現(xiàn)實生活中,在自然科學(xué)、工程應(yīng)用、經(jīng)濟(jì)管理等諸多領(lǐng)域的核心問題最終都?xì)w結(jié)為優(yōu)化問題。隨著技術(shù)的發(fā)展,“維度災(zāi)難”的出現(xiàn)以及數(shù)據(jù)的普遍性使得有些優(yōu)化問題擁有成百上千個變量,經(jīng)典的一些優(yōu)化算法在處理這類問題時并不能取得較好的效果。于是很多研究人員將這一類型的優(yōu)化問題單獨列出,稱之為高維優(yōu)化問題。進(jìn)化算法,或稱為“演化算法”,被認(rèn)為是求解優(yōu)化問題的一種通用解決方案,其擁有收斂速度較快、全局搜索能力強(qiáng)等特點,在一般低維優(yōu)化問題上得到了較好的優(yōu)化效果。然而在處理高維優(yōu)化問題時,由于搜索空間隨著決策變量的數(shù)量呈指數(shù)增長,這些傳統(tǒng)進(jìn)化算法的優(yōu)化性能急劇下降。合作型協(xié)同演化是一種通過決策變量分組來求解高維優(yōu)化問題的算法框架,核心思想是將決策變量分組,基于“分而治之”思想將原問題分解成若干子問題,并把性能較為優(yōu)越的進(jìn)化算法應(yīng)用到子問題中進(jìn)行優(yōu)化;相較于合作協(xié)同演化的分治策略,另一種研究思路是在經(jīng)典進(jìn)化算法中融入其他機(jī)制例如局部搜索等,對高維優(yōu)化問題進(jìn)行整體優(yōu)化,同樣取得了一系列研究成果。本論文基于前人提出的解決高維優(yōu)化問題的兩種思路,針對高維優(yōu)化問題展開了深入研究。(1)研究了一種基于局部搜索的反向?qū)W習(xí)...

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題背景及研究意義
    1.2 國內(nèi)外研究現(xiàn)狀及發(fā)展動態(tài)
        1.2.1 基于非合作型協(xié)同演化的發(fā)展
        1.2.2 基于合作型協(xié)同演化的發(fā)展
    1.3 本文研究內(nèi)容及組織結(jié)構(gòu)
        1.3.1 本文研究內(nèi)容
        1.3.2 組織結(jié)構(gòu)安排
第二章 高維優(yōu)化問題的相關(guān)理論與算法
    2.1 高維優(yōu)化問題的數(shù)學(xué)描述
    2.2 高維優(yōu)化問題的相關(guān)理論
        2.2.1 可分與不可分理論
        2.2.2 維數(shù)災(zāi)難理論
    2.3 高維優(yōu)化問題的相關(guān)算法與測試函數(shù)
        2.3.1 合作協(xié)同演化框架
        2.3.2 粒子群優(yōu)化算法
        2.3.3 測試函數(shù)
    2.4 本章小結(jié)
第三章 基于局部搜索的反向?qū)W習(xí)競爭粒子群優(yōu)化算法
    3.1 引言
    3.2 競爭粒子群優(yōu)化(Competitive Swarm Optimization)算法
    3.3 反向?qū)W習(xí)(Opposition-based Learning)機(jī)制
    3.4 Solis&Wets局部搜索(SW)算法
    3.5 基于局部搜索的反向?qū)W習(xí)競爭粒子群優(yōu)化(SW-OBLCSO)算法
        3.5.1 競爭學(xué)習(xí)機(jī)制改進(jìn)策略分析
        3.5.2 SW-OBLCSO算法
    3.6 實驗與分析
        3.6.1 測試函數(shù)上的仿真實驗
        3.6.2 模糊認(rèn)知圖學(xué)習(xí)問題上的仿真實驗
    3.7 本章小結(jié)
第四章 基于隨機(jī)投影的社會學(xué)習(xí)型粒子群優(yōu)化算法
    4.1 引言
    4.2 社會學(xué)習(xí)型粒子群優(yōu)化(SLPSO)算法
    4.3 隨機(jī)投影策略
    4.4 基于隨機(jī)投影的社會學(xué)習(xí)型粒子群(RP-SLPSO)優(yōu)化算法
    4.5 實驗與分析
        4.5.1 CEC’2013LSGO測試函數(shù)上的仿真實驗
        4.5.2 模糊認(rèn)知圖學(xué)習(xí)問題上的仿真實驗
    4.6 本章小結(jié)
第五章 基于GPU的局部搜索反向?qū)W習(xí)競爭粒子群優(yōu)化算法
    5.1 引言
    5.2 CUDA編程模型簡介
        5.2.1 CUDA函數(shù)和存儲器
        5.2.2 線程同步和內(nèi)存管理
        5.2.3 CUDA生成隨機(jī)數(shù)
    5.3 基于GPU的局部搜索反向?qū)W習(xí)競爭粒子群優(yōu)化算法
        5.3.1 存儲結(jié)構(gòu)與映射模型
        5.3.2 算法的并行性
    5.4 實驗與分析
        5.4.1 實驗設(shè)置
        5.4.2 實驗結(jié)果和分析
    5.5 本章小結(jié)
主要結(jié)論與展望
    主要結(jié)論
    展望
致謝
參考文獻(xiàn)
附錄 :作者在攻讀碩士學(xué)位期間發(fā)表的論文



本文編號：3772593