發(fā)布時間：2017-10-17 09:30

  本文關(guān)鍵詞：基于鴿群算法的函數(shù)優(yōu)化問題求解

  更多相關(guān)文章： 函數(shù)優(yōu)化問題 鴿群算法 混沌 反向 柯西擾動 自適應(yīng)參數(shù)

【摘要】：隨著科技的發(fā)展與新興技術(shù)的出現(xiàn),人類生產(chǎn)生活中的許多困難問題在逐漸被解決,然而,在解決方法經(jīng)歷了從無到有以后,如何高效地解決這類問題,成為了國內(nèi)外學者不斷追求與研究的新目標�，F(xiàn)實世界中的優(yōu)化問題往往都有大規(guī)模,非線性,非凸性等特點,具有NP難度。所以作為現(xiàn)實問題的抽象,函數(shù)優(yōu)化問題特別是昂貴優(yōu)化問題正成為研究的熱點問題。目前,已經(jīng)有許多群體智能優(yōu)化算法被應(yīng)用到函數(shù)優(yōu)化問題當中,這也從側(cè)面證明了群體智能算法對這類連續(xù)優(yōu)化問題的有效性。本文中,我們將通過改進鴿群算法來求解函數(shù)優(yōu)化問題。鴿群算法由段海濱教授于2014年提出,最初應(yīng)用于航空航天領(lǐng)域。由于該算法發(fā)展歷史較短,因此它還存在求解精度較差,收斂速度較慢,應(yīng)用領(lǐng)域狹窄等弊端。針對這些問題,我們提出了一種改進鴿群算法,通過在算法的不同階段實施不同的改進策略來提高算法效率。首先,在初始化過程中采用混沌加反向初始化,使得解的多樣性得以保證,加快收斂速度;其次,在迭代過程中引入帶有柯西擾動的重分布策略,在一定程度上跳出局部最優(yōu);最后,采用自適應(yīng)參數(shù)設(shè)置來平衡局部搜索和全局搜索,提高收斂速度。在20個多維度的經(jīng)典測試用例上的實驗結(jié)果表明,該算法比原始鴿群算法、CLPSO(綜合學習粒子群算法)、CMAES(協(xié)方差適應(yīng)進化策略)更有效。
【關(guān)鍵詞】：函數(shù)優(yōu)化問題 鴿群算法 混沌 反向 柯西擾動 自適應(yīng)參數(shù)
【學位授予單位】：東北師范大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP18
【目錄】：

• 摘要4-5
• Abstract5-7
• 第一章 緒論7-12
• 1.1 研究背景和意義7-8
• 1.2 函數(shù)優(yōu)化研究現(xiàn)狀8-9
• 1.3 改進鴿群算法研究現(xiàn)狀9-10
• 1.4 本文主要研究內(nèi)容10-11
• 1.5 論文內(nèi)容安排11-12
• 第二章 改進鴿群算法12-30
• 2.1 基本鴿群算法12-17
• 2.1.1 算法概述12-14
• 2.1.2 算法框架14-17
• 2.2 改進策略17-26
• 2.2.1 混沌和反向策略17-20
• 2.2.2 柯西擾動重分布策略20-23
• 2.2.3 參數(shù)自適應(yīng)策略23-24
• 2.2.4 改進鴿群算法框架24-26
• 2.3 性能測試26-29
• 2.4 本章小結(jié)29-30
• 第三章 改進鴿群算法求解函數(shù)優(yōu)化30-40
• 3.1 函數(shù)優(yōu)化問題概述30
• 3.2 測試函數(shù)介紹30-34
• 3.3 實驗設(shè)計34-35
• 3.4 實驗結(jié)果與分析35-39
• 3.5 本章小結(jié)39-40
• 第四章 總結(jié)與展望40-42
• 4.1 總結(jié)40
• 4.2 展望40-42
• 參考文獻42-46
• 致謝46-47
• 在學期間公開發(fā)表論文及著作情況47

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 唐浩;;蟻群算法的研究與展望[J];牡丹江教育學院學報;2009年06期

2 鄧小波;曹聰聰;龍倫海;康耀紅;;蟻群算法搜索熵研究[J];海南大學學報(自然科學版);2007年04期

3 張康;顧幸生;;全局組搜索優(yōu)化算法及其應(yīng)用研究[J];青島科技大學學報(自然科學版);2012年05期

4 李東曉;蔣珉;柴干;;蟻群算法優(yōu)化及其在高速公路緊急救援中的應(yīng)用[J];計算機技術(shù)與發(fā)展;2010年11期

5 _5文龍 ,黃，

本文編號：1048059