發(fā)布時(shí)間：2021-09-08 15:51

　　群智能算法的思想來源于模擬群居生物的某些習(xí)性和行為,因其具有高效的優(yōu)化處理能力已成為優(yōu)化算法中的一個(gè)研究重點(diǎn)。作為群智能算法的一種,鳥群算法（Bird Swarm Algorithm,BSA）因具有簡單、收斂速度快和易實(shí)現(xiàn)的特點(diǎn)而被廣泛研究與應(yīng)用,但算法因?yàn)橄忍烊毕?不能有效解決陷入局部最優(yōu)的問題,因此對鳥群算法進(jìn)行研究改進(jìn)具有重要的意義。本文主要研究內(nèi)容包括:（1）基于聚集度改進(jìn)的多過程搜索鳥群算法。鳥群算法在尋優(yōu)后期,群體中的鳥會逐漸聚集在一起,致使鳥的位置難以準(zhǔn)確辨別,從而使得鳥的多樣性變?nèi)醵萑刖植孔顑?yōu)。本文針對鳥群算法在尋優(yōu)后期極易陷入局部最優(yōu)和過早收斂問題,通過引進(jìn)種群聚集度的概念來描述鳥群在覓食過程中位置的變化,增加鳥群覓食的可行性搜索范圍,并在鳥群尋優(yōu)之后依概率重新賦值尋優(yōu)位置,從而增加鳥群多樣性。通過引進(jìn)學(xué)習(xí)機(jī)制以克服鳥群中個(gè)體信息交流的單一性,增加鳥群內(nèi)部信息流動的多樣化,進(jìn)而改善算法后期易陷入局部最優(yōu)的狀況。（2）基于兩類行為策略的改進(jìn)鳥群算法。針對鳥群算法迭代后期多樣性較少導(dǎo)致早熟收斂的問題,通過自我學(xué)習(xí)系數(shù)調(diào)整鳥群算法局部最優(yōu)點(diǎn)和全局最優(yōu)點(diǎn)的平衡,同時(shí)采用聚集... 

【文章來源】：北方民族大學(xué)寧夏回族自治區(qū)

【文章頁數(shù)】：52 頁

【學(xué)位級別】：碩士

【部分圖文】：

對f1尋優(yōu)的效果圖

北方民族大學(xué)2020屆碩士學(xué)位論文第三章基于聚集度改進(jìn)的多過程搜索鳥群算法16續(xù)表3.2函數(shù)測試結(jié)果函數(shù)算法全局最優(yōu)值方差最好最差平均9fBSA5.316×10-191.982×10-122.985×10-141.686×10-14IBSA1.101×10-211.899×10-132.655×10-151.915×10-15ABSA7.668×10-262.891×10-173.424×10-192.891×10-1810fBSA-2.811×100-1.859×100-2.677×1001.861×10--1IBSA-2.811×100-1.859×100-2.683×1008.636×10-2ABSA-2.811×100-2.811×100-2.822×1001.528×10-511fBSA01.350×10-131.350×10-151.350×10-14IBSA0000ABSA000012fBSA09.930×10-11.566×10-13.417×10-1IBSA09.628×10-19.633×10-39.628×10-2ABSA01.596×10-111.596×10-131.596×10-12為了使本章研究更加直觀清楚，特選取以上ABSA算法、BSA算法、BSA算法的尋優(yōu)效果圖，如圖3.1至圖3.12。圖3.1對f1尋優(yōu)的效果圖圖3.2對f2尋優(yōu)的效果圖圖3.3對f3尋優(yōu)的效果圖圖3.4對f4尋優(yōu)的效果圖

北方民族大學(xué)2020屆碩士學(xué)位論文第三章基于聚集度改進(jìn)的多過程搜索鳥群算法16續(xù)表3.2函數(shù)測試結(jié)果函數(shù)算法全局最優(yōu)值方差最好最差平均9fBSA5.316×10-191.982×10-122.985×10-141.686×10-14IBSA1.101×10-211.899×10-132.655×10-151.915×10-15ABSA7.668×10-262.891×10-173.424×10-192.891×10-1810fBSA-2.811×100-1.859×100-2.677×1001.861×10--1IBSA-2.811×100-1.859×100-2.683×1008.636×10-2ABSA-2.811×100-2.811×100-2.822×1001.528×10-511fBSA01.350×10-131.350×10-151.350×10-14IBSA0000ABSA000012fBSA09.930×10-11.566×10-13.417×10-1IBSA09.628×10-19.633×10-39.628×10-2ABSA01.596×10-111.596×10-131.596×10-12為了使本章研究更加直觀清楚，特選取以上ABSA算法、BSA算法、BSA算法的尋優(yōu)效果圖，如圖3.1至圖3.12。圖3.1對f1尋優(yōu)的效果圖圖3.2對f2尋優(yōu)的效果圖圖3.3對f3尋優(yōu)的效果圖圖3.4對f4尋優(yōu)的效果圖

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)鳥群算法及其在發(fā)酵仿真建模中的研究[J]. 邵玉倩,劉登峰,劉以安.  計(jì)算機(jī)仿真. 2019(11)
[2]基于聚集度改進(jìn)的多過程搜索鳥群算法[J]. 樊曉紅,萬仁霞.  科學(xué)技術(shù)與工程. 2019(16)
[3]基于改進(jìn)鳥群算法的雙資源約束離散智能車間調(diào)度問題研究[J]. 陳少,吉衛(wèi)喜,仇永濤,姜?jiǎng)P博.  現(xiàn)代制造工程. 2019(04)
[4]基于鳥群算法優(yōu)化的橋式吊車線性自抗擾控制[J]. 唐超,劉惠康,曹宇軒,柴琳.  高技術(shù)通訊. 2019(04)
[5]D2D中基于鳥群算法的資源分配和模式選擇方案[J]. 李永吉,楊永立,王立棟,黃哲,郭啟航.  自動化與儀表. 2019(03)
[6]基于鳥群算法的3D威亞系統(tǒng)自抗擾控制器的參數(shù)優(yōu)化[J]. 李煒,萬國北,葛振福,龔建興.  蘭州理工大學(xué)學(xué)報(bào). 2019(01)
[7]改進(jìn)鳥群算法在家電負(fù)荷分解中的應(yīng)用[J]. 王慧娟,楊文榮,楊慶新.  電力系統(tǒng)及其自動化學(xué)報(bào). 2019(10)
[8]基于鳥群算法的土壤水分特征曲線模型參數(shù)估算[J]. 呂棚棚.  水資源開發(fā)與管理. 2018(10)
[9]基于改進(jìn)的鳥群算法求解農(nóng)產(chǎn)品冷鏈物流配送路徑優(yōu)化問題[J]. 王進(jìn)成,高岳林.  安徽農(nóng)業(yè)科學(xué). 2018(25)
[10]一種改進(jìn)算的鳥群算法[J]. 李延延,萬仁霞.  微電子學(xué)與計(jì)算機(jī). 2018(09)

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]粒子群優(yōu)化算法研究及其應(yīng)用[D]. 王維博.西南交通大學(xué) 2012
[3]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]基于混沌鳥群算法的多目標(biāo)優(yōu)化算法研究[D]. 周丹.湖南大學(xué) 2016



本文編號：3391057