發(fā)布時(shí)間：2023-06-01 00:14

　　群智能優(yōu)化算法是一類通過(guò)模擬自然界生物種群的智能行為而產(chǎn)生的隨機(jī)優(yōu)化算法,具有對(duì)目標(biāo)函數(shù)的要求不高、不依賴于初值的選取等特點(diǎn),為許多領(lǐng)域中的優(yōu)化問(wèn)題提供了卓有成效的解決方案.目前,已經(jīng)提出了多種新興或改進(jìn)的群智能優(yōu)化算法,其中一些算法的有效性不僅在理論上得到了驗(yàn)證,在實(shí)際中也得到了應(yīng)用,但是對(duì)群智能優(yōu)化算法的研究在很多方面仍存在可以提升的空間.例如,如何在算法的探索能力和開發(fā)能力之間達(dá)到較好的平衡仍是一個(gè)值得探討的問(wèn)題.另外,有些算法在解決實(shí)際問(wèn)題時(shí)存在計(jì)算精度不高、收斂速度慢或易于陷入局部最優(yōu)等問(wèn)題,提出相應(yīng)的改進(jìn)算法具有重要意義.此外,已提出的優(yōu)化算法通常是針對(duì)某個(gè)特定問(wèn)題而設(shè)計(jì)的,當(dāng)將其應(yīng)用到其他問(wèn)題時(shí)存在失去效力的風(fēng)險(xiǎn),具有一定的局限性,因此,采用具有不同復(fù)雜特性的測(cè)試函數(shù)來(lái)綜合評(píng)判算法的優(yōu)化性能很有必要.另一方面,分?jǐn)?shù)階系統(tǒng)的參數(shù)辨識(shí)問(wèn)題是非線性系統(tǒng)的控制與同步領(lǐng)域中非常重要的一個(gè)研究課題,可以通過(guò)建立數(shù)學(xué)模型將其轉(zhuǎn)化為一個(gè)多維優(yōu)化問(wèn)題,然而由于分?jǐn)?shù)階微分算子的引入和非線性系統(tǒng)的復(fù)雜性,構(gòu)造的適應(yīng)度函數(shù)可能存在多個(gè)局部極值點(diǎn),傳統(tǒng)的優(yōu)化算法往往難以處理,而原始的群智能優(yōu)化算法...

【文章頁(yè)數(shù)】：160 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
致謝
摘要
ABSTRACT
第一章 緒論
    1.1 優(yōu)化問(wèn)題與優(yōu)化算法概述
        1.1.1 優(yōu)化問(wèn)題及其分類
        1.1.2 優(yōu)化算法的研究現(xiàn)狀
    1.2 群智能優(yōu)化算法概述
        1.2.1 群智能優(yōu)化算法的發(fā)展歷程
        1.2.2 群智能優(yōu)化算法的研究現(xiàn)狀
    1.3 分?jǐn)?shù)階系統(tǒng)參數(shù)辨識(shí)的研究現(xiàn)狀
        1.3.1 混沌控制與同步概述
        1.3.2 整數(shù)階非線性系統(tǒng)的參數(shù)辨識(shí)方法
        1.3.3 分?jǐn)?shù)階非線性系統(tǒng)的參數(shù)辨識(shí)方法
    1.4 本文的主要工作
        1.4.1 本文的研究?jī)?nèi)容
        1.4.2 本文的組織結(jié)構(gòu)
第二章 基礎(chǔ)知識(shí)
    2.1 布谷鳥搜索算法
        2.1.1 布谷鳥搜索算法的啟發(fā)背景
        2.1.2 布谷鳥搜索算法的原理
        2.1.3 布谷鳥搜索算法的研究現(xiàn)狀
    2.2 其他幾種常見(jiàn)的群智能優(yōu)化算法
        2.2.1 蟻群優(yōu)化算法
        2.2.2 粒子群優(yōu)化算法
        2.2.3 人工蜂群算法
    2.3 分?jǐn)?shù)階微積分概述
        2.3.1 分?jǐn)?shù)階微積分的定義和性質(zhì)
        2.3.2 分?jǐn)?shù)階微分方程的數(shù)值解法
    2.4 基于優(yōu)化方法的分?jǐn)?shù)階系統(tǒng)的參數(shù)辨識(shí)
        2.4.1 整數(shù)階非線性系統(tǒng)的參數(shù)辨識(shí)模型
        2.4.2 分?jǐn)?shù)階非線性系統(tǒng)的參數(shù)辨識(shí)模型
        2.4.3 群智能優(yōu)化算法對(duì)系統(tǒng)未知參數(shù)的辨識(shí)
第三章 基于混合布谷鳥搜索算法的整數(shù)階非線性系統(tǒng)的參數(shù)辨識(shí)
    3.1 引言
    3.2 混合布谷鳥搜索(HCS)算法
        3.2.1 基于差分進(jìn)化的隨機(jī)游走
        3.2.2 反向?qū)W習(xí)方法
        3.2.3 HCS算法的操作步驟
    3.3 數(shù)值實(shí)驗(yàn)及結(jié)果分析
        3.3.1 無(wú)時(shí)滯混沌系統(tǒng)的參數(shù)辨識(shí)
        3.3.2 時(shí)滯混沌系統(tǒng)的參數(shù)辨識(shí)
        3.3.3 HCS算法組成部分有效性的測(cè)試
    3.4 本章小結(jié)
第四章 基于改進(jìn)的量子行為粒子群優(yōu)化算法的分?jǐn)?shù)階系統(tǒng)的參數(shù)辨識(shí)
    4.1 引言
    4.2 量子行為粒子群優(yōu)化算法簡(jiǎn)介
        4.2.1 量子行為粒子群優(yōu)化算法的啟發(fā)背景
        4.2.2 量子行為粒子群優(yōu)化算法原理
    4.3 改進(jìn)的量子行為粒子群優(yōu)化(IQPSO)算法
        4.3.1 基于適應(yīng)度值的平均最優(yōu)位置
        4.3.2 推廣的反向?qū)W習(xí)方法
        4.3.3 差分變異算子
        4.3.4 IQPSO算法的操作步驟
    4.4 數(shù)值實(shí)驗(yàn)及結(jié)果分析
        4.4.1 不同階次分?jǐn)?shù)階經(jīng)濟(jì)混沌系統(tǒng)的參數(shù)辨識(shí)
        4.4.2 不同階次分?jǐn)?shù)階R¨ossler混沌系統(tǒng)的參數(shù)辨識(shí)
    4.5 本章小結(jié)
第五章 基于參數(shù)自適應(yīng)的新型布谷鳥搜索算法的函數(shù)優(yōu)化及應(yīng)用
    5.1 參數(shù)自適應(yīng)的新型布谷鳥搜索(CSAPC)算法
        5.1.1 CSAPC算法的思想
        5.1.2 CSAPC算法的操作步驟
    5.2 數(shù)值實(shí)驗(yàn)及結(jié)果分析
        5.2.1 測(cè)試函數(shù)和參數(shù)設(shè)置
        5.2.2 參數(shù)自適應(yīng)策略對(duì)CS算法的有效性研究
        5.2.3 維數(shù)對(duì)CSAPC算法的影響研究
        5.2.4 種群大小對(duì)CSAPC算法的影響研究
        5.2.5 與其他CS改進(jìn)算法的對(duì)比
        5.2.6 與其他不同優(yōu)化算法的對(duì)比
        5.2.7 優(yōu)化CEC2013測(cè)試函數(shù)集的實(shí)驗(yàn)結(jié)果
    5.3 CSAPC算法及其改進(jìn)算法在分?jǐn)?shù)階系統(tǒng)參數(shù)辨識(shí)中的應(yīng)用
        5.3.1 CSAPC算法對(duì)分?jǐn)?shù)階混沌系統(tǒng)未知參數(shù)的辨識(shí)
        5.3.2 改進(jìn)的CSAPC算法對(duì)分?jǐn)?shù)階生物系統(tǒng)未知參數(shù)的辨識(shí)
    5.4 本章小結(jié)
第六章 基于帶有外部存檔的自適應(yīng)布谷鳥搜索算法的函數(shù)優(yōu)化及應(yīng)用
    6.1 帶有外部存檔的自適應(yīng)布谷鳥搜索(ACS-OEA)算法
        6.1.1 ACS-OEA算法的思想
        6.1.2 ACS-OEA算法的操作步驟
    6.2 數(shù)值實(shí)驗(yàn)及結(jié)果分析
        6.2.1 測(cè)試函數(shù)和參數(shù)設(shè)置
        6.2.2 搜索趨勢(shì)的研究
        6.2.3 所提出策略對(duì)CS算法的有效性研究
        6.2.4 維數(shù)對(duì)ACS-OEA算法的影響研究
        6.2.5 與其他CS改進(jìn)算法的對(duì)比
        6.2.6 與其他不同優(yōu)化算法的對(duì)比
        6.2.7 優(yōu)化CEC2013測(cè)試函數(shù)集的實(shí)驗(yàn)結(jié)果
    6.3 ACS-OEA算法在分?jǐn)?shù)階憶阻器系統(tǒng)參數(shù)辨識(shí)中的應(yīng)用
    6.4 本章小結(jié)
第七章 對(duì)布谷鳥搜索算法中概率分布函數(shù)的分析
    7.1 引言
    7.2 基于不同重尾分布的布谷鳥搜索算法
        7.2.1 幾種常見(jiàn)的重尾分布
        7.2.2 算法步驟
    7.3 數(shù)值實(shí)驗(yàn)及結(jié)果分析
        7.3.1 測(cè)試函數(shù)和參數(shù)設(shè)置
        7.3.2 不同重尾分布對(duì)CS算法的影響研究
        7.3.3 維數(shù)對(duì)算法的影響研究
    7.4 本章小結(jié)
第八章 結(jié)論與展望
    8.1 結(jié)論
    8.2 展望
參考文獻(xiàn)
作者簡(jiǎn)歷及攻讀博士學(xué)位期間取得的研究成果
學(xué)位論文數(shù)據(jù)集



本文編號(hào)：3826285