群智能算法是一種通過模擬自然界生物變異進(jìn)化從而實(shí)現(xiàn)算法迭代,最終搜尋到期望解的尋優(yōu)算法。其通過隨機(jī)初始化模擬物種的原始分布,通過隨機(jī)搜索以及有選擇性地保存后代來模擬物種的自然進(jìn)化,進(jìn)而實(shí)現(xiàn)算法種群不斷進(jìn)化,尋找到最優(yōu)解的目的。人工蜂群算法隸屬于群智能啟發(fā)式算法,該算法提出時(shí)間較短,效果較好,算法主要包括引領(lǐng)蜂、跟隨蜂以及偵查蜂三個(gè)過程,該三個(gè)過程順序執(zhí)行,從而最終實(shí)現(xiàn)了算法尋優(yōu)最終解決問題。由于人工蜂群算法具有參數(shù)少、應(yīng)用簡(jiǎn)便、求解快速的特點(diǎn),其在函數(shù)數(shù)值優(yōu)化、制造流程優(yōu)化、工程設(shè)計(jì)以及化學(xué)工程領(lǐng)域已經(jīng)得到廣泛的應(yīng)用。作為一種新型算法,面對(duì)某些特定問題人工蜂群算法在進(jìn)化和優(yōu)化過程中也依然存在著無法收斂、尋優(yōu)效果不理想等缺陷,在一定程度影響了其在解決實(shí)際問題上的性能。因此,研究人工蜂群算法的內(nèi)在原理,對(duì)其進(jìn)行改進(jìn)并應(yīng)用到求解多目標(biāo)問題領(lǐng)域,具有非常重要的工程與學(xué)術(shù)價(jià)值。本文通過研究分析當(dāng)前最新的人工蜂群改進(jìn)算法,針對(duì)算法中存在的問題,結(jié)合群智能算法的基本原理,提出幾種改進(jìn)方案,在基本測(cè)試函數(shù)上對(duì)其性能進(jìn)行測(cè)試,并將改進(jìn)后的人工蜂群算法擴(kuò)展至多目標(biāo)領(lǐng)域,探索其在特征選擇問題領(lǐng)域的應(yīng)用。本文... 

【文章來源】：安徽大學(xué)安徽省 211工程院校

【文章頁數(shù)】：78 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 論文的研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 人工蜂群算法的發(fā)展
        1.2.2 特征選擇算法的發(fā)展
    1.3 本文研究?jī)?nèi)容與組織結(jié)構(gòu)
第二章 相關(guān)理論知識(shí)介紹
    2.1 人工蜂群算法
        2.1.1 人工蜂群算法基本思想
        2.1.2 人工蜂群算法框架
        2.1.3 人工蜂群算法流程
    2.2 多目標(biāo)優(yōu)化理論
        2.2.1 多目標(biāo)優(yōu)化問題描述
        2.2.2 Pareto最優(yōu)理論
    2.3 特征選擇技術(shù)
        2.3.1 特征選擇定義
        2.3.2 特征選擇分類
        2.3.3 特征選擇方法
    2.4 Knee Points
    2.5 K-NN算法介紹
    2.6 本章小結(jié)
第三章 多目標(biāo)人工蜂群算法及其改進(jìn)研究
    3.1 基本多目標(biāo)人工蜂群算法(MOABC)分析
    3.2 對(duì)原始MOABC的改進(jìn)
        3.2.1 自適應(yīng)knee point識(shí)別方法
        3.2.2 基于knee point的引領(lǐng)蜂精英搜索機(jī)制
        3.2.3 基于knee point的跟隨蜂搜索機(jī)制
        3.2.4 自適應(yīng)動(dòng)態(tài)搜索鄰域控制方法
        3.2.5 利用當(dāng)前最優(yōu)解引導(dǎo)進(jìn)化的重新初始化方法
    3.3 改進(jìn)的多目標(biāo)人工蜂群算法步驟
    3.4 算法仿真實(shí)驗(yàn)與分析
        3.4.1 測(cè)試函數(shù)及評(píng)價(jià)標(biāo)準(zhǔn)
        3.4.2 實(shí)驗(yàn)參數(shù)設(shè)置
        3.4.3 實(shí)驗(yàn)結(jié)果與對(duì)比分析
    3.5 本章小結(jié)
第四章 基于改進(jìn)多目標(biāo)人工蜂群算法的特征選擇的研究
    4.1 特征選擇方法的原理
    4.2 基于KnMOABC的特征選擇方法
    4.3 性能仿真和分析
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)集以及實(shí)驗(yàn)參數(shù)設(shè)置
        4.3.2 實(shí)驗(yàn)結(jié)果分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 相關(guān)工作總結(jié)
    5.2 未來工作展望
參考文獻(xiàn)
附錄A: 圖索引
AppendixA:Figures Index
附錄B: 表索引
Appendix B: Table Index
致謝
在讀期間發(fā)表的學(xué)術(shù)論文


【參考文獻(xiàn)】：
期刊論文
[1]基于反饋機(jī)制和叢林法則的人工蜂群算法[J]. 孔金生,李世通,周樹亮,馮冬青,尹書文.  計(jì)算機(jī)工程與應(yīng)用. 2017(17)
[2]一種改進(jìn)的多目標(biāo)人工蜂群算法[J]. 陳偉棟,童華剛,郜振華,張洪亮.  南華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(02)
[3]基于多策略融合的改進(jìn)人工蜂群算法[J]. 魏鋒濤,岳明娟,鄭建明.  計(jì)算機(jī)工程與應(yīng)用. 2018(05)
[4]基于改進(jìn)人工蜂群算法的高維多目標(biāo)優(yōu)化[J]. 王艷嬌,肖婧.  中南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(06)
[5]引入人工蜂群搜索算子的QPSO算法的改進(jìn)實(shí)現(xiàn)[J]. 苑帥,沈西挺,邵娜娜.  計(jì)算機(jī)工程與應(yīng)用. 2016(15)
[6]基于子目標(biāo)進(jìn)化的高維多目標(biāo)優(yōu)化算法[J]. 雷宇曜,姜文志,劉立佳,馬向玲.  北京航空航天大學(xué)學(xué)報(bào). 2015(10)
[7]人工蜂群算法研究綜述[J]. 秦全德,程適,李麗,史玉回.  智能系統(tǒng)學(xué)報(bào). 2014(02)
[8]基于局部最優(yōu)解的改進(jìn)人工蜂群算法[J]. 王冰.  計(jì)算機(jī)應(yīng)用研究. 2014(04)
[9]多目標(biāo)人工蜂群算法在服務(wù)組合優(yōu)化中的應(yīng)用[J]. 周清雷,陳明昭,張兵.  計(jì)算機(jī)應(yīng)用研究. 2012(10)
[10]基于人工蜂群算法的支持向量機(jī)參數(shù)優(yōu)化及應(yīng)用[J]. 于明,艾月喬.  光電子.激光. 2012(02)

碩士論文
[1]高維多目標(biāo)優(yōu)化算法的若干關(guān)鍵問題研究[D]. 田野.安徽大學(xué) 2015
[2]人工蜂群算法及其應(yīng)用研究[D]. 魏紅凱.北京工業(yè)大學(xué) 2012
[3]多目標(biāo)人工蜂群算法的研究與應(yīng)用[D]. 李云彬.東北大學(xué) 2012



本文編號(hào)：3580622