本文關鍵詞：粒子群優(yōu)化算法及其應用研究，由筆耕文化傳播整理發(fā)布。

【摘要】： 在經(jīng)濟計劃、工程設計、生產(chǎn)制造、交通運輸、信息處理等領域存在著大量的最優(yōu)化問題,即在眾多可行的決策方案中尋求最優(yōu)方案。有效解決這些問題不僅具有重要的社會意義,而且也能產(chǎn)生巨大的經(jīng)濟效益。最優(yōu)化作為一個獨立的數(shù)學分支,其目的就是為了解決最優(yōu)化問題,而具體解決最優(yōu)化問題的方法就被稱為最優(yōu)化方法。傳統(tǒng)的優(yōu)化方法,如牛頓法、迭代法等是以數(shù)學為基礎,對問題的描述有嚴格的要求,通常要求問題的目標函數(shù)和約束條件是連續(xù)可微的。而隨著先進制造技術的發(fā)展,實際的優(yōu)化問題變得越來越復雜,這使得傳統(tǒng)的優(yōu)化方法越發(fā)顯得無能為力,因此,亟待尋求面向復雜問題的新優(yōu)化方法。 進化計算源于人們對自然界或生物界一些現(xiàn)象的觀察和模擬。相對于傳統(tǒng)的優(yōu)化方法,以進化計算為代表的仿生智能優(yōu)化方法通常對各類復雜優(yōu)化問題具有很強的適應性、魯棒性和并行處理等優(yōu)點,并被廣泛地應用于科學研究和工業(yè)生產(chǎn)等眾多領域。粒子群算法作為進化算法中的一種,由于其參數(shù)較少、且易于實現(xiàn)等特點,因此一經(jīng)提出,就在許多領域得到了成功的應用。本文基于粒子群算法,對單目標規(guī)劃和生產(chǎn)調(diào)度等問題進行了研究,提出了一些優(yōu)化算法,并通過大量的實驗對算法的性能進行了驗證,實驗結果表明,本文提出的算法能夠有效地克服粒子群算法過早收斂,同時求解質(zhì)量也有了明顯的改進。主要研究內(nèi)容如下: 1、以單目標非線性規(guī)劃問題為研究對象,提出了一種混合的粒子群算法PSO-EM。該算法結合了粒子群算法的自我改進的思想(每個粒子都通過信息交互不斷地進行學習)和類電磁機制算法的吸引-排斥機制,粒子群算法和類電磁機制算法交替執(zhí)行,在執(zhí)行完粒子群算法后,將類電磁機制算法的吸引-排斥機制作用于粒子的當前個體最優(yōu),迫使粒子的當前個體最優(yōu)再次向更好的位置移動。因此,粒子的當前個體最優(yōu)的更新不僅依賴當前群體最優(yōu),也受到其他粒子的當前個體最優(yōu)的影響,通過這種方式來加快算法的收斂速度。實驗結果表明,PSO-EM算法無論是在收斂速度、收斂精度以及成功率上都有了明顯的提高。 2、提出了一種基于多群體的改進粒子群算法IMPSO求解單目標非線性規(guī)劃問題。該算法采用有偏(類似人才層次結構)的群體劃分方式,將整個群體劃分為三個規(guī)模不均等的子群體,不同的子群體采取不同的速度更新策略。最優(yōu)子群體(better-population)的目的是加快收斂速度,最差子群體(worse-population)的目的是為了有機會探尋更大的搜索空間,減少陷入局部極值的可能。而次優(yōu)子群體(middle-population)的作用則是為了實現(xiàn)對搜索空間進行更大范圍探索和已確定搜索范圍內(nèi)開采間的平衡。同時,通過引入變異策略來進行局部精細搜索,并利用不同群體間的交叉來維護群體的多樣性,避免早熟收斂。通過與一些經(jīng)典的粒子群算法以及有代表性的新粒子群算法的實驗對比,驗證了算法的有效性和高效性。 3、置換流水車間調(diào)度問題是比較典型的生產(chǎn)調(diào)度問題,要求多個作業(yè)在不同的機器上進行加工,并且每臺機器上的所有作業(yè)的加工順序都必須相同。針對該問題,提出一種混合粒子群算法HDCPSO。HDCPSO算法利用迭代貪心算法(Iterated Greedy Algorithm,IG)的作業(yè)毀壞(Destruction)與構造(Construction)機制來對粒子的當前個體最優(yōu)進行變異操作,并且通過引入個體徘徊的概念來控制變異發(fā)生的條件,防止粒子過早地發(fā)生停滯,降低群體早熟收斂的概率。其次,算法采用了粒子重新初始化策略,通過對部分較差粒子(適應度較差或者多樣性較差)進行重新初始化以保證群體的多樣性。同時,采用了基于插入鄰域的局部搜索機制,通過對最優(yōu)個體的插入鄰域進行搜索,試圖找到更好的解來提高算法的收斂速度。針對不同規(guī)模問題,與現(xiàn)有一些算法的實驗對比表明,HDCPSO算法無論在求解質(zhì)量,還是穩(wěn)定性方面都優(yōu)于對比算法。 4、針對兩階段裝配調(diào)度問題,提出離散粒子群算法DPSO。兩階段裝配調(diào)度問題可以認為是流水調(diào)度問題的擴展,整個作業(yè)的加工分為兩個階段,每個操作都要在不同的機器上進行加工,最后一個操作要在第二階段進行處理,并且每個作業(yè)的最后一個操作只有在第一階段的操作加工完成后才能開始在第二階段的機器上進行加工。本文中首先重新定義了粒子的速度,并根據(jù)速度相應地修改了粒子的移動。為了避免算法過早地陷入局部極值,增加了對粒子的自適應變異操作,引入了個體強度,利用個體強度來控制個體變異,并根據(jù)個體適應度來決定變異的模式。同時,通過基于交換鄰域的搜索機制來強化個體的局部搜索能力,提高算法的收斂速度。最后在不同規(guī)模的問題上進行實驗對比,驗證了算法的有效性,該算法在最優(yōu)解質(zhì)量上優(yōu)于其他對比算法,并且在執(zhí)行時間上也具有較強的競爭力。 近年來,對粒子群優(yōu)化算法及其應用的研究已經(jīng)得到了國內(nèi)外眾多學者的關注,并且涌現(xiàn)了大量的改進算法和新的應用。本文對粒子群算法求解規(guī)劃問題和生產(chǎn)調(diào)度問題進行了研究,并提出了一些更有效的優(yōu)化算法。在粒子群算法的改進、混合等研究以及在更多領域的應用上,本文的研究工作具有一定的理論意義和應用價值。
【關鍵詞】：最優(yōu)化問題 粒子群優(yōu)化算法 規(guī)劃問題 生產(chǎn)調(diào)度問題
【學位授予單位】：吉林大學
【學位級別】：博士
【學位授予年份】：2010
【分類號】：TP301.6
【目錄】：

• 摘要4-6
• Abstract6-12
• 第1章 緒論12-22
• 1.1 研究背景和意義12-15
• 1.1.1 最優(yōu)化問題12-13
• 1.1.2 最優(yōu)化問題分類13-14
• 1.1.3 最優(yōu)化方法14-15
• 1.2 規(guī)劃問題15-17
• 1.2.1 非線性規(guī)劃16-17
• 1.2.2 研究現(xiàn)狀17
• 1.3 生產(chǎn)調(diào)度問題17-20
• 1.3.1 問題描述18
• 1.3.2 研究現(xiàn)狀18-20
• 1.4 本文工作及組織結構20-22
• 第2章 相關算法綜述22-32
• 2.1 引言22
• 2.2 粒子群算法22-27
• 2.2.1 標準粒子群算法23-25
• 2.2.2 離散粒子群算法25-26
• 2.2.3 粒子群算法的改進研究26
• 2.2.4 粒子群算法的應用26-27
• 2.3 類電磁機制算法27-29
• 2.4 遺傳算法29-30
• 2.5 分散搜索算法30-31
• 2.6 本章小結31-32
• 第3章 混合粒子群算法求解單目標規(guī)劃問題32-44
• 3.1 引言32
• 3.2 問題描述32
• 3.3 PSO-EM算法描述32-35
• 3.3.1 算法描述32-34
• 3.3.2 算法分析34-35
• 3.4 實驗對比35-42
• 3.4.1 測試問題35-37
• 3.4.2 實驗環(huán)境37
• 3.4.3 實驗結果37-42
• 3.5 本章小結42-44
• 第4章 多群體改進粒子群算法求解單目標規(guī)劃問題44-58
• 4.1 引言44
• 4.2 問題描述44
• 4.3 IMPSO算法描述44-48
• 4.3.1 群體劃分和速度更新45-47
• 4.3.2 算法描述47-48
• 4.3.3 算法分析48
• 4.4 實驗對比48-57
• 4.4.1 測試問題48-50
• 4.4.2 實驗環(huán)境50
• 4.4.3 實驗結果50-57
• 4.5 本章小結57-58
• 第5章 混合粒子群算法求解置換流水車間調(diào)度問題58-82
• 5.1 引言58
• 5.2 問題描述58-59
• 5.3 數(shù)學模型59
• 5.4 IG算法介紹59-60
• 5.5 HDCPSO算法描述60-68
• 5.5.1 粒子的表示61
• 5.5.2 群體初始化61
• 5.5.3 速度和位置更新61-62
• 5.5.4 交叉操作62-63
• 5.5.5 變異操作63-64
• 5.5.6 局部搜索64-65
• 5.5.7 重新初始化65-67
• 5.5.8 算法描述67-68
• 5.6 實驗對比68-79
• 5.6.1 實驗環(huán)境68
• 5.6.2 RPTL交叉的作用68-70
• 5.6.3 參數(shù)設置70-71
• 5.6.4 實驗結果71-79
• 5.7 本章小結79-82
• 第6章 離散粒子群算法求解兩階段裝配調(diào)度問題82-104
• 6.1 引言82
• 6.2 問題描述82-83
• 6.3 數(shù)學模型83-85
• 6.4 DPSO算法描述85-92
• 6.4.1 粒子的表示85
• 6.4.2 粒子的移動85-87
• 6.4.3 變異操作87-89
• 6.4.4 局部搜索89-90
• 6.4.5 群體初始化90-91
• 6.4.6 算法描述91-92
• 6.5 實驗對比92-102
• 6.5.1 測試問題92
• 6.5.2 實驗環(huán)境92
• 6.5.3 參數(shù)設置92-94
• 6.5.4 實驗結果94-102
• 6.6 本章小結102-104
• 第7章 結論與展望104-106
• 參考文獻106-114
• 作者簡介及科研成果114-115
• 致謝115

【引證文獻】

中國期刊全文數(shù)據(jù)庫 前5條

1 阮海貴;譚毅華;鹿明明;田金文;;神經(jīng)網(wǎng)絡的粒子群優(yōu)化算法及其在地震預測中的應用[J];計算機與數(shù)字工程;2013年02期

2 路楊;張曉麗;;CW-PSO及其在古建筑傳感器優(yōu)化配置中的應用研究[J];計算機工程與應用;2013年05期

3 朱悅;吳建華;方穎;;SVM在冠心病分類預測中的應用研究[J];生物醫(yī)學工程學雜志;2013年06期

4 宮蓉蓉;;基于小波變異粒子群優(yōu)化算法和二維模糊熵的圖像分割[J];長沙民政職業(yè)技術學院學報;2013年04期

5 王莉榮;祁云嵩;;基于函數(shù)最優(yōu)解問題的粒子群算法改進[J];計算機技術與發(fā)展;2013年02期

中國博士學位論文全文數(shù)據(jù)庫 前4條

1 姜允志;若干仿生算法的理論及其在函數(shù)優(yōu)化和圖像多閾值分割中的應用[D];華南理工大學;2012年

2 王兆坤;洪澇災害下電力損失及停電經(jīng)濟影響的綜合評估研究[D];湖南大學;2012年

3 葉南海;機械疲勞壽命預測與可靠性設計關鍵技術研究[D];湖南大學;2012年

4 陳玲俠;礦山空間數(shù)據(jù)處理分析及三維實體建模應用研究[D];長安大學;2013年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 楊薇;面向大型活動的動態(tài)交通誘導疏散關鍵技術研究[D];吉林大學;2011年

2 梁宵;地下礦床開拓系統(tǒng)空間優(yōu)化的粒子群方法[D];武漢理工大學;2011年

3 劉忠輝;綜合負荷模型參數(shù)辨識及負荷特性分類綜合方法研究[D];山東大學;2011年

4 張翠平;面向微生物發(fā)酵過程的優(yōu)化控制方法的研究與應用[D];北京工業(yè)大學;2011年

5 趙玲玲;基于改進PSO的發(fā)酵補料速率的優(yōu)化控制[D];大連理工大學;2011年

6 朱興濤;多目標拆卸線平衡問題的群集智能優(yōu)化算法研究[D];西南交通大學;2012年

7 呂歡歡;面向客戶需求融合的產(chǎn)品設計方案優(yōu)選模型及應用[D];浙江工商大學;2013年

8 江麗;基于粒子群與模擬退火算法的BP網(wǎng)絡學習方法研究[D];安徽大學;2013年

9 侯錚亮;產(chǎn)能約束下半導體芯片測試生產(chǎn)線調(diào)度優(yōu)化研究[D];西南交通大學;2013年

10 陳玉艷;大型活動交通組織優(yōu)化及疏散研究[D];石家莊鐵道大學;2013年

  本文關鍵詞：粒子群優(yōu)化算法及其應用研究，，由筆耕文化傳播整理發(fā)布。

本文編號：471783