在實際生活中,有很多問題不能用傳統(tǒng)的優(yōu)化算法解決。元啟發(fā)式算法的出現(xiàn)在一定程度上克服了傳統(tǒng)優(yōu)化算法的不足之處。近些年來,由于元啟發(fā)式算法的結(jié)構(gòu)簡單、易于實現(xiàn)、不依賴梯度信息、可以很大程度上避開局部最優(yōu)等優(yōu)點,這些優(yōu)勢以及在工程設計問題上的廣泛應用使得元啟發(fā)式算法成為了很多學者研究的熱點。為了進一步提高算法的局部開采能力或全局勘探能力,不少學者提出了各種適用于元啟發(fā)式算法的策略。為了進一步提高元啟發(fā)式算法的局部開采能力以及更好的平衡算法全局性能,本文對算法在求解過程中,種群個體的有利信息進行了深入研究,并設計了可以改進啟發(fā)式算法性能的算子,本文主要以回溯搜索算法(BSA)和灰色預測演化算法(GPEAe)為研究對象,設計了兩種改進的算法(MBSAg C和TOGPEAe),本文的主要研究內(nèi)容如下:(1)提出了“集體智慧”的概念受到人類和動物的趨優(yōu)行為和趨眾行為的啟發(fā),本文提出了一個新的理念:“集體智慧”。本文深度挖掘了最優(yōu)個體的引導信息(趨優(yōu)性)和種群個體的平均值(趨眾性)來提高算法的整體性能。其中根據(jù)集體智慧的趨優(yōu)性設計了一個新的趨優(yōu)性拓撲反向?qū)W習和一個趨優(yōu)性引導的線性組合以增強算法的局部...

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 本文研究工作和創(chuàng)新點
    1.3 論文組織結(jié)構(gòu)
第2章 集體智慧引導的回溯搜索優(yōu)化算法(MBSAGC)
    2.1 基礎回溯搜索優(yōu)化算法(BSA)
    2.2 BSA優(yōu)缺點分析
    2.3 集體智慧引導的深度挖掘的回溯搜索優(yōu)化算法(MBSAGC)
    2.4 MBSAGC的數(shù)值測試分析
    2.5 數(shù)值實驗
        2.5.1 基準函數(shù)實驗測試
        2.5.2 工程問題的數(shù)值實驗
        2.5.3 數(shù)值實驗結(jié)果的綜合討論分析
    2.6 符號檢驗
    2.7 本章小結(jié)
第3章 集體智慧趨優(yōu)性引導的拓撲灰色預測演化算法(TOGPEAE)
    3.1 基本灰色預測演化算法
    3.2 基于拓撲反向?qū)W習的灰色預測演化算法(TOGPEAE)
    3.3 TOGPEAE的數(shù)值實驗
    3.4 TOGPEAE的分析與討論
        3.4.1 基準函數(shù)實驗測試
        3.4.2 工程設計問題數(shù)值實驗
    3.5 符號檢驗
    3.6 本章小結(jié)
第4章 總結(jié)與展望
致謝
附錄
參考文獻
個人簡介



本文編號：3768445