人工蜂群算法是基于仿生學(xué)提出的群智能優(yōu)化算法,具有結(jié)構(gòu)簡(jiǎn)單、參數(shù)少、全局搜索能力強(qiáng)等特點(diǎn),現(xiàn)如今已被應(yīng)用到諸多領(lǐng)域。但是傳統(tǒng)蜂群算法依然存在易陷入局部最優(yōu)、局部開發(fā)能力弱、收斂速度較慢等問題,限制了其性能。因此,對(duì)蜂群算法的改進(jìn)研究具有重要的理論研究意義與應(yīng)用價(jià)值。本文在傳統(tǒng)人工蜂群算法的基礎(chǔ)上進(jìn)行深入研究,針對(duì)其存在的問題提出兩種改進(jìn)算法,并將其應(yīng)用到冷連軋負(fù)荷分配中。本文的主要工作如下:（1）針對(duì)多目標(biāo)人工蜂群算法全局搜索和局部開發(fā)能力不平衡的缺陷,提出了基于閾值搜索的多目標(biāo)人工蜂群算法。根據(jù)不同蜜源的開發(fā)閾值在其鄰域范圍內(nèi)選擇搜索半徑,平衡算法的搜索能力和開發(fā)能力,加快收斂速度;其次,對(duì)外部精英個(gè)體賦予引導(dǎo)閾值,并根據(jù)外部檔案中解的分布情況和開發(fā)情況,合理選擇外部檔案解。為了驗(yàn)證算法的有效性,采用ZDT和DTLZ系列測(cè)試函數(shù)進(jìn)行仿真,結(jié)果表明算法所獲Pareto前沿具有良好的分布性和收斂性。（2）針對(duì)人工蜂群算法處理復(fù)雜多目標(biāo)問題收斂速度慢的問題,提出了基于調(diào)節(jié)算子的多目標(biāo)蜂群算法。首先,根據(jù)蜜源情況自適應(yīng)地選擇搜索半徑,在各個(gè)時(shí)期側(cè)重于不同搜索方向。其次,將分布情況納入適應(yīng)度值... 

【文章頁數(shù)】：67 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 智能優(yōu)化算法與軋制規(guī)程優(yōu)化的研究進(jìn)展
        1.2.1 多目標(biāo)優(yōu)化算法的研究進(jìn)展
        1.2.2 改進(jìn)多目標(biāo)蜂群算法的研究進(jìn)展
        1.2.3 多目標(biāo)優(yōu)化算法在軋制規(guī)程優(yōu)化中的應(yīng)用
    1.3 主要研究?jī)?nèi)容及結(jié)構(gòu)安排
第2章 基于閾值搜索的多目標(biāo)人工蜂群優(yōu)化算法
    2.1 引言
    2.2 多目標(biāo)優(yōu)化算法數(shù)學(xué)模型
    2.3 人工蜂群算法數(shù)學(xué)模型
    2.4 基于閾值搜索的多目標(biāo)人工蜂群優(yōu)化算法
        2.4.1 局部搜索機(jī)制
        2.4.2 精英解引導(dǎo)以及概率選擇機(jī)制
        2.4.3 外部檔案維護(hù)機(jī)制
    2.5 算法步驟
    2.6 算法測(cè)試性能及分析
        2.6.1 測(cè)試函數(shù)與評(píng)價(jià)指標(biāo)
        2.6.2 LSABC算法和對(duì)比算法的參數(shù)設(shè)置
        2.6.3 算法實(shí)驗(yàn)結(jié)果分析
        2.6.4 不同策略性能對(duì)比實(shí)驗(yàn)分析
        2.6.5 算法收斂性驗(yàn)證
    2.7 本章小結(jié)
第3章 基于調(diào)節(jié)算子的多目標(biāo)人工蜂群算法
    3.1 引言
    3.2 基于調(diào)節(jié)算子的多目標(biāo)人工蜂群算法RMOABC
        3.2.1 基于個(gè)體閾值的更新公式
        3.2.2 基于種群分布的概率選擇機(jī)制
        3.2.3 外部存檔維護(hù)機(jī)制
        3.2.4 多樣性點(diǎn)初始化機(jī)制
    3.3 算法流程
    3.4 算法測(cè)試性能及分析
        3.4.1 測(cè)試函數(shù)
        3.4.2 RMOABC算法和對(duì)比算法的參數(shù)設(shè)置
        3.4.3 算法實(shí)驗(yàn)結(jié)果分析
        3.4.4 不同策略性能對(duì)比實(shí)驗(yàn)分析
        3.4.5 算法收斂性驗(yàn)證
    3.5 本章小結(jié)
第4章 多目標(biāo)優(yōu)化算法在冷連軋制規(guī)程中的應(yīng)用
    4.1 引言
    4.2 冷連軋軋制設(shè)備及數(shù)學(xué)模型
        4.2.1 軋制設(shè)備組成和主要參數(shù)
        4.2.2 軋制過程數(shù)學(xué)模型簡(jiǎn)介
    4.3 冷連軋軋制規(guī)程目標(biāo)函數(shù)及約束條件
        4.3.1 目標(biāo)函數(shù)
        4.3.2 約束條件的確定
    4.4 冷連軋軋制負(fù)荷分配流程
    4.5 基于RMOABC和 LSABC算法的冷連軋軋制規(guī)程優(yōu)化
        4.5.1 軋制規(guī)程的約束多目標(biāo)優(yōu)化模型
        4.5.2 基于RMOABC和 LSABC算法的冷連軋軋制規(guī)程優(yōu)化應(yīng)用
        4.5.3 仿真研究
    4.6 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于蟻群算法的異步并行裝配序列規(guī)劃方法[J]. 劉曉陽,劉恩福,靳江艷.  機(jī)械工程學(xué)報(bào). 2019(09)
[2]基于蜂群算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)[J]. 何廷一,田鑫萃,李勝男,吳水軍,陳勇,束洪春,馬聰.  電力科學(xué)與技術(shù)學(xué)報(bào). 2018(04)
[3]基于復(fù)數(shù)編碼的多策略人工蜂群算法[J]. 單嫻,杜學(xué)東.  系統(tǒng)工程學(xué)報(bào). 2018(05)
[4]基于隨機(jī)森林的鋼材性能預(yù)報(bào)與影響因素篩選[J]. 楊威,李維剛,趙云濤,嚴(yán)保康,王文波.  鋼鐵. 2018(03)
[5]基于改進(jìn)煙花-蟻群混合算法的智能移動(dòng)體避障路徑規(guī)劃[J]. 張瑋,馬焱,趙捍東,張磊,李營,李旭東.  控制與決策. 2019(02)
[6]基于遺傳算法的無鐘高爐布料工藝優(yōu)化[J]. 任廷志,馬財(cái)生.  鋼鐵. 2016(06)
[7]基于多目標(biāo)人工魚群算法的硅單晶直徑檢測(cè)圖像閾值分割方法[J]. 劉丁,張新雨,陳亞軍.  自動(dòng)化學(xué)報(bào). 2016(03)
[8]基于改進(jìn)免疫克隆多目標(biāo)算法的軋制規(guī)程優(yōu)化[J]. 趙新秋,孟慶剛,楊景明,車海軍.  鋼鐵. 2015(08)
[9]基于改進(jìn)多目標(biāo)粒子群算法的冷連軋規(guī)程優(yōu)化設(shè)計(jì)[J]. 魏立新,王利平,馬明明,車海軍,楊景明.  中國機(jī)械工程. 2015(09)
[10]一種結(jié)合多目標(biāo)免疫算法和線性規(guī)劃的雙行設(shè)備布局方法[J]. 左興權(quán),王春露,趙新超.  自動(dòng)化學(xué)報(bào). 2015(03)



本文編號(hào)：3711074