發(fā)布時間：2020-04-03 01:21

【摘要】：水循環(huán)算法是一種抽象于自然界水循環(huán)過程的智能優(yōu)化算法,算法一方面基于河流的引導(dǎo)式前進,能有效避免個體進入非優(yōu)區(qū)域,另一方面存在蒸發(fā)的變異過程,有利于算法在尋優(yōu)時跳出局部最優(yōu)解,更易尋找全局最優(yōu)。然而算法的收斂速度和精度仍有一定缺陷,本文以此對水循環(huán)算法進行改進研究。針對基本水循環(huán)算法的缺陷,本文提出了三點改進思想:首先是基于初始種群的改進,在水循環(huán)算法初始化解時,使用反向?qū)W習(xí)替代傳統(tǒng)的隨機初始化,用以提高初始種群的均勻性及多樣性,提高初始解的質(zhì)量;其次是基于迭代步長的改進,在迭代過程中,使用指數(shù)下降的迭代步長替代原有的固定步長,使算法在迭代前期快速縮小尋優(yōu)鄰域,到了尋優(yōu)后期,在較小鄰域內(nèi)進行微調(diào),更易獲取較優(yōu)解;最后是基于蒸發(fā)過程的改進,使用高斯變異和混沌變異的組合形成自適應(yīng)降雨過程,實現(xiàn)全局和局部相結(jié)合的搜索模式,克服了原有算法多樣性較低,收斂速度慢等缺陷。使用基準函數(shù)對比測試了改進后的水循環(huán)算法與其他算法的性能,通過實驗驗證了改進后的水循環(huán)算法穩(wěn)定性更好、收斂速度更快、尋優(yōu)精度更高,總體上該算法尋優(yōu)效果能力有所提高,且較為明顯。針對K-means聚類算法對初值敏感且求解聚類中心的收斂速度慢等問題,利用改進后的水循環(huán)算法與其他智能算法對K-means算法的聚類效果進行對比試驗,進一步驗證了改進后的水循環(huán)算法對K-means聚類效果有著較為明顯的提升。
【圖文】：

圖 2.1 蟻群算法的流程圖基于鳥類群體活動規(guī)則的智能算法，主體思想采適應(yīng)度值大小作為操作依據(jù)。在粒子群算法中，和體積大小的微粒，而這些粒子以一定速度向最優(yōu)之間不會發(fā)生碰撞，其速度是根據(jù)個體歷史最優(yōu)位粒子飛行的速度和方向，起著平衡個體和群體的功近。如下所示是粒子群算法的數(shù)學(xué)模型：空間維度為S維，若隨機生成粒子個數(shù)為m 的群體，則第i個粒子的位置可表示成1 2( , , , ), 1,2, ,i i i iSx x x x i m度，也是S 維向量，記為1 2( , , , ), 1,2, ,i i i iSV V V V i m程中，會產(chǎn)生兩個極值點，其中之一是個體的歷史

西安科技大學(xué)碩士學(xué)位論文12圖 2.1 蟻群算法的流程圖2.2.2 粒子算法粒子群算法[14]是基于鳥類群體活動規(guī)則的智能算法，主體思想采用了“群體”與“進化”兩個概念，都是以適應(yīng)度值大小作為操作依據(jù)。在粒子群算法中，群體中的個體是搜索空間內(nèi)沒有質(zhì)量和體積大小的微粒，而這些粒子以一定速度向最優(yōu)粒子飛行，在飛行過程中，各個粒子之間不會發(fā)生碰撞，其速度是根據(jù)個體歷史最優(yōu)位置和群體最優(yōu)位置做動態(tài)調(diào)整，決定粒子飛行的速度和方向，，起著平衡個體和群體的功能，有利于粒子朝著較優(yōu)解的方向靠近。如下所示是粒子群算法的數(shù)學(xué)模型：設(shè)優(yōu)化問題的解空間維度為S維，若隨機生成粒子個數(shù)為m 的群體，所有粒子的位置是解空間的潛在解，則第i個粒子的位置可表示成1 2( , , , ), 1,2, ,i i i iSx x x x i m(2.5)初始化其飛行速度，也是S 維向量，記為1 2( , , , ), 1,2, ,i i i iSV V V V i m(2.6)在粒子的迭代過程中，會產(chǎn)生兩個極值點，其中之一是個體的歷史最優(yōu)位置，
【學(xué)位授予單位】：西安科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：O224;TP18

【參考文獻】

相關(guān)期刊論文 前2條

1 章純;劉鋒;廖國維;李麗娟;;基于WCA優(yōu)化算法的空間桁架結(jié)構(gòu)優(yōu)化設(shè)計[J];建筑鋼結(jié)構(gòu)進展;2014年01期

2 張存祿,王子萍,黃培清,駱建文;基于風(fēng)險控制的供應(yīng)鏈結(jié)構(gòu)優(yōu)化問題[J];上海交通大學(xué)學(xué)報;2005年03期

相關(guān)博士學(xué)位論文 前9條

1 劉振軍;結(jié)構(gòu)全局優(yōu)化設(shè)計的混沌優(yōu)化算法研究[D];大連理工大學(xué);2016年

2 孔翔宇;幾類優(yōu)化問題的人工蜂群算法[D];西安電子科技大學(xué);2016年

3 張超群;混合爆炸式人工蜂群算法及應(yīng)用研究[D];東華大學(xué);2015年

4 趙鳴;簡潔式群智能計算及應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2015年

5 盧金娜;基于優(yōu)化算法的徑向基神經(jīng)網(wǎng)絡(luò)模型的改進及應(yīng)用[D];中北大學(xué);2015年

6 吳沛鋒;智能優(yōu)化算法及其應(yīng)用[D];東北大學(xué);2012年

7 張雪鋒;混沌序列生成技術(shù)及其若干應(yīng)用研究[D];西安電子科技大學(xué);2011年

8 楊劍峰;蟻群算法及其應(yīng)用研究[D];浙江大學(xué);2007年

9 張梅鳳;人工魚群智能優(yōu)化算法的改進及應(yīng)用研究[D];大連理工大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 母傳偉;基于線性規(guī)劃單純形法優(yōu)化礦山巖石運輸調(diào)配[D];燕山大學(xué);2016年

2 喬石磊;啟發(fā)式水循環(huán)算法及應(yīng)用研究[D];廣西民族大學(xué);2016年

3 袁帆;確定水質(zhì)水量模型參數(shù)的單純形—粒子群混合算法研究[D];長安大學(xué);2016年

4 劉佳;求解全局優(yōu)化問題的眺望算法[D];長春工業(yè)大學(xué);2016年

5 趙挺;蜂群算法及其仿生策略研究[D];浙江大學(xué);2016年

6 黃媛媛;一種改進的人工蜂群算法及其在k均值聚類中的應(yīng)用[D];安徽大學(xué);2015年

7 王昊雷;K均值聚類算法研究與應(yīng)用[D];哈爾濱工程大學(xué);2015年

8 葉秋菊;粒子群算法研究及在NoC低功耗映射中的應(yīng)用[D];西安電子科技大學(xué);2014年

9 魯姝穎;粒子群優(yōu)化算法的幾種改進算法及應(yīng)用[D];中國礦業(yè)大學(xué);2014年

10 章純;水循環(huán)算法在結(jié)構(gòu)優(yōu)化設(shè)計中的應(yīng)用及其在多目標中的改進[D];廣東工業(yè)大學(xué);2014年

本文編號：2612725