本文關(guān)鍵詞：改進人工魚群算法研究與應(yīng)用

  更多相關(guān)文章： 智能優(yōu)化算法 人工魚群算法 組合優(yōu)化 支持向量機

【摘要】：人工魚群算法是自然界以魚為模板而衍生出來的一種新型群智能優(yōu)化算法,為大量工程難題的分布式計算提供了有效的工具。該算法不依賴問題數(shù)學(xué)性質(zhì),具有對初值不敏感、優(yōu)良的魯棒性能,已經(jīng)被廣泛應(yīng)用于國民經(jīng)濟的各個領(lǐng)域,由解決連續(xù)性優(yōu)化問題發(fā)展到解決各種離散組合問題的優(yōu)化,一維靜態(tài)優(yōu)化問題發(fā)展到解決多維動態(tài)組合優(yōu)化。人工魚群算法已經(jīng)成為優(yōu)化技術(shù)領(lǐng)域內(nèi)一個非常熱門前沿性的課題。人工魚群算法采用自下而上的搜索機制,模仿魚的“覓食行為”、“聚群行為”、“追尾行為”等主要行為而達到全局尋優(yōu)。受擁擠度因子的影響,當算法逼近極值時,人工魚卻只能在極值近鄰徘徊,不能求得精確解。由于粒子群算法具有趨向、快速的收斂特性,可以彌補人工魚群算法在局部搜索能力及算法后期收斂速度慢的弱勢,因此提出了粒子群優(yōu)化人工魚群算法,該算法在人工魚群的“覓食行為”、“聚群行為”、“追尾行為”數(shù)學(xué)模型上做了優(yōu)化,此外,引入粒子的飛行速度和非線性動態(tài)慣性權(quán)重因子。通過Sphere函數(shù)、Ackley函數(shù)、Levy函數(shù)和Griewank函數(shù)對算法的性能進行了驗證,從算法的迭代速度、收斂精度和慣性權(quán)重等方面進行了綜合的對比考察,通過仿真數(shù)據(jù)證實了改進的算法較人工魚群算法和粒子群算法有著更加良好的收斂性能。TSP問題是屬于典型NP難題,采用現(xiàn)代智能算法對旅行商問題的研究有著很重要的實踐意義和理論意義。TSP問題即旅行商問題,它求解旅行商去N個城市推銷自己的商品,使得所走的城市只經(jīng)過一次并且返回該起點所走的最短距離。針對此問題,提出了交叉變異人工魚群優(yōu)化算法,并將其用于旅行商問題的求解。該算法在人工魚群算法的基礎(chǔ)上引入交叉變異算子,并介紹了該算法的距離、鄰域及中心概念解決旅行商問題。引用數(shù)據(jù)庫51城市為實例,實現(xiàn)了路徑最短問題的尋優(yōu),仿真結(jié)果表明,該算法在組合優(yōu)化問題的求解,表現(xiàn)出了極強的尋優(yōu)能力和較好的性能。核函數(shù)的類型、核參數(shù)以及懲罰因子的選取直接影響著支持向量機癌細胞識別效果。然而,直到現(xiàn)在,支持向量機的核函數(shù)、核參數(shù)及懲罰因子的選取還沒有科學(xué)的方法,人們只能根據(jù)經(jīng)驗、大量的反復(fù)實驗進行對比等方法來進行選擇,帶有很大的局限性。本文利用改進的粒子群優(yōu)化人工魚群算法對核參數(shù)、懲罰因子的優(yōu)化,并在癌細胞識別,取得了良好的效果。
【關(guān)鍵詞】：智能優(yōu)化算法 人工魚群算法 組合優(yōu)化 支持向量機
【學(xué)位授予單位】：江西理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP18
【目錄】：

• 摘要4-5
• Abstract5-9
• 第一章 緒論9-16
• 1.1 課題研究的目的與意義9-10
• 1.2 群體智能10-12
• 1.2.1 群體智能的概念10-11
• 1.2.2 群體智能的的特點11-12
• 1.2.3 群體智能算法的算法流程12
• 1.3 人工魚群算法研究背景12-13
• 1.4 人工魚群算法研究現(xiàn)狀13-14
• 1.5 論文的研究內(nèi)容14-16
• 第二章 人工魚群算法16-25
• 2.1 引言16
• 2.2 魚類的感覺16
• 2.3 人工魚群算法原理16-21
• 2.3.1 人工魚模型17-18
• 2.3.2 定義18
• 2.3.3 行為描述18-20
• 2.3.4 算法描述20-21
• 2.4 算法全局收斂基礎(chǔ)21-22
• 2.5 算法參數(shù)對收斂性的影響分析22-23
• 2.5.1 視野范圍Visual22
• 2.5.2 步長Step22
• 2.5.3 擁擠度因子22-23
• 2.5.4 人工魚的規(guī)模23
• 2.5.5 人工魚的探索次數(shù)23
• 2.6 人工魚群算法與其他智能算法的異同23-24
• 2.7 小結(jié)24-25
• 第三章 粒子群優(yōu)化人工魚群算法25-34
• 3.1 引言25
• 3.2 粒子群優(yōu)化人工魚群算法25-28
• 3.2.1 算法的改進25-26
• 3.2.2 覓食行為26
• 3.2.3 聚群行為26
• 3.2.4 追尾行為26-28
• 3.3 公告板28
• 3.4 算法流程28
• 3.5 算法仿真28-33
• 3.5.1 基準測試函數(shù)28-30
• 3.5.2 三種算法仿真比較30-32
• 3.5.3 慣性權(quán)重對算法的影響32-33
• 3.6 結(jié)論33-34
• 第四章 交叉變異人工魚群算法TSP問題求解34-43
• 4.1 引言34
• 4.2 旅行商問題描述34
• 4.3 旅行商問題數(shù)學(xué)模型34-35
• 4.4 遺傳算法35-36
• 4.5 交叉變異人工魚群算法描述36-39
• 4.5.1 編碼36
• 4.5.2 人工魚的鄰域和中心36-37
• 4.5.3 覓食行為37
• 4.5.4 聚群行為37-38
• 4.5.5 追尾行為38
• 4.5.6 交叉操作38-39
• 4.5.7 變異操作39
• 4.6 程序設(shè)計與實驗仿真39-42
• 4.6.1 實驗測試環(huán)境39
• 4.6.2 程序設(shè)計39
• 4.6.3 實驗仿真39-42
• 4.7 仿真分析42
• 4.8 結(jié)論42-43
• 第五章 粒子群優(yōu)化人工魚群算法對SVM參數(shù)優(yōu)化及其應(yīng)用43-57
• 5.1 支持向量機基礎(chǔ)43
• 5.2 支持向量機的發(fā)展43-44
• 5.3 支持向量機分類44-48
• 5.3.1 線性可分支持向量機44-46
• 5.3.2 線性不可分的SVM46-48
• 5.4 支持向量機模型參數(shù)選擇48-50
• 5.4.1 支持向量機核函數(shù)48
• 5.4.2 支持向量機與參數(shù)的關(guān)系48-50
• 5.5 算法對SFM參數(shù)優(yōu)化及其對乳腺腫瘤細胞的識別應(yīng)用50-56
• 5.5.1 粒子群算法對SVM參數(shù)優(yōu)化51-52
• 5.5.2 人工魚群算法對SVM參數(shù)優(yōu)化52-54
• 5.5.3 粒子群優(yōu)化人工魚群算法對SVM參數(shù)優(yōu)化54-55
• 5.5.4 三種算法優(yōu)化SVM仿真分析55-56
• 5.6 本章小結(jié)56-57
• 第六章 總結(jié)與展望57-59
• 6.1 總結(jié)57
• 6.2 展望57-59
• 參考文獻59-62
• 附錄62-69
• 致謝69-70
• 攻讀學(xué)位期間的研究成果70-71

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 孫健;王成華;洪峰;王蕾;;基于人工魚群優(yōu)化支持向量機的模擬電路故障診斷[J];系統(tǒng)仿真學(xué)報;2014年04期

2 段其昌;唐若笠;徐宏英;李文;;粒子群優(yōu)化魚群算法仿真分析[J];控制與決策;2013年09期

3 戴上平;姬盈利;王華;;利用多群交叉變異人工魚群算法生成分類規(guī)則[J];計算機工程與應(yīng)用;2013年13期

4 田海雷;李洪儒;許葆華;;基于改進人工魚群算法的支持向量機預(yù)測[J];計算機工程;2013年04期

5 張英杰;李志武;奉中華;;一種基于動態(tài)參數(shù)調(diào)整的改進人工魚群算法[J];湖南大學(xué)學(xué)報(自然科學(xué)版);2012年05期

6 朱命昊;厙向陽;;求解旅行商問題的改進人工魚群算法[J];計算機應(yīng)用研究;2010年10期

7 姚祥光;周永權(quán);李詠梅;;人工魚群與微粒群混合優(yōu)化算法[J];計算機應(yīng)用研究;2010年06期

8 羅德相;周永權(quán);黃華娟;;粒子群和人工魚群混合優(yōu)化算法[J];計算機與應(yīng)用化學(xué);2009年10期

9 唐忠;;粒子群算法慣性權(quán)重的研究[J];廣西大學(xué)學(xué)報(自然科學(xué)版);2009年05期

10 劉彥君;江銘炎;;自適應(yīng)視野和步長的改進人工魚群算法[J];計算機工程與應(yīng)用;2009年25期

，

本文編號：816569