優(yōu)化問題在我們生活中隨處可見,其核心思想是在特定的條件下,通過設計合適的方案,在可行解范圍內探索最優(yōu)解。隨著新技術的發(fā)展,問題的約束條件逐漸復雜,傳統(tǒng)的求解方法心有余而力不足,群智能優(yōu)化算法的誕生彌補了以上不足,該類算法可以更好的解決復雜、非線性、大規(guī)模的問題,具有靈活性好、魯棒性強、求解效率高等優(yōu)勢,因此自從其被提出以來便受到國內外學者的研究和探索,并被廣泛應用于各個領域。隨著研究的不斷深入,群智能優(yōu)化算法的種類得到了不斷的擴充以解決新的復雜問題,果蠅優(yōu)化算法、花授粉算法、鯨魚優(yōu)化算法便是近10年被提出的新型的群智能優(yōu)化算法,三種算法結構簡單,易于理解且便于實現(xiàn),但由于提出時間較晚,缺乏數(shù)學理論基礎,算法具有收斂速度慢、易于陷入局部極值點、求解精度低等缺陷。為了解決上述缺陷,國內外學者分別從搜索半徑、尋優(yōu)公式、參數(shù)選擇等多個方面對算法進行完善,提高了算法的尋優(yōu)性能并擴充了應用領域,但是隨著優(yōu)化問題的日益復雜,算法的尋優(yōu)能力需要不斷地提升。因此,為了進一步提高算法的尋優(yōu)性能,本文在結合前人研究的基礎上,提出了三種新型改進算法,改進措施如下:(1)動態(tài)調整搜索策略的果蠅優(yōu)化算法:首先,通...

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 論文研究背景及意義
    1.2 三種群智能優(yōu)化算法概述
        1.2.1 基本果蠅優(yōu)化算法
        1.2.2 基本花授粉算法
        1.2.3 基本鯨魚優(yōu)化算法
    1.3 論文研究內容及創(chuàng)新
        1.3.1 研究內容
        1.3.2 研究創(chuàng)新
    1.4 論文結構及章節(jié)安排
第二章 動態(tài)調整搜索策略的果蠅優(yōu)化算法
    2.1 FOAASS算法改進策略
        2.1.1 通過混沌映射改善初始位置分布
        2.1.2 通過預測種群進化方向提高收斂速度
        2.1.3 通過動態(tài)調整搜索半徑增強搜索能力
        2.1.4 通過動態(tài)調整搜索策略跳出局部最優(yōu)
    2.2 FOAASS算法實現(xiàn)步驟
    2.3 仿真實驗及結果分析
        2.3.1 仿真實驗設計
        2.3.2 固定迭代次數(shù)下的性能測試及分析
        2.3.3 固定收斂精度下的性能測試及分析
    2.4 本章小結
第三章 基于動態(tài)調整和協(xié)同搜索的花授粉算法
    3.1 FPADC算法改進策略
        3.1.1 通過霍爾頓序列提高初始解質量
        3.1.2 通過細化群體分工提高收斂精度
        3.1.3 通過動態(tài)調整轉換概率平衡搜索能力
        3.1.4 通過動態(tài)調整尋優(yōu)公式改善搜索性能
    3.2 FPADC算法實現(xiàn)步驟
    3.3 仿真實驗及結果分析
        3.3.1 仿真實驗設計
        3.3.2 固定迭代次數(shù)下的性能測試及分析
        3.3.3 固定收斂精度下的性能測試及分析
    3.4 本章小結
第四章 動態(tài)搜索和協(xié)同進化的鯨魚優(yōu)化算法
    4.1 DCWOA算法改進策略
        4.1.1 通過Faure序列優(yōu)化初始位置分布
        4.1.2 通過種群個體協(xié)同進化提高尋優(yōu)精度
        4.1.3 通過動態(tài)調整收斂因子平衡搜索能力
        4.1.4 通過動態(tài)調整搜索方程改善搜索性能
    4.2 DCWOA算法實現(xiàn)步驟
    4.3 仿真實驗及結果分析
        4.3.1 仿真實驗設計
        4.3.2 固定迭代次數(shù)下的性能測試及分析
        4.3.3 固定收斂精度下的性能測試及分析
    4.4 本章小結
第五章 結論與展望
    5.1 主要研究成果及結論
    5.2 展望
參考文獻
致謝
攻讀學位期間的研究成果



本文編號：3949220