本文選題：混雜多變數(shù)據(jù) + 多群落�。� 參考：《計算機集成制造系統(tǒng)》2017年07期

【摘要】：針對復雜優(yōu)化問題中數(shù)據(jù)混雜多變的特點,提出一種能夠根據(jù)環(huán)境變化不斷優(yōu)化種群適應度的多群落雙向驅動協(xié)作搜索算法。該算法在分析微粒群落特性的基礎上,基于無向加權圖建立了多群落協(xié)作網演化模型,該模型依據(jù)群落適應值的優(yōu)劣程度對群落類型進行劃分,并根據(jù)不同群落間的協(xié)作權重和群落節(jié)點響應度評估群落節(jié)點強度,由節(jié)點強度最大的群落引導整個協(xié)作網進化,改進傳統(tǒng)群集智能算法面對復雜優(yōu)化問題中環(huán)境變化的自適應性能缺陷;構建了一種多群落雙向驅動的進化新模式,給出了多群落協(xié)作的異步并行搜索算法,實現(xiàn)了不同環(huán)境下群落內部與群落之間的并行進化,降低了數(shù)據(jù)分析中巨大的計算時空開銷。實驗結果表明,該方法面向混雜多變數(shù)據(jù)不斷優(yōu)化種群適應度,能夠較快地適應環(huán)境變化,并在可接受的時間內得到精確解,為復雜優(yōu)化問題的求解提供了有效手段。
[Abstract]:In order to solve the complex optimization problem, a bidirectional cooperative search algorithm for multi-community is proposed, which can optimize the population fitness according to the changing environment. Based on the analysis of particle community characteristics, a multi-community cooperative network evolution model is established based on undirected weighted graph. The model is divided into community types according to the degree of community fitness. The community node strength was evaluated according to the cooperative weight and the community node response degree among different communities, and the community with the largest node strength led the whole cooperative network to evolve. This paper improves the adaptive performance of traditional cluster intelligence algorithm for complex optimization problems, constructs a new evolutionary model of bidirectional drive of multi-community, and presents an asynchronous parallel search algorithm for multi-community collaboration. The parallel evolution within and between communities is realized in different environments, and the huge computational time and space cost in data analysis is reduced. The experimental results show that this method can adapt to the environment change quickly and get the exact solution in the acceptable time, which provides an effective method for solving the complex optimization problem.
【作者單位】： 昆明理工大學機電工程學院;
【基金】：國家自然科學基金資助項目(51365022) 云南省教育廳科學研究基金資助項目(2016YJS022)~~
【分類號】：TP18

【參考文獻】

相關期刊論文 前8條

1 孫備;王雅琳;桂衛(wèi)華;陽春華;何明芳;;具有群活性感知的自適應微粒群算法[J];控制理論與應用;2016年04期

2 郭平;王可;羅阿理;薛明志;;大數(shù)據(jù)分析中的計算智能研究現(xiàn)狀與展望[J];軟件學報;2015年11期

3 張世文;李智勇;林亞平;;基于生態(tài)種群捕獲競爭模型的多目標Memetic優(yōu)化算法[J];電子學報;2015年08期

4 姚成玉;王斌;陳東寧;張瑞星;;混合粒子交互微粒群算法[J];機械工程學報;2015年06期

5 韓璞;袁世通;;基于大數(shù)據(jù)和雙量子粒子群算法的多變量系統(tǒng)辨識[J];中國電機工程學報;2014年32期

6 吳建輝;章兢;李仁發(fā);劉朝華;;多子種群微粒群免疫算法及其在函數(shù)優(yōu)化中應用[J];計算機研究與發(fā)展;2012年09期

7 張捷;封俊紅;;基于動態(tài)距離閾值和重生機制的動態(tài)微粒群優(yōu)化[J];計算機應用研究;2009年12期

8 陰艷超;孫林夫;殷成鳳;;基于嵌入式菱形思維的參數(shù)實時評估微粒群算法[J];系統(tǒng)仿真學報;2009年14期

相關博士學位論文 前1條

1 郭健;基于智能算法的非線性模型研究及預測控制[D];華中科技大學;2008年

【共引文獻】

相關期刊論文 前10條

1 陳淑鑫;孫偉民;孔嘯;;基于網格聚類分析LAMOST恒星光譜與理論模型的差異[J];光譜學與光譜分析;2017年06期

2 陰艷超;牛紅偉;常斌磊;王立華;;多群落雙向驅動協(xié)作搜索算法[J];計算機集成制造系統(tǒng);2017年07期

3 孫陽;唐出賢;王東;;大數(shù)據(jù)及其科學問題與方法分析[J];信息通信;2017年04期

4 姚成玉;趙哲諭;陳東寧;檀雪云;呂世君;;有向動態(tài)拓撲混合作用力微粒群優(yōu)化算法及可靠性應用[J];機械工程學報;2017年10期

5 陳f，

本文編號：2002317