差分進(jìn)化算法（Differential Evolution,DE）是一種群體智能優(yōu)化算法,近年來(lái)被廣泛應(yīng)用于解決生產(chǎn)生活中的優(yōu)化問(wèn)題。DE算法具有參數(shù)少、優(yōu)化能力較強(qiáng)等優(yōu)點(diǎn),但在處理一些復(fù)雜優(yōu)化問(wèn)題時(shí)依舊存在收斂速度慢、易陷入局部最優(yōu)的不足,影響求解效果。針對(duì)以上不足,本文主要從加快算法收斂速度、降低陷入局部最優(yōu)的概率等方面改進(jìn)DE算法,并將改進(jìn)的算法應(yīng)用于解決化工參數(shù)辨識(shí)問(wèn)題。具體工作如下:（1）綜述了DE算法和其它幾種群智能優(yōu)化算法的基本思想、主要操作。針對(duì)傳統(tǒng)DE算法存在的不足,討論了DE算法的研究現(xiàn)狀和改進(jìn)方向。（2）針對(duì)傳統(tǒng)DE算法在解決復(fù)雜優(yōu)化問(wèn)題時(shí)容易出現(xiàn)收斂速度慢的不足,本文提出了一種余弦適應(yīng)性骨架差分進(jìn)化算法（adaptive bare-bones differential evolution based on cosine,CABDE）。CABDE算法引入了一個(gè)新的變異策略適應(yīng)性機(jī)制,該機(jī)制通過(guò)余弦適應(yīng)性因子融合高斯變異策略和DE/current-to-best/1變異策略。余弦適應(yīng)性因子在進(jìn)化過(guò)程中隨迭代次數(shù)的增加而波動(dòng)性調(diào)整,為不同進(jìn)化階段適應(yīng)性地選擇變異策略,... 

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究的背景與意義
    1.2 幾種常見(jiàn)的群智能優(yōu)化算法
        1.2.1 粒子群優(yōu)化算法
        1.2.2 人工蜂群算法
    1.3 差分進(jìn)化算法及其研究現(xiàn)狀
        1.3.1 差分進(jìn)化算法
        1.3.2 差分進(jìn)化算法研究現(xiàn)狀
        1.3.3 骨架差分進(jìn)化算法研究現(xiàn)狀
    1.4 本文主要研究?jī)?nèi)容和結(jié)構(gòu)安排
第二章 余弦適應(yīng)性骨架差分進(jìn)化算法
    2.1 引言
    2.2 變異策略的適應(yīng)性機(jī)制
    2.3 算法描述與復(fù)雜性分析
    2.4 算法收斂性分析
    2.5 CABDE算法的性能分析
        2.5.1 測(cè)試函數(shù)與實(shí)驗(yàn)設(shè)置
        2.5.2 適應(yīng)性策略的有效性分析
        2.5.3 參數(shù)c_1動(dòng)態(tài)變化的有效性
        2.5.4 與骨架差分進(jìn)化算法比較
        2.5.5 與DE算法變體比較
        2.5.6 與粒子群優(yōu)化算法變體比較
        2.5.7 與新近人工蜂群算法比較
        2.5.8 算法運(yùn)行時(shí)間分析
    2.6 本章小結(jié)
第三章 組合三角變異差分進(jìn)化算法
    3.1 引言
    3.2 高斯變異策略
    3.3 CTMDE算法的變異策略機(jī)制
    3.4 算法描述與復(fù)雜性分析
    3.5 CTMDE算法的性能分析
        3.5.1 測(cè)試函數(shù)與實(shí)驗(yàn)設(shè)置
        3.5.2 變異策略選擇因子Pt值敏感性分析
        3.5.3 變異策略有效性分析
        3.5.4 與新近的DE算法比較
        3.5.5 算法運(yùn)行時(shí)間分析
    3.6 CABDE算法和CTMDE算法比較
    3.7 本章小結(jié)
第四章 改進(jìn)算法在化工參數(shù)辨識(shí)問(wèn)題中的應(yīng)用
    4.1 引言
    4.2 問(wèn)題建模
    4.3 模型求解
        4.3.1 CABDE算法求解模型
        4.3.2 CTMDE算法求解模型
    4.4 與其他算法比較
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
附錄
致謝
攻讀學(xué)位期間的研究成果


【參考文獻(xiàn)】：
期刊論文
[1]一種改進(jìn)的粒子群算法的路徑規(guī)劃研究[J]. 王文豐,宋勇,韓龍哲,包學(xué)才,劉天元,徐燈.  小型微型計(jì)算機(jī)系統(tǒng). 2019(12)
[2]一種求解無(wú)約束優(yōu)化問(wèn)題的新混合共軛梯度法[J]. 唐天國(guó).  西南師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(09)
[3]一種階段性策略自適應(yīng)差分進(jìn)化算法[J]. 倪洪杰,彭春祥,周曉根,俞立.  計(jì)算機(jī)科學(xué). 2019(S1)
[4]集成兩變異策略的差分進(jìn)化算法[J]. 汪慎文,謝承旺,郭肇祿,王培崇,張翠軍.  武漢大學(xué)學(xué)報(bào)(理學(xué)版). 2019(03)
[5]基于共享學(xué)習(xí)策略的微分進(jìn)化算法[J]. 段美軍,楊紅雨,劉洪,陳俊逸,劉宇.  工程科學(xué)與技術(shù). 2019(01)
[6]基于差分進(jìn)化與優(yōu)勝劣汰策略的灰狼優(yōu)化算法[J]. 朱海波,張勇.  南京理工大學(xué)學(xué)報(bào). 2018(06)
[7]基于粒子群算法和投影追蹤分析的干氣密封動(dòng)態(tài)特性優(yōu)化[J]. 劉蘊(yùn),劉全興,殷鳴,殷國(guó)富.  工程科學(xué)與技術(shù). 2019(01)
[8]基于粒子群優(yōu)化的月球捕獲制動(dòng)方法研究[J]. 郭繼峰,白成超,賀國(guó)平.  載人航天. 2018(03)
[9]基于適應(yīng)策略差分進(jìn)化算法的化工反應(yīng)動(dòng)力學(xué)參數(shù)估值[J]. 徐斌,陳旭,陶莉莉,張海峰.  化工進(jìn)展. 2018(06)
[10]帶認(rèn)知因子的交叉鴿群算法[J]. 陶國(guó)嬌,李智.  四川大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(02)

碩士論文
[1]大規(guī)模全局優(yōu)化問(wèn)題的算法研究[D]. 郭思.西安電子科技大學(xué) 2019
[2]基于三角形變異的約束差分進(jìn)化算法研究及其應(yīng)用[D]. 粟朝陽(yáng).桂林理工大學(xué) 2019
[3]基于分解的自適應(yīng)多目標(biāo)粒子群算法[D]. 朱玉菲.青島大學(xué) 2018



本文編號(hào)：3708098