【摘要】：隨著現(xiàn)代工業(yè)與高科技的快速發(fā)展,優(yōu)化算法逐漸成為國(guó)內(nèi)外研究人員的關(guān)注焦點(diǎn),在具體的工業(yè)優(yōu)化領(lǐng)域中,對(duì)于各個(gè)工藝流程建立數(shù)學(xué)模型,得到了相應(yīng)的目標(biāo)函數(shù),利用智能尋優(yōu)方法對(duì)實(shí)際問(wèn)題求解,進(jìn)一步滿足了生產(chǎn)效能方面的需求。進(jìn)化算法作為一種自啟發(fā)、自學(xué)習(xí)的隨機(jī)優(yōu)化方法,對(duì)于高維、多峰目標(biāo)函數(shù)具有良好的尋優(yōu)效果,其核心思想是來(lái)源于大自然物種的生存進(jìn)化過(guò)程,通過(guò)尋優(yōu)個(gè)體之間的自然競(jìng)爭(zhēng)與交叉進(jìn)化,“存優(yōu)去劣”,逐漸提高種群的整體最優(yōu)值。進(jìn)化算法就是依據(jù)了種群自身進(jìn)化流程的生存與斗爭(zhēng)行為,求解目標(biāo)函數(shù)的全局極值點(diǎn),科研人員通過(guò)仿真驗(yàn)證了這些進(jìn)化模型在多峰的搜索環(huán)境中保持了極佳的隨機(jī)收斂性能。本文主要針對(duì)差分向量模型的原理與增強(qiáng)收斂能力的方法展開(kāi)細(xì)致地探究,以提高最優(yōu)值精度與進(jìn)化速度為目標(biāo),經(jīng)過(guò)調(diào)節(jié)后的智能尋優(yōu)技術(shù)解決了具體的工業(yè)生產(chǎn)問(wèn)題。首先,本文對(duì)于各種進(jìn)化算法的進(jìn)行介紹,總結(jié)了進(jìn)化算法的發(fā)展歷程與現(xiàn)有最新研究成果,重點(diǎn)分析了差分進(jìn)化算法的研究國(guó)內(nèi)外背景與現(xiàn)狀,以及該智能優(yōu)化方法的未來(lái)應(yīng)用方向與趨勢(shì)。其次,詳細(xì)地探討了經(jīng)典差分向量進(jìn)化選擇操作與子代信息分布情況之間的內(nèi)在聯(lián)系,各個(gè)參數(shù)對(duì)種群搜索狀態(tài)產(chǎn)生的影響,通過(guò)多組對(duì)比實(shí)驗(yàn)數(shù)據(jù),得到了縮放因子與交叉概率的最優(yōu)取值范圍,比較了算法采用不同變異方式的收斂效果,總結(jié)了基本差分向量尋優(yōu)方法的優(yōu)勢(shì)與不足之處。針對(duì)基本差分進(jìn)化算法存在尋優(yōu)模式單一的不足,分析了個(gè)體在不同進(jìn)化時(shí)期具有的運(yùn)動(dòng)方式,提出了三種的改進(jìn)方法,分別從三個(gè)方面:及時(shí)調(diào)整縮放因子與每一維信息被選擇的概率,同時(shí)結(jié)合了DE/rand/1與DE/best/1兩種更新方式,種群搜索跳躍步長(zhǎng)的自適應(yīng)調(diào)節(jié)。這些新型的改進(jìn)策略提高了個(gè)體的環(huán)境適應(yīng)能力,使個(gè)體在全局范圍內(nèi)的行為方式具有可控性,平衡了種群的全局與局部搜索能力。為評(píng)價(jià)調(diào)整策略所產(chǎn)生的積極尋優(yōu)效果,將每種進(jìn)化方法同時(shí)應(yīng)用在多組benchamark中,仿真得到最優(yōu)解顯示本文采用的自適應(yīng)搜索算法的收斂精度明顯優(yōu)于經(jīng)典的進(jìn)化模型。在基本差分進(jìn)化算法中,種群多樣性在進(jìn)化后期會(huì)逐漸降低,通過(guò)結(jié)合不同的進(jìn)化算法可以防止個(gè)體出現(xiàn)“局部集中搜索”的現(xiàn)象,總結(jié)并分析現(xiàn)有混合技術(shù)的研究方法與存在的不足之處,本文結(jié)合了三種智能尋優(yōu)方法-遺傳、粒子群、差分搜索模型,這三種算法具有各自的搜索特性與更新方式,每個(gè)種群適用于特定的外界環(huán)境中。兩個(gè)子種群分別采用向量的差分進(jìn)化模式與染色體的遺傳模式,個(gè)體同時(shí)具備了“隨機(jī)”與“目的”搜索能力,混合選擇以后的種群再次采用粒子群速度與位置更新操作,子代能夠從父代經(jīng)驗(yàn)值中得到對(duì)于可行域的指導(dǎo)性搜索信息,融合以后的優(yōu)化方法保留了三類進(jìn)化形態(tài)的優(yōu)勢(shì)。在標(biāo)準(zhǔn)測(cè)試函數(shù)與應(yīng)用實(shí)例上展開(kāi)對(duì)比實(shí)驗(yàn),本文混合算法獲得了最高的尋優(yōu)精度和良好的實(shí)用價(jià)值。
【圖文】：

圖 2-1 差分向量的縮放示意圖變異個(gè)體 1 iV t 與原個(gè)體 iX t 之間具有差異，生成的子代向量區(qū)域。p 3: 交叉操作；交換變異個(gè)體 1 iV t 與原個(gè)體 iX t 之間的部分型的備選個(gè)體，在備選個(gè)體中同時(shí)保留了變異個(gè)體與原個(gè)體兩者作可表示為： 1 i1 1,2, , ; 1,2, , jiiv t f rand CR or j rand Di N j DX t otherwise 5)中，CR 為交叉概率， 1 iU t 為候選個(gè)體， rand D 為 1 ,D 之，設(shè)置 rand D 是為了確保候選個(gè)體中至少會(huì)有一項(xiàng)來(lái)自于變異個(gè)止候選與原向量沒(méi)有區(qū)別特征，產(chǎn)生無(wú)效的進(jìn)化代數(shù)。DE 中，向量信息交換可概括為兩種方式：指數(shù)與二項(xiàng)交換，其中對(duì)個(gè)體上的多個(gè)連續(xù)信息作為整體，產(chǎn)生隨機(jī)數(shù)，當(dāng)滿足條件時(shí)信息保存至備選個(gè)體中，這種交叉方式效率高，，速度快，但是備選

圖 2-2 指數(shù)交叉方式項(xiàng)交叉對(duì)于個(gè)體的每一個(gè)信息分別產(chǎn)生隨機(jī)數(shù)，選擇原個(gè)體單獨(dú)的信息混合形成下一代備選個(gè)體，因此二項(xiàng)交叉的靈活息組合方式多樣，但是操作過(guò)程更加復(fù)雜，算法復(fù)雜度增加示：圖 2-3 二項(xiàng)交叉方式tep 4: 選擇操作；計(jì)算并比較原個(gè)體與候選個(gè)體的適應(yīng)值，體進(jìn)入下一代種群當(dāng)中，完成種群的更新?lián)Q代。具體操作如 1 1U t if f U t f X t
【學(xué)位授予單位】：湘潭大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 彭虎;吳志健;周新宇;鄧長(zhǎng)壽;;基于三角的骨架差分進(jìn)化算法[J];計(jì)算機(jī)研究與發(fā)展;2015年12期

2 楊隆浩;傅仰耿;鞏曉婷;;置信規(guī)則庫(kù)參數(shù)學(xué)習(xí)的并行差分進(jìn)化算法[J];山東大學(xué)學(xué)報(bào)(工學(xué)版);2015年01期

3 賀毅朝;李寧;李文斌;;蟬鳴優(yōu)化:一種新的仿生進(jìn)化算法[J];計(jì)算機(jī)科學(xué);2014年06期

4 孫成富;張亞紅;陳劍洪;陳禮青;;基于高斯擾動(dòng)和免疫搜索策略的改進(jìn)差分進(jìn)化算法[J];南京大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年02期

5 劉世成;張建華;劉宗岐;;并行自適應(yīng)粒子群算法在電力系統(tǒng)無(wú)功優(yōu)化中的應(yīng)用[J];電網(wǎng)技術(shù);2012年01期

6 馬小華;李濟(jì)民;;融合對(duì)數(shù)交叉概率因子和隨機(jī)遷移的差分進(jìn)化算法[J];太原理工大學(xué)學(xué)報(bào);2011年03期

7 葛延峰;金文靜;高立群;馮達(dá);;多種群并行的自適應(yīng)差分進(jìn)化算法[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年04期

8 雷能忠;;煤層屬性空間變異的差分進(jìn)化徑向基神經(jīng)網(wǎng)絡(luò)插值[J];煤炭學(xué)報(bào);2011年02期

9 宋敏;魏瑞軒;馮志明;;基于差分進(jìn)化算法的異構(gòu)多無(wú)人機(jī)任務(wù)分配[J];系統(tǒng)仿真學(xué)報(bào);2010年07期

10 許小健;黃小平;錢德玲;;自適應(yīng)加速差分進(jìn)化算法[J];復(fù)雜系統(tǒng)與復(fù)雜性科學(xué);2008年01期

本文編號(hào)：2582218