優(yōu)化技術(shù)在工程設(shè)計(jì)、運(yùn)籌學(xué)、生產(chǎn)運(yùn)營、科學(xué)和信息等相關(guān)領(lǐng)域中扮演著至關(guān)重要的角色,是解決復(fù)雜問題的有效方法.然而,現(xiàn)實(shí)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(jī)搜索方法,進(jìn)化計(jì)算已成功運(yùn)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(guān)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(shù)少、易于實(shí)現(xiàn)、自組織等優(yōu)點(diǎn).但由于父代個(gè)體選擇的隨機(jī)性,導(dǎo)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(jìn)而導(dǎo)致算法易于陷入局部最優(yōu),出現(xiàn)早熟收斂現(xiàn)象.為改善人工蜂群算法性能,本文提出兩種改進(jìn)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(jì)算資源分布不均勻等缺點(diǎn),提出一種具有學(xué)習(xí)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(shè)計(jì)了新搜索策略,提高了在精英解和全局最好解的鄰域內(nèi)的搜索能力;其次,對依概率選取的瞭望蜂,采用局部學(xué)習(xí)策略,加快了收斂速度并增強(qiáng)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(qiáng)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(xiàn)象.2.為有效利用最優(yōu)個(gè)體特性和控制... 

【文章頁數(shù)】：60 頁

【學(xué)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(jié)構(gòu)
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(jìn)
        2.2.1 改進(jìn)維度
        2.2.2 改進(jìn)每種類型蜂的搜索策略
        2.2.3 結(jié)合輔助技術(shù)
        2.2.4 混合ABC算法
    2.3 本章小結(jié)
第3章 具有學(xué)習(xí)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(xué)習(xí)策略
    3.3 十字交叉搜索
    3.4 仿真實(shí)驗(yàn)及分析
    3.5 應(yīng)用實(shí)例
    3.6 本章小結(jié)
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(shù)值試驗(yàn)與結(jié)果分析
    4.5 應(yīng)用實(shí)例
    4.6 小結(jié)
第5章 總結(jié)與展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間的研究成果



本文編號：3676246