本文選題：群智能優(yōu)化算法 + 粒子群優(yōu)化算法　； 參考：《江南大學(xué)》2017年碩士論文

【摘要】：伴隨著社會的不斷進(jìn)步,在經(jīng)濟(jì)管理、工程實(shí)踐、科學(xué)研究等諸多領(lǐng)域出現(xiàn)了越來越多的優(yōu)化問題,并且問題的復(fù)雜性、繁瑣程度也是隨之呈現(xiàn)迅猛的增長趨勢。面對當(dāng)今時代優(yōu)化問題的非線性、大規(guī)模、高實(shí)時、低損耗等特點(diǎn),傳統(tǒng)的優(yōu)化方法因?yàn)樵诜椒ㄔO(shè)計之初面臨著和當(dāng)前不同的應(yīng)用場景、計算機(jī)軟硬件發(fā)展階段不同、方法自身局限等各種因素,已難以在現(xiàn)代優(yōu)化問題上取得很好的效果。通過大量學(xué)者專家的深入研究,群智能優(yōu)化算法在求解現(xiàn)代優(yōu)化問題時已展現(xiàn)出其優(yōu)化速度快、精度高的特性,在工程實(shí)踐中發(fā)揮著重要的作用。粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法是群智能優(yōu)化算法中一個優(yōu)秀的分支,其算法靈感來源于模擬社會型群居生物的覓食行為來獲取最優(yōu)解,算法在搜索中對外部信息量基本沒有要求,粒子在高維空間中移動的依據(jù)來源于適應(yīng)度函數(shù)值,是一種自適應(yīng)智能優(yōu)化算法。作為一種不確定型、概率型優(yōu)化算法,PSO算法在面對各類優(yōu)化問題時對目標(biāo)函數(shù)沒有例如連續(xù)性、可導(dǎo)性等較強(qiáng)的限制,表現(xiàn)出較好的通用性,并且在優(yōu)化過程中是采用分布并行搜索的策略,因此具有較高的尋優(yōu)效率。同時,由于PSO算法自身的局限性導(dǎo)致其在理論研究和實(shí)際應(yīng)用方面還需進(jìn)一步研究和改進(jìn)。本文從粒子群優(yōu)化算法的思想、機(jī)理出發(fā),提出了更高效的改進(jìn)算法并將其應(yīng)用于工程實(shí)踐中。在PSO算法的研究方面,本文立足于PSO算法的原理,針對粒子群算法搜索后期易陷入局部極值的缺點(diǎn),提出了一種基于核矩陣協(xié)同進(jìn)化的震蕩搜索粒子群優(yōu)化算法(Shock search particle swarm optimization algorithm based on kernel matrix synergistic evolution,KMSESPSO)。新算法對粒子進(jìn)行了局部與全局結(jié)合的震蕩搜索,且當(dāng)整個粒子種群陷入停滯狀態(tài)時,利用核矩陣對進(jìn)化組進(jìn)行協(xié)同進(jìn)化以擴(kuò)大種群的多樣性。實(shí)驗(yàn)結(jié)果表明,新算法有效提高了粒子的全局搜索能力,既避免了粒子種群易早熟收斂,又較好地提高了尋優(yōu)精度、加快了收斂速度,且有一定的魯棒性。在吸收借鑒KMSESPSO算法的特點(diǎn)和思路上提出了基于Ransac協(xié)同震蕩搜索混沌粒子群優(yōu)化算法(Synergistic Shock particle swarm optimization algorithm based on Ransac With Chaos,RCSSPSO)。算法利用混沌的遍歷性,運(yùn)用到PSO提升其局部搜索有效性。為了增強(qiáng)全局優(yōu)化能力,算法基于Ransac(Random Sample Consensus)思想,對群體做非線性震蕩搜索。當(dāng)種群陷入重停滯對協(xié)同進(jìn)化集進(jìn)行非線性協(xié)同進(jìn)化,提升算法的搜索精度和種群的多樣性。資源受限的項(xiàng)目調(diào)度問題(Resource-Constrained Project Scheduling Problem,RCPSP)普遍存在于各行各業(yè),在項(xiàng)目執(zhí)行過程中所有任務(wù)顆粒始終受到時序約束和資源約束,只有同時滿足這兩個約束任務(wù)才會被執(zhí)行,RCPSP已被證明是NP-hard問題,研究RCPSP對項(xiàng)目進(jìn)程預(yù)測與調(diào)整具有重要意義。針對資源受限的項(xiàng)目調(diào)度問題,本文項(xiàng)目調(diào)度采用基于粒子的拓?fù)渑判蚝痛姓{(diào)度生成方案。為了進(jìn)一步驗(yàn)證算法的有效性,本文和具體調(diào)度項(xiàng)目進(jìn)行對比檢驗(yàn),實(shí)驗(yàn)結(jié)果表明算法在求解RCPSP時獲得了更短的項(xiàng)目周期以及最短工期的平均偏差率較低,有更好的精度和魯棒性,具有理論價值和工程實(shí)踐意義。
[Abstract]:With the continuous progress of the society, more and more optimization problems have appeared in many fields, such as economic management, engineering practice, scientific research and so on. And the complexity and complexity of the problems also present a rapid growth trend. Facing the nonlinear, large-scale, high real-time, low loss and so on, the traditional optimization is the face of the optimization problems of the times. The method is faced with different application scenes at the beginning of the method design, the development stage of computer hardware and software is different, the method itself is limited and so on. It is difficult to achieve good results on the modern optimization problem. Through the deep study of a large number of scholars and experts, the swarm intelligence optimization algorithm has been displayed in solving modern optimization problems. It plays an important role in engineering practice. The Particle Swarm Optimization (PSO) algorithm is an excellent branch of the swarm intelligence optimization algorithm. The algorithm is inspired by the foraging behavior of the social group living organisms to obtain the optimal solution, and the algorithm is in the search of the outside. The amount of information is not required. The basis of the movement of particles in high dimensional space is based on the fitness function value. It is an adaptive intelligent optimization algorithm. As an uncertain and probabilistic optimization algorithm, the PSO algorithm has not such strong limitations as continuity and conductance, such as continuity and conductance in the face of various optimization problems. In the process of optimization, the strategy of distributed parallel search is adopted in the optimization process, so it has high optimization efficiency. At the same time, because of the limitations of PSO algorithm itself, it needs further research and improvement in theory and practical application. This paper proposes a more efficient method from the idea and mechanism of particle swarm optimization algorithm. In the research of PSO algorithm, based on the principle of PSO algorithm, this paper proposes a particle swarm optimization (Shock search particle swarm optimization algorit) algorithm based on kernel matrix co evolution. HM based on kernel matrix synergistic evolution, KMSESPSO). The new algorithm conducts a local and global concussion search for particles, and when the whole particle population is in a stagnant state, the kernel matrix is used to co evolve the evolution group to expand the diversity of the population. The experimental results show that the new algorithm effectively improves the overall particle size. The search ability not only avoids the premature convergence of the particle population, but also improves the optimization precision, speeds up the convergence speed, and has certain robustness. In the absorption of the characteristics and ideas of the KMSESPSO algorithm, a Ransac cooperative concussion search chaotic particle swarm optimization (Synergistic Shock particle swarm optimization al) is proposed. Gorithm based on Ransac With Chaos, RCSSPSO). The algorithm uses chaos ergodicity to improve the local search effectiveness of PSO. In order to enhance the global optimization ability, the algorithm is based on the idea of Ransac (Random Sample Consensus) to do nonlinear oscillation search for the group. When the group is trapped in the heavy stagnation, the cooperative evolution set is nonlinear synergy. Resource-Constrained Project Scheduling Problem (RCPSP) is common in all walks of life. In the process of project execution, all task particles are always constrained by temporal constraints and resource constraints, and only the two constraint tasks will be met at the same time. Implementation, RCPSP has been proved to be a NP-hard problem. The study of RCPSP is of great significance to the prediction and adjustment of the project process. In this paper, the project scheduling problem is based on particle based topological sorting and serial scheduling for resource constrained project scheduling problem. In order to further verify the effectiveness of the algorithm, this paper compares the scheduling project with the specific scheduling project. The test results show that the algorithm has a shorter project cycle and a lower average deviation rate in the shortest work period, and has better accuracy and robustness, which has theoretical value and engineering practical significance when solving RCPSP.
【學(xué)位授予單位】：江南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王勇;蔡自興;;“智能優(yōu)化算法及其應(yīng)用”課程教學(xué)的實(shí)踐與探索[J];計算機(jī)教育;2009年11期

2 王夢蘭;;智能優(yōu)化算法的比較與改進(jìn)[J];中國水運(yùn);2012年12期

3 莫愿斌;劉賀同;王勤;;智能優(yōu)化算法的綜述教學(xué)研究[J];科技創(chuàng)新導(dǎo)報;2008年13期

4 紀(jì)潔;顧偉;張松勇;;一種新型生物地理學(xué)智能優(yōu)化算法及其比較研究[J];上海電力學(xué)院學(xué)報;2012年01期

5 于宏宇;;智能優(yōu)化算法的應(yīng)用研究[J];電腦編程技巧與維護(hù);2012年20期

6 劉靜;;淺析智能優(yōu)化算法[J];計算機(jī)光盤軟件與應(yīng)用;2014年10期

7 吳春梅;;現(xiàn)代智能優(yōu)化算法的研究綜述[J];科技信息;2012年08期

8 常洪浩;馮祖仁;張兆軍;徐明釗;;一種智能優(yōu)化算法解質(zhì)量評價方法[J];控制與決策;2013年11期

9 李廣軍;孫曉玲;趙炯;;智能優(yōu)化算法及其在焊接優(yōu)化設(shè)計領(lǐng)域的應(yīng)用[J];電焊機(jī);2011年06期

10 蘇世雄;;智能優(yōu)化算法應(yīng)用研究[J];電腦編程技巧與維護(hù);2014年06期

相關(guān)會議論文 前3條

1 張曉菲;張火明;高明正;;三種智能優(yōu)化算法的研究進(jìn)展[A];中國儀器儀表學(xué)會第十一屆青年學(xué)術(shù)會議論文集[C];2009年

2 張火明;孫小麗;高明正;;智能優(yōu)化平臺設(shè)計[A];中國儀器儀表學(xué)會第十一屆青年學(xué)術(shù)會議論文集[C];2009年

3 孫俊清;李平;韓梅;;裝卸橋調(diào)度問題及其混合智能優(yōu)化算法GASA[A];第二十六屆中國控制會議論文集[C];2007年

相關(guān)博士學(xué)位論文 前10條

1 伍國華;基于勘探和開采策略控制的智能優(yōu)化算法及其應(yīng)用研究[D];國防科學(xué)技術(shù)大學(xué);2014年

2 路靜;智能優(yōu)化算法在電磁場逆散射中的應(yīng)用研究[D];河北工業(yè)大學(xué);2014年

3 何小鋒;量子群智能優(yōu)化算法及其應(yīng)用研究[D];上海理工大學(xué);2014年

4 趙夢玲;基于智能優(yōu)化算法的聚類分析及應(yīng)用[D];西安電子科技大學(xué);2015年

5 楊勁秋;智能優(yōu)化算法評價模型研究[D];浙江大學(xué);2011年

6 豐小月;基于量子機(jī)制與組合方法的智能優(yōu)化算法及應(yīng)用研究[D];吉林大學(xué);2008年

7 馮春時;群智能優(yōu)化算法及其應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2009年

8 高永超;智能優(yōu)化算法的性能及搜索空間研究[D];山東大學(xué);2007年

9 唐正茂;智能優(yōu)化算法適用性研究及其在船舶工程中的應(yīng)用[D];華中科技大學(xué);2013年

10 鄧武;基于協(xié)同進(jìn)化的混合智能優(yōu)化算法及其應(yīng)用研究[D];大連海事大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 薛威力;基于方差的智能優(yōu)化算法參數(shù)調(diào)整的研究[D];西安工程大學(xué);2016年

2 陳鋼;基于函數(shù)優(yōu)化問題的兩種混合智能優(yōu)化算法[D];華中科技大學(xué);2014年

3 趙博偉;多目標(biāo)智能優(yōu)化算法及其天線設(shè)計應(yīng)用的研究[D];南京郵電大學(xué);2016年

4 王建;群智能優(yōu)化算法的MapReduce化實(shí)現(xiàn)[D];南京郵電大學(xué);2016年

5 朱達(dá)祥;群體智能優(yōu)化算法—粒子群算法的研究和改進(jìn)[D];江南大學(xué);2017年

6 姜飛;混合智能優(yōu)化算法及其應(yīng)用[D];西安電子科技大學(xué);2011年

7 趙霞;基于智能優(yōu)化算法的期權(quán)定價模型參數(shù)估計[D];江南大學(xué);2011年

8 楊進(jìn);求解城市交通連續(xù)網(wǎng)絡(luò)設(shè)計問題的智能優(yōu)化算法：比較與分析[D];北京交通大學(xué);2008年

9 季艷芳;兩種智能優(yōu)化算法及其收斂性分析[D];華中科技大學(xué);2011年

10 張漢強(qiáng);人工魚群混合智能優(yōu)化算法及其應(yīng)用研究[D];浙江大學(xué);2010年

，

本文編號：2065307