發(fā)布時間：2021-05-20 01:37

　　優(yōu)化是許多科學(xué)和工學(xué)范疇中的一個重要研究領(lǐng)域。目前,用于解決該類問題的方法有很多種,人工蜂群算法（Artificial Bee Colony,ABC）是其中之一。該算法是一種新型的群智能優(yōu)化算法,于2005年由土耳其著名專家Karaboga研究發(fā)明。由于開采與開發(fā)并行、控制參數(shù)少、實(shí)現(xiàn)簡單、易于理解等優(yōu)點(diǎn),而被廣泛關(guān)注。與粒子群優(yōu)化算法（Particle Swarm Optimization,PSO）、蟻群算法（Ant Colony Optimization,ACO）等其他群智能優(yōu)化算法相比,人工蜂群算法已被證明性能更優(yōu)良,是一種具有競爭力的方法。但是,該算法仍然存在局部搜索能力弱、易早熟、解質(zhì)量有待提高等問題。文中在深入理解人工蜂群算法原理以及對現(xiàn)有改進(jìn)方案分析的基礎(chǔ)上,針對以上不足展開后續(xù)內(nèi)容,對基本的人工蜂群算法進(jìn)行改進(jìn),用于解決單目標(biāo)優(yōu)化問題和多目標(biāo)優(yōu)化問題,并應(yīng)用在環(huán)境經(jīng)濟(jì)調(diào)度問題（Environment/Economic Dispatch Problem,EED）中。論文的主要研究工作概括如下:1)提出一種增強(qiáng)局部搜索能力的單目標(biāo)人工蜂群優(yōu)化算法。該算法首先在種群初始化階段... 

【文章來源】：華僑大學(xué)福建省

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 課題背景及課題意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 單目標(biāo)人工蜂群優(yōu)化算法的研究現(xiàn)狀
        1.2.2 多目標(biāo)人工蜂群優(yōu)化算法的研究現(xiàn)狀
        1.2.3 環(huán)境經(jīng)濟(jì)調(diào)度問題的研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容
    1.4 本文結(jié)構(gòu)安排
第2章 基本人工蜂群算法概述
    2.1 人工蜂群算法基本行為描述
    2.2 人工蜂群算法基本原理及流程
        2.2.1 初始化階段
        2.2.2 采蜜蜂階段
        2.2.3 觀察蜂階段
        2.2.4 偵查蜂階段
        2.2.5 算法流程
    2.3 本章小結(jié)
第3章 增強(qiáng)局部搜索能力的單目標(biāo)人工蜂群優(yōu)化算法
    3.1 引言
    3.2 算法描述
        3.2.1 混沌初始化策略
        3.2.2 新的搜索方程
        3.2.3 學(xué)習(xí)概率L
        3.2.4 算法步驟
    3.3 實(shí)驗仿真與結(jié)果分析
        3.3.1 測試函數(shù)和參數(shù)設(shè)置
        3.3.2 參數(shù)L的影響
        3.3.3 實(shí)驗結(jié)果分析
    3.4 本章小結(jié)
第4章 平衡搜索能力的單目標(biāo)人工蜂群優(yōu)化算法
    4.1 引言
    4.2 算法描述
        4.2.1 廣義反向?qū)W習(xí)策略
        4.2.2 搜索機(jī)制改進(jìn)
        4.2.3 算法步驟
    4.3 實(shí)驗仿真與結(jié)果分析
        4.3.1 測試函數(shù)
        4.3.2 與基本ABC的實(shí)驗比較
        4.3.3 與ABC變體的實(shí)驗比較
    4.4 本章小結(jié)
第5章 多目標(biāo)人工蜂群優(yōu)化算法改進(jìn)及應(yīng)用
    5.1 MOP相關(guān)理論
        5.1.1 MOP問題描述
        5.1.2 Pareto相關(guān)定義
    5.2 EED問題的數(shù)學(xué)模型
        5.2.1 目標(biāo)函數(shù)
        5.2.2 約束條件
        5.2.3 優(yōu)化問題
        5.2.4 優(yōu)化目標(biāo)
    5.3 算法描述
        5.3.1 分解方法
        5.3.2 種群搜索策略
        5.3.3 外部檔案策略
        5.3.4 約束處理方法
    5.4 實(shí)驗仿真與結(jié)果分析
        5.4.1 測試函數(shù)和參數(shù)設(shè)置
        5.4.2 算法評價指標(biāo)
        5.4.3 在測試函數(shù)的實(shí)驗結(jié)果
        5.4.4 在EED實(shí)驗結(jié)果分析
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 研究工作總結(jié)
    6.2 未來的工作展望
參考文獻(xiàn)
致謝
個人簡歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文及研究成果


【參考文獻(xiàn)】：
期刊論文
[1]一種用于多目標(biāo)約束優(yōu)化的改進(jìn)進(jìn)化算法[J]. 俞國燕,李鵬,何真,孫延明.  計算機(jī)集成制造系統(tǒng). 2009(06)
[2]進(jìn)化多目標(biāo)優(yōu)化算法研究[J]. 公茂果,焦李成,楊咚咚,馬文萍.  軟件學(xué)報. 2009(02)

博士論文
[1]電力系統(tǒng)環(huán)境經(jīng)濟(jì)優(yōu)化調(diào)度研究[D]. 朱永勝.鄭州大學(xué) 2016
[2]復(fù)雜問題的多目標(biāo)進(jìn)化優(yōu)化算法研究[D]. 王晗丁.西安電子科技大學(xué) 2015
[3]電力系統(tǒng)非平滑和多目標(biāo)經(jīng)濟(jì)調(diào)度優(yōu)化方法研究[D]. 詹俊鵬.浙江大學(xué) 2014

碩士論文
[1]基于人工蜂群算法的多目標(biāo)問題優(yōu)化[D]. 劉奇奇.深圳大學(xué) 2016



本文編號：3196827