【摘要】：花朵授粉算法是模擬開花植物進程的啟發(fā)式算法,該算法將植物的異花授粉過程和自花授粉過程類比為全局搜索和局部搜索,由于該算法具有實現(xiàn)簡單、魯棒性強及尋優(yōu)速度較快等優(yōu)點,多用于解決各類優(yōu)化問題。但隨著處理數(shù)據(jù)的規(guī)模和維數(shù)的增加,花朵授粉算法在后期收斂速度慢且易陷入局部最優(yōu),并存在尋優(yōu)精度低的問題。為解決以上問題,本文提出一種基于改進和聲搜索和折射原理的花朵授粉算法。該算法首先將差分進化中的交叉變異操作引入和聲搜索算法,通過動態(tài)調(diào)整差分進化算法中的縮放因子來改進在調(diào)整步長時隨機性強且尋優(yōu)后期速度較慢的缺點。然后,將基于差分進化的和聲搜索算法引入花朵授粉算法,利用該算法求出當(dāng)前最優(yōu)解,將其作為花朵授粉算法迭代的初始解,該步驟可以提高初始解的質(zhì)量,提升了算法的收斂速度。最后,將折射原理引入花朵授粉算法,通過將當(dāng)前迭代的最優(yōu)解進行折射,來得到折射點。這一過程不僅可以擴大算法的搜索范圍、增強種群的多樣性,還有助于算法擺脫局部最優(yōu)并提高算法的尋優(yōu)能力和收斂精度。仿真實驗證明,本文提出算法的尋優(yōu)能力遠高于標(biāo)準(zhǔn)的花朵授粉算法。
【圖文】：

8圖 2.1 花朵授粉算法流程Figure2.1 Flow chart of FPAtep1：初始化算法的各參數(shù)。包括轉(zhuǎn)換概率 p，種群數(shù) N 等參數(shù)；tep2：初始化種群，求出每個解的適應(yīng)度值和當(dāng)前最優(yōu)解；tep3：當(dāng) p>rand（rand 為服從[0,1]均勻分布的隨機數(shù)）時，進行全局搜索

遼寧工程技術(shù)大學(xué)碩士學(xué)位論文按照公式（3.1）對其進行微調(diào)，反之則在變量范圍內(nèi)和聲記憶庫外隨機選擇一為新和聲。1 2,0,newnew iix r BW r PARxotherwise 若= （3.1）12rand 、r 、r是一個服從[0,1]均勻分布的隨機數(shù)，BW 為音調(diào)微調(diào)帶寬、PAR 為和率。隨機選擇音調(diào)。4：將新和聲與原有和聲記憶庫中的最差值進行比較，若優(yōu)于最差值則將最差值加入新和聲，反之則不變。5：判斷是否符合迭代結(jié)束條件，符合則迭代結(jié)束，，不符合則轉(zhuǎn)至 Step3。
【學(xué)位授予單位】：遼寧工程技術(shù)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP18

【參考文獻】

相關(guān)期刊論文 前8條

1 彭虎;吳志健;周新宇;鄧長壽;;基于三角的骨架差分進化算法[J];計算機研究與發(fā)展;2015年12期

2 王林;彭璐;夏德;曾奕;;自適應(yīng)差分進化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測[J];計算機工程與科學(xué);2015年12期

3 邵鵬;吳志健;周炫余;鄧長壽;;基于折射原理反向?qū)W習(xí)模型的改進粒子群算法[J];電子學(xué)報;2015年11期

4 李國亮;魏振華;徐蕾;;基于改進搜索策略的狼群算法[J];計算機應(yīng)用;2015年06期

5 肖輝輝;萬常選;段艷明;鐘青;;基于模擬退火的花朵授粉優(yōu)化算法[J];計算機應(yīng)用;2015年04期

6 汪慎文;丁立新;張文生;郭肇祿;謝承旺;;差分進化算法研究進展[J];武漢大學(xué)學(xué)報(理學(xué)版);2014年04期

7 任子武;熊蓉;褚健;;混合量子差分進化算法及應(yīng)用[J];控制理論與應(yīng)用;2011年10期

8 劉思遠;柳景青;;一種新的多目標(biāo)改進和聲搜索優(yōu)化算法[J];計算機工程與應(yīng)用;2010年34期

本文編號：2687434