基于合作式协同进化框架，本书布局子问题的分解，将原布局设计问题划分为多个布局子问题，每个布局子问题设置一个演化群体，进行单独的算法操作（交叉、变异、选择）；在进行各个布局子问题的演化群体的个体适应度函数值计算时，通过启发式协调机制，以及群体之间的合作个体方式来进行信息互补，用以协同进化各个子群体。
本书采用的启发式协调机制已在本书4.3节中详细讨论，同时协同进化的另一个关键问题是各个子群体中个体的适应度评价方法，若分解后的子问题之间不存在耦合关系，并且相互独立，则子问题的解可以进行独立评价。若子问题之间存在耦合关系，则子问题的解无法独立评价，需要其他子问题提供合作解用于解的评价。每一个子问题对应一个子群体，每个子群体中的个体仅代表原布局问题解的一部分，即每一个子群体中个体的适应度评价都需要其他群体提供合作个体。由前述可知，合作个体选择方法主要包括随机选择法、选择最优个体法，以及提供合作者群体法等[175-186]，随机选择法可以使群体保持一定的多样性，但也可能导致群体搜索收敛速度慢、收敛方向不稳定；选择各个子群体的当前最优个体作为合作个体（选择最优个体法），可以提高群体的收敛速度，但若过早采用此种合作方式则容易陷入局部搜索区域；提供合作者群体方式（提供合作者群体法）的操作难度较大，不宜控制。因此，为了保持算法搜索在局部和全局之间很好的平衡，提高算法的持续优化能力，本书给出了随机-最优合作个体循环选择策略：在算法运行每隔一定代数tg，子群体中合作个体选择方式在随机选择法和选择最优个法之间进行转换，即设在第t代时算法采用随机选择法选择合作个体，则在第t+tg代时，进行转换，采用选择最优个法选择合作个体，这样不断的循环直至满足结束准则。基于此策略，可以让算法不断在局部和全局之间进行搜索，使得算法具有一定的持续优化能力。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
