本文關(guān)鍵詞：群智能算法及其在全局函數(shù)優(yōu)化中的應(yīng)用研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：智能優(yōu)化算法通過模擬或揭示某些自然現(xiàn)象及過程,從生物群體的智能行為發(fā)展而來的。由于算法結(jié)果不依賴于初值的選取,并且對(duì)優(yōu)化的目標(biāo)函數(shù)沒有連續(xù)、可微等要求,具有全局、并行高效、較強(qiáng)的魯棒性和通用性等優(yōu)點(diǎn),所以,對(duì)群智能算法的研究成為當(dāng)今具有重要理論意義與實(shí)用價(jià)值的課題之一。本文對(duì)近年來群智能優(yōu)化算法在全局函數(shù)優(yōu)化方面的做了詳細(xì)研究,工作安排如下:首先,提出模擬煙花爆炸現(xiàn)象的煙花算法(FA),作為一種新型的并行彌漫式搜索算法,它通過調(diào)整煙花的爆炸方式使算法的全局探索和局部搜索能力達(dá)到均衡。通過對(duì)FA的初始煙花和子代火花進(jìn)行參數(shù)設(shè)置,驗(yàn)證FA的尋優(yōu)性能;提出了FA-SFLA混合算法,混合蛙跳算法分組策略的引入,使FA更好地跳出局部最優(yōu),并加快了全局搜索能力。仿真結(jié)果表明參數(shù)對(duì)FA的優(yōu)化性能有一定影響,混合算法極大地提高了函數(shù)優(yōu)化的求解精度和收斂速度。其次,提出以引力定律為基礎(chǔ)的萬有引力搜索算法(GSA),對(duì)其基本原理、算法流程加以論述,對(duì)核心參數(shù)的合理設(shè)置進(jìn)行分析,通過對(duì)測(cè)試函數(shù)進(jìn)行仿真來驗(yàn)證其優(yōu)化性能;提出4種改進(jìn)的GSAPSO算法,針對(duì)GSA存在局部搜索能力差、收斂速度慢的缺點(diǎn),文中引入微小常量更新策略,增強(qiáng)速度、加速度及最優(yōu)個(gè)體位置更新功能,利用PSO算法來優(yōu)化GSA的速度和位置,提高尋優(yōu)效果。仿真結(jié)果表明,優(yōu)化設(shè)置GSA參數(shù)能夠靈活地提高算法的抑制速率并且是提高解的準(zhǔn)確性,改進(jìn)后的GSAPSO很好的彌補(bǔ)了原算法的不足。最后,提出生物地理優(yōu)化算法(BBO),根據(jù)棲息地之間物種遷移來完成信息流通和共享,通過提高棲息地的適應(yīng)性而實(shí)現(xiàn)全局尋優(yōu)。對(duì)BBO的設(shè)計(jì)原理、算法流程進(jìn)行了全面分析,提出基于BBO算法的函數(shù)優(yōu)化并與其他群智能算法進(jìn)行比較;基于BBO算法的種群自適應(yīng)遷徙機(jī)制,參考相關(guān)文獻(xiàn)給出7種遷移率模型,完成不同遷移方式對(duì)算法性能影響的分析與比較;為了驗(yàn)證高次非線性遷移率模型的優(yōu)化性能,提出8種混合遷移模型;將混沌映射與BBO最優(yōu)遷移模型相結(jié)合,提出混沌生物地理算法(CBBO),比較各模型在各映射下對(duì)函數(shù)的優(yōu)化性能。仿真結(jié)果表明,BBO算法具有良好優(yōu)化性能,接近自然規(guī)律的遷移模型無論是高次還是與混沌映射相結(jié)合,都具有尋優(yōu)精度高和快速收斂性�？傊�,通過仿真表明了三種群智能算法參數(shù)設(shè)置以及與其他算法結(jié)合進(jìn)行函數(shù)優(yōu)化取得的良好尋優(yōu)效果,對(duì)于求解復(fù)雜問題及其實(shí)際應(yīng)用具有重大意義。
【關(guān)鍵詞】：群智能算法 煙花算法 萬有引力算法 生物地理優(yōu)化算法 全局函數(shù)優(yōu)化
【學(xué)位授予單位】：遼寧科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP18
【目錄】：

• 中文摘要5-6
• ABSTRACT6-10
• 1. 緒論10-22
• 1.1 研究背景與意義10
• 1.2 函數(shù)優(yōu)化的相關(guān)概述10-12
• 1.3 群智能算法的研究進(jìn)展綜述12-21
• 1.3.1 遺傳算法13-14
• 1.3.2 蟻群算法14-16
• 1.3.3 粒子群算法16-17
• 1.3.4 人工魚群算法17-18
• 1.3.5 混合蛙跳算法18-19
• 1.3.6 狼群算法19-21
• 1.4 本文的主要內(nèi)容和結(jié)構(gòu)安排21-22
• 2.基于煙花算法的全局函數(shù)優(yōu)化研究22-39
• 2.1 引言22
• 2.2 煙花算法22-27
• 2.2.1 煙花算法的基本思想22-24
• 2.2.2 煙花算法的設(shè)計(jì)24-27
• 2.3 煙花算法參數(shù)設(shè)置27-33
• 2.3.1 FA初始煙花參數(shù)設(shè)置及仿真27-30
• 2.3.2 FA子代火花參數(shù)設(shè)置及仿真30-33
• 2.4 煙花-混合蛙跳算法33-38
• 2.4.1 混合蛙跳算法原理33
• 2.4.2 FA-SFLA混合算法33-34
• 2.4.3 仿真結(jié)果及分析34-38
• 2.5 小結(jié)38-39
• 3.基于萬有引力搜索算法的全局函數(shù)優(yōu)化研究39-60
• 3.1 引言39
• 3.2 萬有引力搜索算法39-43
• 3.2.1 GSA的物理學(xué)基礎(chǔ)39-40
• 3.2.2 萬有引力搜索算法基本原理40-42
• 3.2.3 GSA流程及分析42-43
• 3.3 GSA參數(shù)設(shè)置43-52
• 3.3.1 引力常數(shù)設(shè)置及仿真分析43-48
• 3.3.2 遞減系數(shù)設(shè)置及仿真分析48-52
• 3.4 GSAPSO混合算法52-58
• 3.4.1 粒子群優(yōu)化算法概述52-53
• 3.4.2 GSAPSO算法53-55
• 3.4.3 混合算法仿真及結(jié)果分析55-58
• 3.5 小結(jié)58-60
• 4.基于生物地理優(yōu)化算法的全局函數(shù)優(yōu)化60-105
• 4.1 引言60
• 4.2 生物地理優(yōu)化算法60-68
• 4.2.1 生物地理優(yōu)化算法概述60-62
• 4.2.2 生物地理優(yōu)化算法數(shù)學(xué)模型62-66
• 4.2.3 生物地理優(yōu)化算法66-68
• 4.3 BBO算法的全局函數(shù)優(yōu)化68-72
• 4.3.1 測(cè)試函數(shù)及BBO參數(shù)設(shè)置68
• 4.3.2 仿真結(jié)果及分析68-72
• 4.4 BBO遷移率模型及性能分析72-93
• 4.4.1 遷移率模型分析72-75
• 4.4.2 仿真結(jié)果及分析75-83
• 4.4.3 混合高次模型對(duì)函數(shù)的優(yōu)化性能研究83-93
• 4.5 混沌生物地理優(yōu)化算法遷移率模型分析93-104
• 4.5.1 混沌理論93-94
• 4.5.2 混沌生物地理優(yōu)化算法94-96
• 4.5.3 仿真及結(jié)果分析96-104
• 4.6 小結(jié)104-105
• 5.總結(jié)105-106
• 參考文獻(xiàn)106-112
• 附錄A 測(cè)試函數(shù)112-114
• 附錄B 函數(shù)三維曲面圖114-116
• 攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況116-117
• 致謝117-118
• 作者簡(jiǎn)介118-119

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前10條

1 任偉建;李瑩瑩;李文成;;基于函數(shù)優(yōu)化的生物智能進(jìn)化算法綜述[J];自動(dòng)化技術(shù)與應(yīng)用;2012年05期

2 陳明杰;黃佰川;張e

本文編號(hào)：398393