在科學(xué)研究和工程項目中,很多實際問題都可轉(zhuǎn)化為對應(yīng)的優(yōu)化問題來求解。作為一類有效的最優(yōu)化方法,進(jìn)化算法通過模擬自然界中生物進(jìn)化現(xiàn)象來搜索問題的最優(yōu)解,具有算法結(jié)構(gòu)簡單,性能優(yōu)良等特點。相對于一些經(jīng)典的最優(yōu)化方法,特別是基于梯度信息的方法,進(jìn)化算法對問題的數(shù)學(xué)性質(zhì)要求不高,甚至可直接用于黑盒優(yōu)化。然而,隨著社會經(jīng)濟(jì)發(fā)展,優(yōu)化問題也日趨復(fù)雜,求解難度大大增加,使得進(jìn)化算法的性能受到了極大挑戰(zhàn),容易出現(xiàn)早熟或陷入局部最優(yōu)等不足。事實上,就算法性能而言,影響進(jìn)化算法性能的兩個重要因素是:全局勘探能力和局部開采能力,如何平衡好這兩種能力是提高算法性能的關(guān)鍵。為此,本文以平衡算法的全局勘探和局部開采能力為目標(biāo),著重研究了如何設(shè)計多策略機(jī)制用于提高進(jìn)化算法的性能,避免單一策略帶來的搜索局限性;同時,為充分利用種群中優(yōu)秀個體的精英信息,還研究了如何應(yīng)用鄰域搜索機(jī)制來改善算法性能。本文的主要工作及創(chuàng)新點如下:(1)在人工蜂群算法中,解搜索方程用于生成新的候選解,是影響算法性能的主要因素。然而,已有相關(guān)研究指出,該方程存在勘探能力強(qiáng)而開采能力弱的問題。為此,我們提出了一種基于隨機(jī)優(yōu)秀個體的新解搜索方程,試圖通過融合優(yōu)秀個體的精英信息來增強(qiáng)方程的開采能力。并且,為保持算法在勘探和開采能力上的平衡,我們設(shè)計了一種簡潔的多策略機(jī)制用于同時應(yīng)用新舊方程,采用了IF-ELSE結(jié)構(gòu)的方式來控制兩種方程的使用頻率。在22個典型的測試函數(shù)上開展數(shù)值實驗,與3種知名的改進(jìn)人工蜂群算法進(jìn)行對比,實驗結(jié)果表明該多策略機(jī)制能夠有效提高算法性能。(2)在差分進(jìn)化算法中,變異策略是影響算法性能的重要因素,不同類型的變異策略適合求解的問題類型一般也不同。然而,經(jīng)典差分進(jìn)化算法僅采用單一的變異策略用于生成新的候選解,導(dǎo)致算法性能受到了極大限制。為此,我們提出了一種基于多子種群技術(shù)的多策略機(jī)制用于增強(qiáng)算法性能。在該機(jī)制中,根據(jù)個體的適應(yīng)度值將種群分為三個子種群,每個子種群分別采用不同的變異策略,使得各子種群具備不同的搜索能力,力圖平衡整個種群的勘探和開采能力。在34個典型的測試函數(shù)上進(jìn)行實驗,與包含7種差分進(jìn)化算法在內(nèi)的12種進(jìn)化算法進(jìn)行對比,實驗結(jié)果表明基于該多策略機(jī)制的差分進(jìn)化算法能在大多數(shù)測試函數(shù)上取得更好結(jié)果。(3)在進(jìn)化算法中,種群中的優(yōu)秀個體通常包含了可用于指導(dǎo)算法搜索的精英信息,合理有效地利用這些信息可推動整個種群朝著更好的方向進(jìn)化。然而,如何利用這些信息是設(shè)計相關(guān)學(xué)習(xí)機(jī)制的難點。為此,我們引入了基于環(huán)形拓?fù)浣Y(jié)構(gòu)的鄰域搜索機(jī)制用于增強(qiáng)算法的性能。在該機(jī)制中,按個體下標(biāo)索引的方式把種群中所有個體組織成環(huán)形結(jié)構(gòu),對每個個體定義了半徑為K的鄰域空間,在該鄰域空間內(nèi)開展細(xì)粒度搜索,以期找到更好個體,充分發(fā)揮優(yōu)秀個體的引領(lǐng)作用。我們將該鄰域搜索機(jī)制分別應(yīng)用于人工蜂群算法和差分進(jìn)化算法,實驗結(jié)果表明該機(jī)制可有效地改善相應(yīng)算法的性能,具有良好的普適性。(4)為進(jìn)一步驗證本文提出的改進(jìn)算法的性能,我們引入了3個實際優(yōu)化問題:無線傳感器網(wǎng)絡(luò)的覆蓋控制問題、調(diào)頻聲波的參數(shù)估計問題、以及擴(kuò)頻雷達(dá)的波利相位編碼設(shè)計問題。對于無線傳感器網(wǎng)絡(luò)的覆蓋控制問題,我們采用本文提出的改進(jìn)人工蜂群算法來解決,與經(jīng)典人工蜂群算法相比,本文算法在覆蓋率上能提高2.12%。對于調(diào)頻聲波的參數(shù)估計問題和擴(kuò)頻雷達(dá)的波利相位編碼設(shè)計問題,我們采用本文提出的改進(jìn)差分進(jìn)化算法來解決,與經(jīng)典差分進(jìn)化算法相比,本文算法在這兩個問題上的結(jié)果精度能分別提高92.22%和47.12%。
【學(xué)位單位】：江西師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP18
【部分圖文】：

鄰域搜索操作示意圖

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 周新宇;吳志健;鄧長壽;彭虎;;一種鄰域搜索的人工蜂群算法[J];中南大學(xué)學(xué)報(自然科學(xué)版);2015年02期

相關(guān)博士學(xué)位論文 前1條

1 劉靜;協(xié)同進(jìn)化算法及其應(yīng)用研究[D];西安電子科技大學(xué);2004年

相關(guān)碩士學(xué)位論文 前7條

1 高露;基于遺傳算法的大規(guī)模MIMO系統(tǒng)導(dǎo)頻優(yōu)化研究[D];南京郵電大學(xué);2018年

2 儀孝展;基于改進(jìn)遺傳算法的物流車輛路徑規(guī)劃方法研究與應(yīng)用[D];西安理工大學(xué);2018年

3 王慶銘;改進(jìn)蟻群算法在輸電網(wǎng)絡(luò)規(guī)劃中的應(yīng)用[D];南昌大學(xué);2018年

4 李君;基于局部搜索的人工魚群算法的改進(jìn)及應(yīng)用研究[D];北京建筑大學(xué);2018年

5 許凱波;蟻群算法的改進(jìn)及其在若干優(yōu)化問題中的應(yīng)用[D];江南大學(xué);2018年

6 王鮮艷;基于貓群算法的水產(chǎn)養(yǎng)殖無線傳感網(wǎng)絡(luò)研究[D];中南林業(yè)科技大學(xué);2018年

7 劉在維;自適應(yīng)權(quán)重變異貓群算法在光伏系統(tǒng)MPPT控制中的應(yīng)用[D];遼寧工程技術(shù)大學(xué);2017年

本文編號：2808342