發(fā)布時間：2017-12-28 08:06

  本文關(guān)鍵詞：基于協(xié)同進化的大規(guī)模優(yōu)化算法　出處：《鄭州大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 大規(guī)模優(yōu)化問題 動態(tài)多種群粒子群優(yōu)化算法 種群初始化策略 大規(guī)模優(yōu)化算法基準測試函數(shù) 協(xié)同進化策略

【摘要】：隨著工程技術(shù)的發(fā)展與優(yōu)化問題數(shù)學(xué)模型的逐漸完善,很多優(yōu)化問題從最初的低維優(yōu)化發(fā)展成為現(xiàn)在的高維優(yōu)化問題。因此具有高維特性的大規(guī)模問題成為了當前研究的熱點問題,并且在工程實踐中也有廣泛應(yīng)用。雖然最近幾年進化優(yōu)化在許多實值和組合優(yōu)化問題上取得了很大的成功,但是大多數(shù)的隨機優(yōu)化算法,包括粒子群優(yōu)化算法、差分進化算法和遺傳算法都會遭受“維數(shù)災(zāi)難”,隨著搜索空間維數(shù)的增加,算法的性能急劇退化。因此,與拓撲結(jié)構(gòu)簡單的低維問題相比,大規(guī)模問題的全局最優(yōu)解是很難找到的。綜上所述,本文在動態(tài)多種群粒子群優(yōu)化算法中引入?yún)f(xié)同進化策略來求解大規(guī)模優(yōu)化問題。首先,本文介紹了大規(guī)模優(yōu)化問題的研究背景及意義,介紹了進化算法在大規(guī)模優(yōu)化領(lǐng)域的研究現(xiàn)狀。重點講述了粒子群優(yōu)化算法在大規(guī)模問題中的應(yīng)用,并介紹了粒子群優(yōu)化算法的特點。隨后又簡述了近些年來粒子群優(yōu)化算法的發(fā)展歷程和研究方向。同時介紹了一些大規(guī)模優(yōu)化問題的解決方案,為算法對比提供了基礎(chǔ)。其次,介紹了大規(guī)模優(yōu)化算法的基準測試函數(shù),說明這些函數(shù)的性質(zhì),表現(xiàn)出大規(guī)模問題的特點。接著,提出了高維空間中的種群初始化方法。主要通過與基本的隨機數(shù)生成器的初始化結(jié)果進行對比,說明在大規(guī)模優(yōu)化問題中,不同初始化方法的不同作用。使算法的種群在決策空間中分布更加均勻,使算法避免陷入局部最優(yōu)解。最后,針對大規(guī)模優(yōu)化問題的特點,提出多種群動態(tài)的協(xié)同進化算法,重點討論了該算法的特點、以及算法中涉及到的策略調(diào)整等。使用動態(tài)粒子群優(yōu)化算法來解決具有大量決策變量的優(yōu)化問題。通過與近些年提出的幾個大規(guī)模進化算法的對比試驗,驗證算法的有效性。
[Abstract]:With the development and optimization of engineering technology and the gradual improvement of mathematical models, many optimization problems develop from the initial low dimensional optimization to the current high-dimensional optimization problem. Therefore, the large-scale problem with high dimensional characteristics has become a hot issue in the current research and has been widely used in engineering practice. Although in recent years evolutionary optimization has achieved great success in many real and combinatorial optimization problems, but most of the stochastic optimization algorithms, such as particle swarm optimization algorithm, differential evolution algorithm and genetic algorithm will suffer from the "Curse of dimensionality", with the increase of the search space dimension, the algorithm performance degradation. Therefore, it is difficult to find the global optimal solution of the large-scale problem compared with the low dimensional problem with simple topology. To sum up, this paper introduces co evolution strategy in dynamic multigroup particle swarm optimization algorithm to solve large-scale optimization problems. First, this paper introduces the research background and significance of the large-scale optimization problem, and introduces the research status of the evolutionary algorithm in the large-scale optimization field. This paper focuses on the application of particle swarm optimization in large-scale problems, and introduces the characteristics of particle swarm optimization (PSO) algorithm. Then the development and research direction of particle swarm optimization (PSO) algorithm in recent years are briefly described. At the same time, some solutions for large-scale optimization problems are introduced, which provides a basis for algorithm comparison. Secondly, the reference test function of large-scale optimization algorithm is introduced, and the properties of these functions are illustrated, and the characteristics of large-scale problems are shown. Then, the method of population initialization in high dimensional space is proposed. By comparing with the initialization results of the basic random number generator, it is shown that the different initialization methods are different in the large-scale optimization problem. The population of the algorithm is more evenly distributed in the decision space, so that the algorithm can avoid falling into the local optimal solution. Finally, aiming at the characteristics of large-scale optimization problems, we propose a multigroup dynamic co evolutionary algorithm, focusing on the characteristics of the algorithm and the strategy adjustment involved in the algorithm. The dynamic particle swarm optimization (PSO) algorithm is used to solve the optimization problem with a large number of decision variables. The effectiveness of the algorithm is verified by comparison with several large-scale evolutionary algorithms proposed in recent years.
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP18

【相似文獻】

相關(guān)期刊論文 前10條

1 翟云;楊炳儒;王樹鵬;張德政;安冰;;基于協(xié)同進化機制的欠采樣方法[J];北京科技大學(xué)學(xué)報;2011年12期

2 劉小勇;劉軍;趙桂榮;馬靜;王勇超;;一種協(xié)同進化模型的研究[J];計算機工程與應(yīng)用;2012年08期

3 張騫;李克清;戴歡;劉帥;;基于協(xié)同進化蜂群算法的覆蓋優(yōu)化策略[J];計算機工程與設(shè)計;2014年04期

4 王文韜;易維列;何永保;;合作式協(xié)同進化用于模糊系統(tǒng)的自動生成[J];模式識別與人工智能;2002年02期

5 袁琦;;基于多種群協(xié)同進化的物流配送路徑優(yōu)化[J];寧波大學(xué)學(xué)報(理工版);2010年02期

6 楊莉萍;黃厚寬;;基于雙向維度抽取的協(xié)同進化存檔算法[J];北京交通大學(xué)學(xué)報;2010年05期

7 戴維;邊耐政;王碩;王金鎖;;免疫協(xié)同進化模型在電子政務(wù)中的應(yīng)用[J];微計算機信息;2012年01期

8 李碧,雍正正,周安寧;一種嵌入式的協(xié)同進化模型[J];計算機工程與應(yīng)用;2005年09期

9 李航;寇紀淞;李敏強;;一類基于協(xié)同進化模型的混沌系統(tǒng)[J];系統(tǒng)仿真學(xué)報;2008年18期

10 陳峰;武小悅;;基于協(xié)同進化的航天測控資源優(yōu)化調(diào)度[J];系統(tǒng)工程與電子技術(shù);2009年11期

相關(guān)會議論文 前10條

1 何敏;陳中顯;梅松濤;;蟻群算法的研究與進展[A];中國計量協(xié)會冶金分會2010年會論文集[C];2010年

2 高瑋;;免疫連續(xù)蟻群算法[A];第二十六屆中國控制會議論文集[C];2007年

3 唐乾玉;韓曾晉;;基于擾動分析的優(yōu)化算法[A];1994中國控制與決策學(xué)術(shù)年會論文集[C];1994年

4 金成勛;周廣祿;郭恒業(yè);;對ICP算法中穩(wěn)定采樣的研究[A];立體圖象技術(shù)及其應(yīng)用研討會論文集[C];2005年

5 陳元琰;閆友彪;羅曉曙;;REM算法的改進[A];廣西計算機學(xué)會2005年學(xué)術(shù)年會論文集[C];2005年

6 范瑛;;改進蟻群算法結(jié)合BP網(wǎng)絡(luò)用于入侵檢測[A];中國運籌學(xué)會模糊信息與模糊工程分會第五屆學(xué)術(shù)年會論文集[C];2010年

7 萬麗芬;鐘炎平;;約束LMS算法研究[A];第二十屆電工理論學(xué)術(shù)年會論文集[C];2008年

8 云飛;薛青;姚義軍;;改進型LMBP算法在軍事數(shù)據(jù)分析中的應(yīng)用研究[A];'2010系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2010年

9 朱雙東;艾智斌;閻夏;;BP網(wǎng)絡(luò)學(xué)習(xí)算法的改進方案探析[A];1998年中國智能自動化學(xué)術(shù)會議論文集（上冊）[C];1998年

10 唐乾玉;陳翰馥;韓曾晉;;串行生產(chǎn)線的參數(shù)優(yōu)化[A];1994年中國控制會議論文集[C];1994年

相關(guān)重要報紙文章 前4條

1 陳海波;科學(xué)與藝術(shù)可以協(xié)同進化[N];光明日報;2014年

2 徐艷梅　司高飛;生態(tài)學(xué)對企業(yè)的啟發(fā)[N];中國企業(yè)報;2005年

3 奇 云;蜂鳥與鮮花協(xié)同進化和諧共存[N];大眾科技報;2005年

4 電腦商報記者 彭敏;紅旗IVI：追求協(xié)同進化[N];電腦商報;2011年

相關(guān)博士學(xué)位論文 前10條

1 胡志華;基于免疫系統(tǒng)的協(xié)同進化機制及其應(yīng)用研究[D];東華大學(xué);2009年

2 劉健;基于協(xié)同進化理論的圖書館知識生態(tài)化機理與技術(shù)實現(xiàn)研究[D];吉林大學(xué);2015年

3 王梅;基于生態(tài)原理的學(xué)科協(xié)同進化研究[D];天津大學(xué);2006年

4 霍軍周;人機結(jié)合協(xié)同進化設(shè)計方法及其應(yīng)用[D];大連理工大學(xué);2007年

5 慕彩紅;協(xié)同進化數(shù)值優(yōu)化算法及其應(yīng)用研究[D];西安電子科技大學(xué);2010年

6 殷紅春;品牌生態(tài)系統(tǒng)復(fù)雜適應(yīng)性及協(xié)同進化研究[D];天津大學(xué);2005年

7 劉文俊;基于協(xié)同進化的群體規(guī)劃研究及其應(yīng)用[D];華中科技大學(xué);2013年

8 楊擴軍;TIADC系統(tǒng)校準算法研究與實現(xiàn)[D];電子科技大學(xué);2015年

9 黃亞魁;幾類優(yōu)化問題的BB型算法研究[D];西安電子科技大學(xué);2015年

10 王戈;通信信號若干聯(lián)合處理技術(shù)研究[D];解放軍信息工程大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 劉睿;基于協(xié)同進化的大規(guī)模優(yōu)化算法[D];鄭州大學(xué);2017年

2 張雪;基于協(xié)同進化的混合智能優(yōu)化算法在SMT中的應(yīng)用研究[D];華南理工大學(xué);2015年

3 石江坤;基于復(fù)雜適應(yīng)性的青島市品牌生態(tài)系統(tǒng)協(xié)同進化研究[D];山東財經(jīng)大學(xué);2015年

4 李陽;基于協(xié)同進化和譜聚類的大規(guī)模數(shù)據(jù)集快速聚類方法研究[D];西安電子科技大學(xué);2014年

5 張曉茹;協(xié)同進化果蠅免疫優(yōu)化算法及應(yīng)用[D];貴州大學(xué);2016年

6 侯魯洋;AGV系統(tǒng)規(guī)劃設(shè)計若干關(guān)鍵問題及求解方法研究[D];大連理工大學(xué);2016年

7 苑紅星;基于協(xié)同進化的混合智能優(yōu)化算法研究[D];安徽大學(xué);2017年

8 李同喜;支持學(xué)習(xí)的協(xié)同進化模型研究及應(yīng)用[D];山東師范大學(xué);2008年

9 張桂娟;自適應(yīng)協(xié)同進化模型及應(yīng)用[D];山東師范大學(xué);2006年

10 張騰月;陜西軍民融合產(chǎn)業(yè)園內(nèi)組織成員協(xié)同進化研究[D];西安工業(yè)大學(xué);2014年

，

本文編號：1345230