本文關(guān)鍵詞： 粒子群優(yōu)化算法 生物行為機制 群體感應(yīng) 寄生免疫 細菌覓食　出處：《華南理工大學》2014年博士論文　論文類型：學位論文

【摘要】：粒子群優(yōu)化算法（Particle Swarm Optimization, PSO）是一種典型的群體智能優(yōu)化算法，其基本思想來源于對社會型群居生物的某些行為的模擬，算法的搜索過程基本不利用外部信息，僅以適應(yīng)度函數(shù)值作為進化的依據(jù)，是一種以“生成+檢驗”為特征的自適應(yīng)智能算法。粒子群優(yōu)化算法在許多工程優(yōu)化的實際問題中得到成功的應(yīng)用，得益于其原理簡單、容易實現(xiàn)、全局搜索能力強等特點。鑒于PSO算法的起源來自于模擬社會型群居生物的某些行為，算法本身存在一些難以克服的缺陷，因此將存在于自然界中的各種生物行為機制融入PSO是一種潛在的改進途徑。本文在深入分析PSO研究現(xiàn)狀的基礎(chǔ)上，基于生物行為機制的視角提出了幾種改進的PSO算法，使算法的尋優(yōu)性能更加優(yōu)越，并將改進算法應(yīng)用于管理實踐中的優(yōu)化和預測問題，拓展了粒子群優(yōu)化算法的應(yīng)用領(lǐng)域。 本文采用規(guī)范研究與應(yīng)用研究相結(jié)合的方法，主要研究內(nèi)容及成果包括： (1)粒子群優(yōu)化算法存在的問題及改進途徑。系統(tǒng)分析仿生優(yōu)化算法的基本思想、分類及特性，研究群體智能算法的基本原理、主要方法和發(fā)展趨勢，重點分析粒子群優(yōu)化算法的基本原理、存在問題及原因，為探索粒子群優(yōu)化算法的改進途徑理清思路。 (2)基于細菌群體感應(yīng)機制的粒子群優(yōu)化算法。分析了將生物行為嵌入到粒子群優(yōu)化算法實現(xiàn)改進算法尋優(yōu)性能的相關(guān)研究，結(jié)合細菌群體感應(yīng)機制提出了基于細菌群體感應(yīng)的粒子群優(yōu)化算法（PSOQS），采用智能計算中常用的6個標準測試函數(shù)進行仿真實驗，驗證了算法對SPSO的改進程度；考慮到細菌群體感應(yīng)發(fā)生時機對細菌群體感應(yīng)粒子群優(yōu)化算法的影響，針對不同群體感應(yīng)頻率下的細菌群體感應(yīng)粒子群優(yōu)化算法進行測試分析，得到最佳感應(yīng)頻率的PSOQS；群體智能算法的種群規(guī)模會影響算法的成功率，在最佳感應(yīng)頻率PSOQS的基礎(chǔ)上采用不同的種群規(guī)模對改進算法進行測試，并對實驗結(jié)果進行了分析。 (3)基于寄生免疫機制的粒子群優(yōu)化算法。在分析細菌寄生行為和生物免疫機制的基礎(chǔ)上，提出了將寄生免疫機制嵌入粒子群優(yōu)化算法的基本思想及實現(xiàn)途徑，構(gòu)造了基于寄生免疫機制的粒子群優(yōu)化算法（PSOPI），具體思路是將具有很強寄生能力的寄生群采用精英學習機制以提高算法跳出局部極值的能力，宿主則針對寄生群的寄生行為產(chǎn)生獲得性免疫，以增強宿主種群粒子的多樣性，當?shù)螖?shù)進行到既定的代數(shù)時發(fā)生寄生行為；將所得的改進算法PSOPI與CPSO和PSOPB的尋優(yōu)性能進行比較分析，針對標準測試函數(shù)進行仿真實驗。 (4)基于免疫逃避機制的粒子群優(yōu)化算法。針對存在于自然界中寄生蟲逃避宿主免疫效應(yīng)的現(xiàn)象，深入探索生物協(xié)同進化過程中免疫逃避的策略和機制，將細菌免疫逃避機制嵌入粒子群優(yōu)化算法，分別采用高斯變異（Gaussian）和柯西變異（Cauchy）來模擬寄生物的免疫逃避行為，形成基于免疫逃避機制的粒子群優(yōu)化算法模型，設(shè)置相應(yīng)的實驗參數(shù)，針對標準測試函數(shù)進行仿真實驗。 (5)基于生物覓食機制的粒子群優(yōu)化算法。系統(tǒng)總結(jié)了生物覓食行為的規(guī)律，，深入探尋自然界中生物的覓食機制，將細菌覓食機制嵌入粒子群優(yōu)化算法構(gòu)造細菌覓食粒子群優(yōu)化算法（PSOBF），將蜜蜂采蜜機制嵌入粒子群優(yōu)化算法構(gòu)造蜜蜂覓食粒子群優(yōu)化算法（PSOHF），采用標準測試函數(shù)進行仿真，實驗結(jié)果證實了改進算法的有效性。 (6)改進粒子群優(yōu)化算法的實際應(yīng)用。針對管理領(lǐng)域的配送中心選擇問題和股指預測問題構(gòu)建模型，采用基于生物行為機制的改進粒子群優(yōu)化算法求解配送中心選址問題，改進算法對單個配送中心的案例求解效果表現(xiàn)良好，采用基于生物行為機制的改進粒子群算法訓練神經(jīng)網(wǎng)絡(luò)對上海股票市場價格指數(shù)的樣本數(shù)據(jù)進行擬合預測，驗證了改進算法在預測方面的良好性能。
[Abstract]:Particle Swarm Optimization ( PSO ) is a typical swarm intelligence optimization algorithm . The basic idea of PSO is derived from the simulation of some behaviors of community living beings . The main contents and achievements of this paper are as follows : ( 1 ) The problems and ways to improve the particle swarm optimization algorithm are analyzed . The basic idea , classification and characteristics of bionic optimization algorithm are analyzed , the basic principle , main methods and development trend of swarm intelligence algorithm are studied , and the basic principle , problems and reasons of particle swarm optimization algorithm are analyzed . ( 2 ) Particle swarm optimization ( PSO ) algorithm based on bacterial population sensing mechanism is studied . Based on the study of the optimization algorithm of bacterial population , a particle swarm optimization algorithm ( PSOQS ) based on bacterial population induction is proposed . ( 3 ) A particle swarm optimization algorithm based on the parasitic immune mechanism is proposed . A particle swarm optimization algorithm ( PSOPI ) based on the parasitic immune mechanism is proposed . A particle swarm optimization algorithm ( PSOPI ) based on the parasitic immune mechanism is proposed . ( 4 ) A particle swarm optimization algorithm based on immune evasion mechanism is used to study the strategies and mechanisms of immune evasion in the process of biological co - evolution , and the immune evasion mechanism is embedded into particle swarm optimization algorithm . Gaussian and Cauchy mutation ( Cauchy ' s ) are used to simulate the immune evasion behavior of the parasite , and the particle swarm optimization algorithm model based on immune evasion mechanism is formed . The corresponding experimental parameters are set up , and the simulation experiment is carried out for the standard test function . ( 5 ) Based on the particle swarm optimization algorithm based on the biological feeding mechanism , the rules of the biological feeding behavior are summarized , and the feeding mechanism of the organisms in the natural world is deeply explored . The colony optimization algorithm ( PSOBF ) is constructed by embedding the feeding mechanism of the bacteria into the particle swarm optimization algorithm , and the honeybees ' swarm optimization algorithm ( PSOHF ) is constructed by embedding the honeybees into the particle swarm optimization algorithm , and the simulation is carried out by using the standard test function , and the experimental results confirm the effectiveness of the improved algorithm . ( 6 ) To improve the practical application of particle swarm optimization algorithm . Based on the improved particle swarm optimization algorithm based on the biological behavior mechanism to solve the distribution center location problem , the improved particle swarm optimization algorithm based on the biological behavior mechanism is adopted to solve the location problem of the distribution center , and the improved particle swarm optimization algorithm based on the biological behavior mechanism is adopted to fit the sample data of the Shanghai stock market price index , and the good performance of the improved algorithm in prediction is verified .

【學位授予單位】：華南理工大學
【學位級別】：博士
【學位授予年份】：2014
【分類號】：TP18;F830

【參考文獻】

相關(guān)期刊論文 前10條

1 陳水利;蔡國榕;郭文忠;陳國龍;;PSO算法加速因子的非線性策略研究[J];長江大學學報(自科版)理工卷;2007年04期

2 董穎,唐加福,許寶棟,汪定偉;一種求解非線性規(guī)劃問題的混合粒子群優(yōu)化算法[J];東北大學學報;2003年12期

3 原萍,王光興,張洋洋;求解通信優(yōu)化問題的一種微粒群優(yōu)化方法[J];東北大學學報;2004年10期

4 韓璞,王學厚,李劍波,王東風;粒子群優(yōu)化的模糊控制器設(shè)計[J];動力工程;2005年05期

5 劉華鎣,林玉娥,齊名軍;求解約束優(yōu)化問題的改進粒子群算法[J];大慶石油學院學報;2005年04期

6 趙輝;劉魯源;張更新;;基于微粒群優(yōu)化算法的最優(yōu)電力系統(tǒng)穩(wěn)定器設(shè)計[J];電網(wǎng)技術(shù);2006年03期

7 李輝,張安,趙敏,徐琦;粒子群優(yōu)化算法在FIR數(shù)字濾波器設(shè)計中的應(yīng)用[J];電子學報;2005年07期

8 任子武;傘冶;;實數(shù)遺傳算法的改進及性能研究[J];電子學報;2007年02期

9 肖健梅,黃有方,李軍軍,王錫淮;基于離散微粒群優(yōu)化的物流配送車輛路徑問題[J];系統(tǒng)工程;2005年04期

10 王輝;錢鋒;;群體智能優(yōu)化算法[J];化工自動化及儀表;2007年05期

相關(guān)博士學位論文 前2條

1 秦全德;粒子群算法研究及應(yīng)用[D];華南理工大學;2011年

2 劉小龍;細菌覓食優(yōu)化算法的改進及應(yīng)用[D];華南理工大學;2011年

本文編號：1489247