發(fā)布時間：2021-08-30 21:07

　　最優(yōu)化問題是指在一定的約束條件下,在眾多的可選方案中找到最佳方案,以提高系統(tǒng)整體收益的一類問題。最優(yōu)化問題已廣泛應用于工程技術、經(jīng)濟管理、公共管理、生物醫(yī)學以及科學研究等諸多領域。傳統(tǒng)求解最優(yōu)化問題的方法,如單純形法、梯度下降法等,在滿足某些特定條件下,可以求得理論最優(yōu)解,但對于實際應用中經(jīng)常出現(xiàn)的大規(guī)模高維度非線性問題求解起來則比較困難,且容易陷入局部最優(yōu)。因此,在仿生學的啟發(fā)下,出現(xiàn)了元啟發(fā)式優(yōu)化算法。元啟發(fā)式算法從自然界的隨機現(xiàn)象中獲取靈感,將隨機算法與局部算法相結(jié)合,有一定概率跳出局部最優(yōu),更有可能得到全局最優(yōu)解。而且,元啟發(fā)式算法可以快速地求解那些不存在或者暫時未找到多項式時間內(nèi)的求解算法的問題。另外,元啟發(fā)式算法對目標函數(shù)不存在任何特殊要求（如可微或者凸優(yōu)化）,不局限于具體問題,具有更加廣泛的應用范圍,成為了最優(yōu)化問題研究的熱點之一。但元啟發(fā)式算法并不能保證一定能夠獲得全局最優(yōu)解,經(jīng)常在一些問題上陷入局部最優(yōu)。因此,元啟發(fā)式算法如何平衡探索（exploration）和挖掘（exploitation）之間的關系,為更多、更復雜的優(yōu)化問題尋找更好、更穩(wěn)定的算法便成了新的元啟發(fā)式... 

【文章來源】：吉林大學吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：125 頁

【學位級別】：博士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 演化算法類
        1.2.2 群智能優(yōu)化算法
        1.2.3 基于物理原理的元啟發(fā)式算法
        1.2.4 .其他元啟發(fā)算法
    1.3 論文主要研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 基于伯努利原理的流體搜索優(yōu)化算法
    2.1 伯努利原理
    2.2 流體搜索優(yōu)化算法
    2.3 實驗結(jié)果
        2.3.1 基準測試函數(shù)
        2.3.2 流體搜索優(yōu)化算法測試實驗
        2.3.3 FSO與其他算法的對比實驗
    2.4 結(jié)論
第三章 基于核映射的核搜索優(yōu)化算法
    3.1 核映射的數(shù)學原理
    3.2 核搜索優(yōu)化算法流程
    3.3 實驗結(jié)果
        3.3.1 基準測試函數(shù)
        3.3.2 高維測試函數(shù)優(yōu)化結(jié)果
        3.3.3 高維測試函數(shù)符號秩檢驗結(jié)果
        3.3.4 高維測試函數(shù)運算時間結(jié)果
        3.3.5 高維測試函數(shù)迭代曲線
        3.3.6 低維測試函數(shù)統(tǒng)計結(jié)果
        3.3.7 低維測試函數(shù)符號秩檢驗結(jié)果
        3.3.8 低維測試函數(shù)運算時間結(jié)果
        3.3.9 低維測試函數(shù)迭代曲線
    3.4 結(jié)論
第四章 流體搜索與核搜索優(yōu)化算法在經(jīng)濟排放調(diào)度中的應用
    4.1 引言
    4.2 經(jīng)濟排放調(diào)度問題
        4.2.1 經(jīng)濟排放調(diào)度問題的目標函數(shù)
        4.2.2 經(jīng)濟排放調(diào)度問題的約束條件
    4.3 流體搜索優(yōu)化算法在經(jīng)濟排放調(diào)度中的應用
        4.3.1 FSO在IEEE-30節(jié)點系統(tǒng)的優(yōu)化結(jié)果
        4.3.2 FSO在11發(fā)電機系統(tǒng)的優(yōu)化結(jié)果
    4.4 核搜索優(yōu)化算法在經(jīng)濟排放調(diào)度中的應用
        4.4.1 KSO在IEEE-30節(jié)點系統(tǒng)的優(yōu)化結(jié)果
        4.4.2 KSO在10發(fā)電機系統(tǒng)的優(yōu)化結(jié)果
        4.4.3 KSO在40發(fā)電機系統(tǒng)的優(yōu)化結(jié)果
    4.5 結(jié)論
第五章 流體搜索優(yōu)化算法在微陣列基因選擇中的應用
    5.1 引言
    5.2 基于流體搜索算法的支持向量機優(yōu)化
        5.2.1 支持向量機理論
        5.2.2 基于流體搜索優(yōu)化算法的支持向量機優(yōu)化框架
    5.3 實驗結(jié)果
        5.3.1 微陣列數(shù)據(jù)集
        5.3.2 微陣列數(shù)據(jù)預處理
        5.3.3 對比結(jié)果
    5.4 結(jié)論
第六章 結(jié)論
參考文獻
作者簡介及在學期間所取得的科研成果
致謝


【參考文獻】：
期刊論文
[1]增強性人工蜂群算法及在多閥值圖像分割中的應用（英文）[J]. 高揚,李旭,董明,李鶴鵬.  Journal of Central South University. 2018(01)
[2]基于快速群體智能算法的毫米波天線設計[J]. 陳月云,簡榮靈,趙庸旭.  電子與信息學報. 2018(02)
[3]一種新的群體智能算法——狼群算法[J]. 吳虎勝,張鳳鳴,吳廬山.  系統(tǒng)工程與電子技術. 2013(11)
[4]改進的萬有引力搜索算法在函數(shù)優(yōu)化中的應用[J]. 張維平,任雪飛,李國強,牛培峰.  計算機應用. 2013(05)
[5]基于支持向量機分類的回歸方法[J]. 陶卿,曹進德,孫德敏.  軟件學報. 2002(05)



本文編號：3373504