本文關(guān)鍵詞： 群智能優(yōu)化算法 螢火蟲算法 維度變化 陣列天線綜合　出處：《杭州電子科技大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：近年來,隨著科學(xué)的進(jìn)步和社會的快速發(fā)展,人們所面臨的優(yōu)化問題日益復(fù)雜化、大型化。因此尋求一個高效的、具有普遍適用性的智能優(yōu)化算法具有十分重要的意義。群智能優(yōu)化算法作為隨機(jī)性優(yōu)化算法的一個重要分支,因其較強(qiáng)的自適應(yīng)性并可用來解決傳統(tǒng)確定性優(yōu)化算法難以解決的復(fù)雜優(yōu)化問題,而受到眾多學(xué)者的青睞,并廣泛應(yīng)用到各種工程領(lǐng)域,展現(xiàn)出其蓬勃的生命力。螢火蟲算法作為一種提出來不久的群智能優(yōu)化算法,雖然有諸如概念簡單、易于實(shí)現(xiàn)、局部尋優(yōu)能力好等優(yōu)點(diǎn),但仍然存在著在高維復(fù)雜問題上全局尋優(yōu)能力不足、收斂速度緩慢等缺點(diǎn)。鑒于此,本文對螢火蟲算法做出了改進(jìn),并將改進(jìn)的螢火蟲算法運(yùn)用在天線的設(shè)計領(lǐng)域上。論文的主要研究成果如下:(1)從算法的基本原理以及數(shù)學(xué)模型兩方面深入地研究了標(biāo)準(zhǔn)螢火蟲算法,并通過和粒子群算法、人工蜂群算法兩種常見的群智能優(yōu)化算法進(jìn)行仿真實(shí)驗(yàn)對比總結(jié)出螢火蟲算法的優(yōu)點(diǎn)與缺點(diǎn),為算法的改進(jìn)提供了思路。(2)為了提高螢火蟲算法的全局尋優(yōu)能力,以及加快收斂速度,本文對螢火蟲算法做出的主要改進(jìn)如下:首先,通過佳點(diǎn)集原理均勻初始化螢火種群,以提高初始解的質(zhì)量使種群更加多樣性。其次,對算法的可變參數(shù)步長因子α進(jìn)行了研究分析,并提出了一種動態(tài)調(diào)整步長機(jī)制,以平衡算法的全局尋優(yōu)和收斂速度。然后,通過引入全局最佳個體改變原始算法的位置更新公式,并對最佳粒子的位置基于維度的變化更新,以此使算法更加容易跳出局部最優(yōu),增強(qiáng)了全局尋優(yōu)的能力。最后,通過7個標(biāo)準(zhǔn)測試函數(shù)的測試表明,本文改進(jìn)的算法不僅收斂速度快而且尋優(yōu)精度高。(3)將改進(jìn)后的螢火蟲算法應(yīng)用到了陣列天線的方向圖綜合問題上,仿真測試結(jié)果表明,改進(jìn)后的算法相對于傳統(tǒng)的優(yōu)化方法以及標(biāo)準(zhǔn)螢火蟲算法都有較好的優(yōu)化效果。
[Abstract]:In recent years, with the progress of science and the rapid development of society, the optimization problem that people are facing is becoming more and more complicated and large-scale. Intelligent optimization algorithm with universal applicability is of great significance. Swarm intelligence optimization algorithm is an important branch of stochastic optimization algorithm. Because of its strong adaptability and can be used to solve complex optimization problems which are difficult to solve by traditional deterministic optimization algorithm, it is favored by many scholars and widely used in various engineering fields. Firefly algorithm as a proposed swarm intelligence optimization algorithm, although it has such advantages as simple concept, easy to implement, good local optimization ability and so on. However, there are still shortcomings such as insufficient global optimization ability and slow convergence rate in complex high-dimensional problems. In view of this, this paper improves the firefly algorithm. And the improved firefly algorithm is applied in the field of antenna design. The main research results in this paper are as follows: 1) the standard firefly algorithm is deeply studied from two aspects: the basic principle of the algorithm and the mathematical model. And through comparing with particle swarm optimization and artificial bee swarm algorithm, two common swarm intelligence optimization algorithms are compared to sum up the advantages and disadvantages of the firefly algorithm. In order to improve the global optimization ability of the firefly algorithm and speed up the convergence of the algorithm, the main improvements made in this paper are as follows: first. In order to improve the quality of initial solution and make the population more diverse, the optimal point set principle is used to initialize the fluorescence population uniformly. Secondly, the variable parameter step factor 偽 of the algorithm is studied and analyzed. A dynamic step size adjustment mechanism is proposed to balance the global optimization and convergence speed of the algorithm. Then, the position updating formula of the original algorithm is changed by introducing the global best individual. The location of the best particle is updated based on the change of dimension, which makes it easier for the algorithm to jump out of the local optimum and enhance the ability of global optimization. Finally, the test results of seven standard test functions show that. The improved algorithm not only converges fast but also has high optimization accuracy. The improved firefly algorithm is applied to the pattern synthesis of array antenna. The simulation results show that the improved algorithm can be applied to the pattern synthesis of antenna array. The improved algorithm is better than the traditional optimization method and the standard firefly algorithm.
【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP18;TN820.15

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陸克中;章哲慶;孫俊;;保持個體活性的改進(jìn)FA算法[J];中國科學(xué)技術(shù)大學(xué)學(xué)報;2016年02期

2 陸克中;孫俊;;螢火蟲算法收斂分析[J];計算機(jī)科學(xué)與探索;2016年02期

3 王沈娟;高曉智;;螢火蟲算法研究綜述[J];微型機(jī)與應(yīng)用;2015年08期

4 王銘波;符強(qiáng);童楠;劉政;趙一鳴;;基于模擬退火機(jī)制的多種群螢火蟲算法[J];計算機(jī)應(yīng)用;2015年03期

5 吳華寧;柳超;謝旭;;基于入侵性野草優(yōu)化算法的平面天線陣列的方向圖綜合[J];海軍工程大學(xué)學(xué)報;2015年01期

6 袁鋒;陳守強(qiáng);劉弘;鐘安帥;;一種改進(jìn)的文化螢火蟲算法[J];計算機(jī)仿真;2014年06期

7 符強(qiáng);童楠;鐘才明;趙一鳴;;基于改進(jìn)型進(jìn)化機(jī)制的螢火蟲優(yōu)化算法[J];計算機(jī)科學(xué);2014年03期

8 陳愷;陳芳;戴敏;張志勝;史金飛;;基于螢火蟲算法的二維熵多閾值快速圖像分割[J];光學(xué)精密工程;2014年02期

9 符強(qiáng);童楠;趙一鳴;;一種基于多種群學(xué)習(xí)機(jī)制的螢火蟲優(yōu)化算法[J];計算機(jī)應(yīng)用研究;2013年12期

10 馮艷紅;劉建芹;賀毅朝;;基于混沌理論的動態(tài)種群螢火蟲算法[J];計算機(jī)應(yīng)用;2013年03期

相關(guān)博士學(xué)位論文 前9條

1 劉燕;入侵雜草優(yōu)化算法在陣列天線綜合中的應(yīng)用[D];西安電子科技大學(xué);2015年

2 丁陽;通信衛(wèi)星區(qū)域覆蓋多波束天線設(shè)計與多頻帶終端印刷天線研究[D];西安電子科技大學(xué);2014年

3 王維博;粒子群優(yōu)化算法研究及其應(yīng)用[D];西南交通大學(xué);2012年

4 張瑋;粒子群優(yōu)化算法研究及在陣列天線中的應(yīng)用[D];太原理工大學(xué);2010年

5 趙吉;群體智能算法研究及其應(yīng)用[D];江南大學(xué);2010年

6 高浩;粒子群算法及其在圖像分割中的應(yīng)用與研究[D];江南大學(xué);2009年

7 劉純青;文化算法及其應(yīng)用研究[D];哈爾濱工程大學(xué);2007年

8 劉陶文;BFGS方法及其在求解約束優(yōu)化問題中的應(yīng)用[D];湖南大學(xué);2006年

9 張麗平;粒子群優(yōu)化算法的理論及實(shí)踐[D];浙江大學(xué);2005年

相關(guān)碩士學(xué)位論文 前10條

1 苗衛(wèi)強(qiáng);改進(jìn)的文化算法研究及應(yīng)用[D];南昌航空大學(xué);2014年

2 安瑤;粒子群算法在油田布井優(yōu)化中的應(yīng)用研究[D];西安石油大學(xué);2013年

3 余兵;基于枝條相關(guān)性的人工植物算法[D];太原科技大學(xué);2013年

4 馮紅紅;群智能優(yōu)化算法及其在無線傳感器網(wǎng)絡(luò)布局中的應(yīng)用[D];吉林大學(xué);2012年

5 栗首;應(yīng)用于陣列天線方向圖綜合的文化算法研究[D];燕山大學(xué);2011年

6 張金鋒;移動通信中一種新型寬頻基站單元研究[D];西安電子科技大學(xué);2010年

7 史麗;衛(wèi)星通信系統(tǒng)平面發(fā)射天線陣列研究[D];上海交通大學(xué);2009年

8 李明杰;多目標(biāo)優(yōu)化及其決策方法在銅電解系統(tǒng)中的應(yīng)用研究[D];東北大學(xué);2008年

9 韓榮蒼;基于遺傳算法的陣列天線綜合[D];電子科技大學(xué);2006年

10 史冰蕓;陣列天線方向圖綜合方法及其在有源相控陣中的應(yīng)用[D];南京航空航天大學(xué);2006年

，

本文編號：1487084