優(yōu)化技術在工程設計、運籌學、生產運營、科學和信息等相關領域中扮演著至關重要的角色,是解決復雜問題的有效方法.然而,現實世界中的許多問題不連續(xù)或存在許多局部極小,因此使用傳統(tǒng)方法難以求解.而作為重要的隨機搜索方法,進化計算已成功運用于解決許多非凸、不連續(xù)、多峰優(yōu)化問題,并且受到了廣泛的關注.人工蜂群算法是一類重要的群智能優(yōu)化算法,具有控制參數少、易于實現、自組織等優(yōu)點.但由于父代個體選擇的隨機性,導致人工蜂群算法不能很好的平衡全局搜索和局部開發(fā)能力,進而導致算法易于陷入局部最優(yōu),出現早熟收斂現象.為改善人工蜂群算法性能,本文提出兩種改進算法.1.為克服人工蜂群算法搜索策略的局部開發(fā)能力較弱且計算資源分布不均勻等缺點,提出一種具有學習及十字交叉搜索的人工蜂群算法.首先,對雇傭蜂和瞭望蜂,分別設計了新搜索策略,提高了在精英解和全局最好解的鄰域內的搜索能力;其次,對依概率選取的瞭望蜂,采用局部學習策略,加快了收斂速度并增強全局尋優(yōu)能力;最后,為平衡全局搜索和局部開發(fā),利用十字交叉搜索增強瞭望蜂和全局最好解的局部搜索能力,維持了種群多樣性,從而避免了早熟收斂現象.2.為有效利用最優(yōu)個體特性和控制... 

【文章頁數】：60 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 優(yōu)化問題
    1.2 幾種典型的群智能優(yōu)化算法
    1.3 本文的主要工作
    1.4 本文的主要結構
第2章 人工蜂群算法簡介
    2.1 人工蜂群算法概述
    2.2 人工蜂群算法的改進
        2.2.1 改進維度
        2.2.2 改進每種類型蜂的搜索策略
        2.2.3 結合輔助技術
        2.2.4 混合ABC算法
    2.3 本章小結
第3章 具有學習及十字交叉搜索的人工蜂群算法
    3.1 兩種新穎的搜索策略
    3.2 瞭望蜂局部學習策略
    3.3 十字交叉搜索
    3.4 仿真實驗及分析
    3.5 應用實例
    3.6 本章小結
第4章 基于云模型的鄰域搜索人工蜂群算法
    4.1 云模型簡介
    4.2 兩種新穎的鄰域搜索策略
    4.3 基于云模型的變異操作
    4.4 數值試驗與結果分析
    4.5 應用實例
    4.6 小結
第5章 總結與展望
參考文獻
致謝
攻讀碩士學位期間的研究成果



本文編號：3676246