本文關(guān)鍵詞：模因計算框架下的群智能優(yōu)化算法的研究與應用，由筆耕文化傳播整理發(fā)布。

【摘要】：群智能是一種啟發(fā)式優(yōu)化算法,是通過模擬大自然中各種物種(比如生物、昆蟲或動物等)的覓食等行為,利用群體中個體間的互動,實現(xiàn)了最優(yōu)化目標的求解�，F(xiàn)實生活中,很多實際問題都是最優(yōu)化問題,比如圖像分割問題、基因聚類問題、社會網(wǎng)絡聚類問題、醫(yī)療診斷中的分類和預測問題、經(jīng)濟派遣問題、護士排班問題、車輛路徑問題等,而群智能算法在解決這些問題上,表現(xiàn)出良好的性能,并已經(jīng)成為目前研究的一個熱點。然而,還有很多問題亟待解決,比如算法尋優(yōu)的速度,尋優(yōu)的精度等。而且,理論上已經(jīng)證明,任何一個群智能算法都不能解決所有優(yōu)化問題。模因論(memetic)是受達爾文自然進化原則及道金斯的文化進化概念啟發(fā)的計算智能領域。模因可以被理解為‘文化基因’,與基因不同的是,文化基因有繼承和傳播的特征。模因論使用復雜的結(jié)構(gòu),比如簡單個體的組合及模因(memes)來解決問題。模因計算(Memetic Computing)的全局搜索和局部搜索的結(jié)合機制使其搜索效率在某些問題領域比傳統(tǒng)的一些智能算法快幾個數(shù)量級,可應用于廣泛的優(yōu)化問題領域并得到滿意的結(jié)果。模因計算提出的是一種框架、是一個概念,在這個框架下,采用不同的搜索策略可以構(gòu)造不同的群智能算法。對此,本文的研究重點是深入研究模因計算框架下的群智能優(yōu)化算法的思想及理論,對腫瘤生長機制及數(shù)學模型做深入研究和探索,受此啟發(fā),以模因計算框架為基礎,提出新的群智能算法---入侵腫瘤生長優(yōu)化算法(ITGO),并將其應用到聚類問題及支持向量機優(yōu)化問題中。本文主要圍繞模因計算框架下群智能算法的改進及腫瘤生長理論和方法而展開研究,并完成了以下主要工作內(nèi)容和創(chuàng)新點:1)在模因計算框架下,由于傳統(tǒng)量子粒子群算法只考慮了局部搜索能力,降低了算法的尋優(yōu)的精度,特別是,在解決大規(guī)模優(yōu)化問題上,性能明顯下降。對此,我們首先對傳統(tǒng)的局部搜索策略進行了改進,采用新的加權(quán)方法,加強局部搜索能力。在此基礎上,為了加強算法的全局搜索能力,研究模因算法的規(guī)律,并假設粒子(鳥)中有“鳥王”的存在,并對此建立有記憶的數(shù)學模型。記憶反映了模因繼承的特征。而有記憶規(guī)則可以增加算法的多樣性,使得算法不易陷入局部最優(yōu)。最后,我們提出結(jié)合模因算法的有記憶的量子粒子算法(SMQPSO)。優(yōu)化實驗結(jié)果表明,模因計算框架下的量子粒子群算法,在解決大規(guī)模優(yōu)化問題上,表現(xiàn)出較好的性能。2)混合蛙跳算法(SFLA)是典型的模因計算框架下的群智能優(yōu)化算法。其局部搜索采納了簡化的粒子群搜索規(guī)則,而模因混洗策略加強了其全局搜索能力。但簡化的粒子群搜索規(guī)則收斂速度較慢,精度也不高。另外,在青蛙搜索過程中,經(jīng)常發(fā)生青蛙越界的問題。對此,在局部搜索策略上,本文引入重心吸引因子,以提高青蛙探索能力;采納空間縮放的方法解決青蛙越界問題,提出有重心的空間縮放混合蛙跳算法(sg SFLA)。優(yōu)化實驗證明,改進的算法既解決了青蛙越界問題,也提高了算法的性能。3)在模因計算框架下,傳統(tǒng)教與學優(yōu)化算法選擇了較好的局部搜索策略,而忽略了全局搜索能力。只考慮了模因的繼承特征而沒有考慮模因的傳遞特征。具體表現(xiàn)為,算法只考慮一個班的情況,而且學生之間互動學習過程中,沒有考慮教師的引導作用,從而降低了算法解決多模優(yōu)化問題的精度。對此,本文使用模因混洗策略,提出多班的教與學優(yōu)化算法(CTLBO)。實驗結(jié)果表明,由于新的框架增加了算法的多樣性,使得算法在解決多模優(yōu)化問題上,表現(xiàn)出較好的性能。4)通過對量子粒子群算法、混合蛙跳算法及教與學優(yōu)化算法機制的深入研究,掌握了模因計算框架下群智能算法設計的基本原則。通過對入侵腫瘤生長機制及數(shù)學模型的深入研究,受人類大腦中腫瘤生長及入侵行為的啟發(fā),提出入侵腫瘤生長優(yōu)化算法(ITGO)。在模因計算框架下,腦瘤中的細胞可分為入侵細胞群、增殖細胞群、休眠細胞群和快死的細胞群,不同子群的互換機制,保證算法的全局搜索能力。局部搜索能力,表現(xiàn)在不同細胞子群自身的搜索規(guī)則,這可以保證算法的搜索速度。為了模擬腫瘤生長機制,我們假設,增殖細胞的入侵行為符合levy分布的;休眠細胞的生長是通過增殖細胞引導及休眠細胞之間的互動完成的;而快死了的細胞的生長是受增殖細胞和休眠細胞的引導而完成的,并且他們有可能死亡。最后,實驗結(jié)果表明了入侵腫瘤生長優(yōu)化算法的性能。5)使用入侵腫瘤生長優(yōu)化算法(ITGO)解決聚類問題及支持向量機優(yōu)化問題。聚類問題往往被看做為一種多模的連續(xù)優(yōu)化問題,理論已經(jīng)證明,其為NP問題。對聚類中心進行編碼,目標是實現(xiàn)類內(nèi)樣本距離最近,而類與類之間距離最遠。實驗結(jié)果表明,本文提出的算法降低了聚類的錯誤率。而支持向量機(SVM)是機器學習中十分重要的一個算法。由于其較好的性能而被廣泛使用。但其性能受到其參數(shù)的影響,其參數(shù)優(yōu)化問題,成為使用支持向量機的關(guān)鍵問題。對此,我們使用入侵腫瘤生長優(yōu)化算法來解決這個問題,實驗結(jié)果表明,本文提出的算法提高了算法分類的準確率。以上工作都是圍繞模因計算框架下的群智能算法及入侵腫瘤生長理論和方法的研究而展開,不僅涉及模因論、物理理論、統(tǒng)計方法及入侵腫瘤生長理論而且也有數(shù)據(jù)挖掘、機器學習方面的理論實踐,體現(xiàn)了對群智能算法研究的深度和系統(tǒng)性。本文研究成果有助于人們進一步研究模因計算框架下的其他群智能算法的理論和方法,并將本文提出的算法推廣到更多領域,解決現(xiàn)實中更多復雜的優(yōu)化問題。
【關(guān)鍵詞】：模因計算 群智能優(yōu)化 入侵腫瘤生長 聚類 支持向量機
【學位授予單位】：華南理工大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TP18
【目錄】：

• 摘要5-8
• ABSTRACT8-21
• 第一章 緒論21-29
• 1.1 研究背景21-23
• 1.2 國內(nèi)外研究現(xiàn)狀23-27
• 1.2.1 模因計算23-24
• 1.2.2 智能算法24-27
• 1.3 研究目的27
• 1.4 研究意義27-28
• 1.5 研究內(nèi)容及論文結(jié)構(gòu)28-29
• 第二章 群智能優(yōu)化算法綜述29-42
• 2.1 群智能優(yōu)化技術(shù)研究29-30
• 2.2 最優(yōu)化問題的定義30-31
• 2.3 模因計算31-33
• 2.4 量子粒子群算法33-36
• 2.5 混合蛙跳算法36-38
• 2.6 教與學優(yōu)化算法38-40
• 2.7 本章小結(jié)40-42
• 第三章 基于模因論的量子粒子群算法42-79
• 3.1 粒子群算法42
• 3.2 量子粒子群算法42-47
• 3.2.1 量子粒子群算法原理42-44
• 3.2.2 加強的量子粒子群算法44-47
• 3.3 具有模因特征及記憶的量子粒子群算法47-77
• 3.3.1. 概述47-49
• 3.3.2 相關(guān)工作的討論49
• 3.3.3 具有模因特征及記憶的量子粒子群算法49-77
• 3.4 本章小結(jié)77-79
• 第四章 基于空間縮放的混合蛙跳算法79-89
• 4.1 簡介79
• 4.2 混合蛙跳算法79-80
• 4.3 改進的混合蛙跳算法80-85
• 4.3.1. 空間縮放因子83
• 4.3.2. 重心吸引因子83
• 4.3.3.. zg SFLA算法83-85
• 4.4 實驗分析85-87
• 4.5. 本章小結(jié)87-89
• 第五章 基于模因論的教與學優(yōu)化算法89-97
• 5.1 基于教與學的最優(yōu)化算法89-91
• 5.2 具有模因特征的TLBO算法91-92
• 5.3 實驗結(jié)果與分析92-96
• 5.4. 本章小結(jié)96-97
• 第六章 入侵腫瘤生長優(yōu)化算法97-151
• 6.1 腫瘤生長研究97-108
• 6.1.1 腫瘤生長機制97-102
• 6.1.2 腫瘤生長的數(shù)學模型102-108
• 6.2. 入侵腫瘤生長優(yōu)化模型108-110
• 6.3. 入侵腫瘤生長最優(yōu)化算法的設計110-52
• 6.3.1 入侵腫瘤生長最優(yōu)化模型110-115
• 6.3.2 入侵腫瘤生長算法115-120
• 5.3.3 算法分析120-52
• 6.4 實驗結(jié)果和分析52-149
• 6.4.1 實驗配置123-127
• 6.4.2 ITGO算法參數(shù)調(diào)整127-131
• 6.4.3 基本全局最優(yōu)化實驗131-138
• 6.4.4 其他改進算法的比較138-141
• 6.4.5 大規(guī)模全局優(yōu)化實驗比較經(jīng)典算法141-148
• 6.4.6 大規(guī)模優(yōu)化問題實驗比較改進的PSO148-149
• 6.5 本章小結(jié)149-151
• 第七章 入侵腫瘤生長算法的應用151-164
• 7.1 入侵腫瘤生長算法在聚類問題中的應用151-159
• 7.1.1 聚類問題151-152
• 7.1.2 ITGO聚類問題152-159
• 7.2 入侵腫瘤生長算法解決支持向量機參數(shù)優(yōu)化問題159-163
• 7.2.1 支持向量機159-160
• 7.2.2 模型參數(shù)優(yōu)化160-161
• 7.2.3 實驗結(jié)果和分析161-163
• 7.3 本章小結(jié)163-164
• 結(jié)論164-166
• 參考文獻166-186
• 攻讀博士學位期間取得的研究成果186-187
• 致謝187-188
• 附件188

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 楊芳勛;孫躍;夏晨陽;;求解ICPT電源規(guī)劃問題的改進混合蛙跳算法[J];重慶大學學報;2012年06期

2 廖玉忠;張自林;;基于改進量子粒子群算法的雷達布站優(yōu)化研究[J];航天電子對抗;2011年02期

3 王茜;張粒子;舒雋;王楠;;基于閾值選擇策略的改進混合蛙跳算法在電網(wǎng)規(guī)劃中的應用[J];電力系統(tǒng)保護與控制;2011年03期

4 孟慶瑩;王聯(lián)國;;基于鄰域正交交叉算子的混合蛙跳算法[J];計算機工程與應用;2011年36期

5 歐陽;孫元姝;;基于改進混合蛙跳算法的網(wǎng)格任務調(diào)度策略[J];計算機工程;2011年21期

6 王玲,薄列峰,劉芳,焦李成;最小二乘隱空間支持向量機[J];計算機學報;2005年08期

7 邵信光;楊慧中;陳剛;;基于粒子群優(yōu)化算法的支持向量機參數(shù)選擇及其應用[J];控制理論與應用;2006年05期

8 何紅;拓守恒;;教與學優(yōu)化算法在梯級水庫優(yōu)化調(diào)度中的應用[J];計算機與數(shù)字工程;2013年07期

9 何紅;孫根年;;基于教與學優(yōu)化算法的智能旅游線路優(yōu)化[J];陜西理工學院學報(自然科學版);2015年01期

10 駱劍平;陳泯融;;混合蛙跳算法及其改進算法的運動軌跡及收斂性分析[J];信號處理;2010年09期

  本文關(guān)鍵詞：模因計算框架下的群智能優(yōu)化算法的研究與應用，由筆耕文化傳播整理發(fā)布。

，

本文編號：328931