隨著社會(huì)的發(fā)展,工程應(yīng)用和能源管理等諸多領(lǐng)域所呈現(xiàn)出來的優(yōu)化問題越來越復(fù)雜,傳統(tǒng)優(yōu)化方法處理這些問題變得越來越困難,而具有仿生行為的群智能優(yōu)化算法具有實(shí)現(xiàn)簡(jiǎn)單、效率高、魯棒性強(qiáng)等優(yōu)點(diǎn)被廣泛應(yīng)用在各個(gè)領(lǐng)域�；认x優(yōu)化算法是近年來新提出的一種群智能優(yōu)化算法,已被成功應(yīng)用在許多現(xiàn)實(shí)領(lǐng)域中,但該算法存在易陷入局部最優(yōu)、收斂速度慢等缺點(diǎn)。因此,針對(duì)蝗蟲優(yōu)化算法的這些問題,以提高該算法的性能為研究目標(biāo)并將其應(yīng)用在數(shù)據(jù)聚類中,本文主要提出以下有效的改進(jìn)算法:（1）提出一種基于差分進(jìn)化的反向?qū)W習(xí)蝗蟲優(yōu)化算法。該方法對(duì)蝗蟲優(yōu)化算法中每次迭代未能找到更好位置的蝗蟲與其它蝗蟲進(jìn)行差分進(jìn)化,使其增大跳出當(dāng)前劣勢(shì)位置,尋找更優(yōu)位置的概率。最后,蝗蟲通過反向?qū)W習(xí),增強(qiáng)算法的全局搜索能力。（2）提出一種基于曲線自適應(yīng)和模擬退火的蝗蟲優(yōu)化算法。該方法首先對(duì)蝗蟲優(yōu)化算法中關(guān)鍵參數(shù)(8進(jìn)行改進(jìn),然后利用模擬退火算法很強(qiáng)的局部搜索能力和跳出局部最優(yōu)的能力來加強(qiáng)蝗蟲優(yōu)化算法的局部搜索,避免算法陷入局部最優(yōu)。（3）為了加強(qiáng)第（1）種改進(jìn)方法的局部搜索能力,提出基于雙差分進(jìn)化的反向?qū)W習(xí)蝗蟲優(yōu)化算法。該方法根據(jù)每次迭代的蝗蟲能否找到... 

【文章來源】：南京郵電大學(xué)江蘇省

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文的主要研究?jī)?nèi)容
    1.4 論文的組織結(jié)構(gòu)
第二章 蝗蟲優(yōu)化算法及其應(yīng)用概述
    2.1 蝗蟲優(yōu)化算法(GOA)
        2.1.1 GOA算法的數(shù)學(xué)模型
        2.1.2 GOA算法的迭代模型
        2.1.3 GOA算法的基本流程
        2.1.4 GOA算法的缺點(diǎn)
    2.2 GOA算法應(yīng)用概述
        2.2.1 工業(yè)領(lǐng)域上的應(yīng)用
        2.2.2 函數(shù)優(yōu)化上的應(yīng)用
        2.2.3 數(shù)據(jù)聚類上的應(yīng)用
    2.3 本章小結(jié)
第三章 基于差分進(jìn)化的反向?qū)W習(xí)蝗蟲優(yōu)化算法
    3.1 本章算法改進(jìn)的動(dòng)機(jī)
    3.2 基于差分進(jìn)化的反向?qū)W習(xí)蝗蟲優(yōu)化算法(DOGOA)
        3.2.1 差分進(jìn)化的基本原理
        3.2.2 反向?qū)W習(xí)的基本原理
        3.2.3 DOGOA算法的基本思想
        3.2.4 DOGOA算法的基本流程
    3.3 函數(shù)優(yōu)化應(yīng)用實(shí)驗(yàn)
        3.3.1 測(cè)試函數(shù)與評(píng)估標(biāo)準(zhǔn)
        3.3.2 算法中參數(shù)設(shè)置
        3.3.3 實(shí)驗(yàn)結(jié)果及分析
    3.4 本章小結(jié)
第四章 基于曲線自適應(yīng)和模擬退火的蝗蟲優(yōu)化算法
    4.1 本章算法改進(jìn)的動(dòng)機(jī)
    4.2 基于曲線自適應(yīng)的蝗蟲優(yōu)化算法(CAGOA)
    4.3 基于曲線自適應(yīng)和模擬退火的蝗蟲優(yōu)化算法(SA-CAGOA)
        4.3.1 Metropolis準(zhǔn)則
        4.3.2 模擬退火中蝗蟲位置更新策略
        4.3.3 SA-CAGOA算法的實(shí)現(xiàn)步驟及流程圖
    4.4 實(shí)驗(yàn)及分析
        4.4.1 測(cè)試函數(shù)與評(píng)估標(biāo)準(zhǔn)
        4.4.2 算法中參數(shù)的設(shè)置
        4.4.3 CAGOA算法實(shí)驗(yàn)結(jié)果及分析
        4.4.4 SA-CAGOA算法實(shí)驗(yàn)結(jié)果及分析
        4.4.5 算法運(yùn)行時(shí)間比較
    4.5 本章小結(jié)
第五章 基于DOGOA算法的改進(jìn)及其在聚類算法上的應(yīng)用
    5.1 本章算法改進(jìn)的動(dòng)機(jī)
    5.2 基于雙差分進(jìn)化的反向?qū)W習(xí)蝗蟲優(yōu)化算法(D-DOGOA)
        5.2.1 雙差分進(jìn)化策略
        5.2.2 改進(jìn)反向?qū)W習(xí)策略
        5.2.3 D-DOGOA算法的實(shí)現(xiàn)步驟
    5.3 D-DOGOA算法在聚類上的應(yīng)用
        5.3.1 基本思路
        5.3.2 實(shí)現(xiàn)步驟
    5.4 實(shí)驗(yàn)及分析
        5.4.1 評(píng)估指標(biāo)與參數(shù)設(shè)計(jì)
        5.4.2 函數(shù)優(yōu)化上的實(shí)驗(yàn)結(jié)果及分析
        5.4.3 聚類應(yīng)用上的實(shí)驗(yàn)結(jié)果及分析
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 論文總結(jié)工作
    6.2 進(jìn)一步工作展望
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間撰寫的論文
附錄2 攻讀碩士學(xué)位期間參加的科研項(xiàng)目
致謝


【參考文獻(xiàn)】：
期刊論文
[1]人工蜂群算法研究綜述[J]. 何堯,劉建華,楊榮華.  計(jì)算機(jī)應(yīng)用研究. 2018(05)
[2]粒子群優(yōu)化算法綜述[J]. 趙乃剛,鄧景順.  科技創(chuàng)新導(dǎo)報(bào). 2015(26)
[3]布谷鳥搜索算法研究綜述[J]. 蘭少峰,劉升.  計(jì)算機(jī)工程與設(shè)計(jì). 2015(04)
[4]螢火蟲優(yōu)化算法理論研究綜述[J]. 程美英,倪志偉,朱旭輝.  計(jì)算機(jī)科學(xué). 2015(04)
[5]群智能算法的理論及應(yīng)用綜述[J]. 王水花,張煜東,吉根林.  南京師范大學(xué)學(xué)報(bào)(工程技術(shù)版). 2014(04)
[6]布朗運(yùn)動(dòng)模擬退火算法[J]. 傅文淵,凌朝東.  計(jì)算機(jī)學(xué)報(bào). 2014(06)
[7]基于改進(jìn)人工蜂群算法的K均值聚類算法[J]. 喻金平,鄭杰,梅宏標(biāo).  計(jì)算機(jī)應(yīng)用. 2014(04)
[8]人工蜂群算法研究綜述[J]. 秦全德,程適,李麗,史玉回.  智能系統(tǒng)學(xué)報(bào). 2014(02)
[9]改進(jìn)的細(xì)菌覓食優(yōu)化算法求解0-1背包問題[J]. 杜明煜,雷秀娟.  計(jì)算機(jī)技術(shù)與發(fā)展. 2014(05)
[10]K-means聚類算法研究綜述[J]. 王千,王成,馮振元,葉金鳳.  電子設(shè)計(jì)工程. 2012(07)

博士論文
[1]基于生物行為機(jī)制的粒子群算法改進(jìn)及應(yīng)用[D]. 程軍.華南理工大學(xué) 2014
[2]蜂群算法及在圖像處理中的應(yīng)用研究[D]. 肖永豪.華南理工大學(xué) 2011
[3]群智能優(yōu)化算法及其應(yīng)用[D]. 馮春時(shí).中國(guó)科學(xué)技術(shù)大學(xué) 2009
[4]人工魚群智能優(yōu)化算法的改進(jìn)及應(yīng)用研究[D]. 張梅鳳.大連理工大學(xué) 2008
[5]智能優(yōu)化方法及其應(yīng)用研究[D]. 鐘一文.浙江大學(xué) 2005

碩士論文
[1]改進(jìn)的粒子群算法及其在聚類算法中的應(yīng)用[D]. 劉文凱.廣東工業(yè)大學(xué) 2017



本文編號(hào)：3338974