煙花算法是一種非生物群體智能優(yōu)化算法,該算法模擬煙花在夜空中爆炸產(chǎn)生火花行為而提出的一種爆炸搜索方式,目的是求解復(fù)雜問題全局最優(yōu)解。傳統(tǒng)煙花算法對(duì)最優(yōu)值在原點(diǎn)附近的優(yōu)化函數(shù)具有很好的尋優(yōu)能力,但對(duì)于那些最優(yōu)值不在原點(diǎn)附近的目標(biāo)函數(shù),算法表現(xiàn)一般,原因是傳統(tǒng)煙花算法采用的映射方法較容易將越界的火花映射到搜索空間原點(diǎn)位置附近,這對(duì)于最優(yōu)值在原點(diǎn)位置附近的優(yōu)化問題無意中加速了算法的收斂性,但這并不是群體智能的表現(xiàn)。在增強(qiáng)煙花算法（EFWA）中針對(duì)這一問題提出了隨機(jī)映射規(guī)則,將越界的火花隨機(jī)映射到可行域內(nèi)的任意位置,但這種隨機(jī)映射規(guī)則不能動(dòng)態(tài)地根據(jù)當(dāng)前種群評(píng)估狀態(tài)進(jìn)行映射位置的有效調(diào)整。為此,本文提出了一種新的映射規(guī)則——根據(jù)算法當(dāng)前評(píng)估進(jìn)度動(dòng)態(tài)地將越界火花映射到當(dāng)前適應(yīng)度值最好的煙花附近,從而提出了基于最優(yōu)火花的動(dòng)態(tài)映射煙花算法（DMFWA）。通過使用新的映射規(guī)則,提高了算法收斂速度與精度。EFWA中使用最小爆炸半徑檢測(cè)機(jī)制來改善適應(yīng)度值最好的煙花的局部搜索能力,然而該機(jī)制中使用的最終爆炸半徑參數(shù)值由目標(biāo)函數(shù)的邊界來決定,這種方式對(duì)于不同邊界函數(shù)在算法收斂后期影響較大,邊界范圍大的目標(biāo)函數(shù)在... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)照表
1.緒論
    1.1 研究背景
    1.2 研究現(xiàn)狀
    1.3 本文工作
    1.4 內(nèi)容安排
2.煙花算法研究
    2.1 經(jīng)典智能優(yōu)化算法
        2.1.1 遺傳算法
        2.1.2 粒子群算法
    2.2 煙花算法
        2.2.1 煙花算法的基本原理
        2.2.2 煙花算法的基本概念
        2.2.3 煙花算法的組成
        2.2.4 煙花算法實(shí)現(xiàn)
        2.2.5 煙花算法流程
        2.2.6 煙花算法特性分析
    2.3 增強(qiáng)煙花算法
        2.3.1 最小半徑檢測(cè)策略
        2.3.2 新型爆炸火花產(chǎn)生方式
        2.3.3 新型高斯變異算子
        2.3.4 新型映射規(guī)則
        2.3.5 精英選擇策略
    2.4 本章小結(jié)
3.基于最優(yōu)火花的動(dòng)態(tài)映射煙花算法
    3.1 新型映射規(guī)則
    3.2 最小爆炸半徑檢測(cè)機(jī)制優(yōu)化
    3.3 新型選擇策略
    3.4 算法流程設(shè)計(jì)與實(shí)現(xiàn)
        3.4.1 算法流程設(shè)計(jì)
        3.4.2 算法實(shí)現(xiàn)
    3.5 算法仿真與分析
        3.5.1 基準(zhǔn)測(cè)試函數(shù)
        3.5.2 仿真環(huán)境及參數(shù)設(shè)置
        3.5.3 仿真結(jié)果與分析
    3.6 本章小結(jié)
4.DMFWA聚類算法分析與應(yīng)用
    4.1 聚類流程與方法介紹
        4.1.1 聚類流程
        4.1.2 常用聚類方法
        4.1.3 k-means算法
        4.1.4 k-means++算法
        4.1.5 AgglomerativeClustering算法
        4.1.6 AP算法
    4.2 DMFWA聚類分析算法
        4.2.1 聚類問題轉(zhuǎn)化為優(yōu)化問題
        4.2.2 DMFWA聚類算法設(shè)計(jì)與實(shí)現(xiàn)
    4.3 聚類實(shí)驗(yàn)與結(jié)果分析
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        4.3.2 數(shù)據(jù)標(biāo)準(zhǔn)化
        4.3.3 聚類結(jié)果評(píng)估方式
        4.3.4 算法參數(shù)設(shè)置
        4.3.5 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
5.結(jié)束語(yǔ)
    5.1 研究總結(jié)
    5.2 研究展望
附錄
    附錄A 測(cè)試函數(shù)圖像
    附錄B 樣本相似度計(jì)算方法
    附錄C 訓(xùn)練樣本原始數(shù)據(jù)
參考文獻(xiàn)
致謝
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]帶有引力搜索算子的煙花算法[J]. 朱啟兵,王震宇,黃敏.  控制與決策. 2016(10)
[2]具有學(xué)習(xí)因子的動(dòng)態(tài)搜索煙花算法[J]. 方柳平,汪繼文,邱劍鋒,朱林波,蘇守寶.  計(jì)算機(jī)科學(xué)與探索. 2017(03)
[3]基于二進(jìn)制編碼的煙花聚類算法[J]. 李雪源,崔穎.  應(yīng)用科技. 2016(01)
[4]反向煙花算法及其應(yīng)用研究[J]. 李浩,柏鵬,張輝,金宏斌,薛俊杰.  西安交通大學(xué)學(xué)報(bào). 2015(11)
[5]煙花算法求解JSP問題的研究[J]. 包曉曉,葉春明,黃霞.  計(jì)算機(jī)工程與應(yīng)用. 2017(03)
[6]聚類算法綜述[J]. 伍育紅.  計(jì)算機(jī)科學(xué). 2015(S1)
[7]煙花算法研究進(jìn)展[J]. 譚營(yíng),鄭少秋.  智能系統(tǒng)學(xué)報(bào). 2014(05)
[8]最大距離法選取初始簇中心的K-means文本聚類算法的研究[J]. 翟東海,魚江,高飛,于磊,丁鋒.  計(jì)算機(jī)應(yīng)用研究. 2014(03)
[9]煙花算法求解非線性方程組[J]. 杜振鑫.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2013(04)
[10]聚類分析研究中的若干問題[J]. 王駿,王士同,鄧趙紅.  控制與決策. 2012(03)

博士論文
[1]進(jìn)化算法及智能數(shù)據(jù)挖掘若干問題研究[D]. 張捷.西安電子科技大學(xué) 2013
[2]數(shù)據(jù)降維算法研究及其應(yīng)用[D]. 張?zhí)镪?上海交通大學(xué) 2008

碩士論文
[1]Affinity Propagation聚類算法的改進(jìn)及其應(yīng)用研究[D]. 李萍.浙江大學(xué) 2017
[2]面向高維復(fù)雜數(shù)據(jù)的降維算法研究[D]. 劉衛(wèi)芳.西安電子科技大學(xué) 2014
[3]基于群智能優(yōu)化的聚類算法研究[D]. 王沖.陜西師范大學(xué) 2013



本文編號(hào)：3482160