最早的研究，可以追溯到1991年Hillis提出的宿主与寄生物模型[32]及Husbands的车间作业调度多物种协同进化模型[33]，这两种具体的协同进化算法模型统称为竞争型协同进化算法模型，都考虑了多个物种之间的相互作用。其应用研究成果表明，考虑物种之间相互作用的协同进化算法，相较于不考虑相互作用的进化算法，可以更好地维持进化种群的多样性，得到更好的进化结果[34]。

合作型协同进化算法主要是针对复杂协同适应性问题提出的一类进化算法。其编码方法与传统进化算法编码方法截然不同：个体不再对所有变量进行编码，而是对部分变量进行编码。在进行适应值评价时，单个种群个体仅是待优化系统的一个部分，对其无法采用传统绝对适应值评价方法，必须利用其他部分信息，构成一个整体，才可利用目标函数进行适应值评价。即在合作型协同进化算法中，种群之间是相互受益、相互制约、相互协同、共同进化的[34， 35]。