發(fā)布時間：2017-06-24 19:14

  本文關(guān)鍵詞：多元優(yōu)化過程記憶算法及動靜條件下多模態(tài)尋優(yōu)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：計算機(jī)技術(shù)為智能優(yōu)化奠定了基礎(chǔ),世界各國把智能優(yōu)化作為發(fā)展戰(zhàn)略之一。具有多個最優(yōu)解以及次優(yōu)解的多模態(tài)優(yōu)化問題不斷出現(xiàn)在生產(chǎn)生活中,然而傳統(tǒng)智能優(yōu)化算法難以同時提供多個最優(yōu)以及次優(yōu)解,導(dǎo)致多模態(tài)優(yōu)化技術(shù)需求急劇增加,新型多模態(tài)智能優(yōu)化算法逐漸成為一個較熱的研究方向。近十多年來,已有部分多模態(tài)優(yōu)化策略用于解決多模態(tài)尋優(yōu)問題,但均存在一定的局限性,導(dǎo)致其無法在計算資源有限或者動態(tài)條件下對多模態(tài)優(yōu)化問題進(jìn)行有效尋優(yōu)。針對該問題,本論文提出了多元優(yōu)化過程記憶算法(Multivariant Optimization Process Memorise Algorithm, MOA),并證明了動靜態(tài)條件下算法的多模態(tài)尋優(yōu)有效性。 論文通過研究多模態(tài)尋優(yōu)策略、分析多模態(tài)尋優(yōu)研究熱點(diǎn),提出并建立了MOA算法。對算法基本思想、程序流程和算例進(jìn)行了詳細(xì)地描述。 為了證明MOA算法多模態(tài)尋優(yōu)有效性,奠定MOA算法理論基礎(chǔ)。首先,估計算法的復(fù)雜度,闡明了MOA算法計算復(fù)雜度低的特點(diǎn)；然后,基于Markov鏈模型,證明了算法的收斂性：接著,介紹了MOA算法多元化結(jié)構(gòu)、全局局部交替尋優(yōu)方式和記憶尋優(yōu)過程思想在多模態(tài)尋優(yōu)中的特點(diǎn)；最后,展示了MOA算法在靜態(tài)和動態(tài)條件下的多模態(tài)尋優(yōu)過程,形象地說明了MOA算法多模態(tài)尋優(yōu)有效性。 設(shè)計并實(shí)現(xiàn)了多模態(tài)尋優(yōu)算法性能對比實(shí)驗平臺,對比分析六算法對五十五個動靜態(tài)多模測試函數(shù)和動靜態(tài)路徑規(guī)劃問題的尋優(yōu)性能。 以IEEE群智能會議(SIS)和文獻(xiàn)中提出的四十一個常用多模態(tài)尋優(yōu)測試函數(shù)為對象,測試MOA算法在靜態(tài)多模態(tài)優(yōu)化問題中的全局尋優(yōu)和多解尋優(yōu)性能,并用MOA算法給出靜態(tài)多模態(tài)最短路徑規(guī)劃問題尋優(yōu)解。實(shí)驗結(jié)果表明,全局尋優(yōu)問題中MOA算法在復(fù)雜性、漸近性、可達(dá)性、收斂性方面表現(xiàn)較好,多解尋優(yōu)問題中MOA算法成功率高,適應(yīng)度評價次數(shù)少,最短路徑規(guī)劃測試中的最優(yōu)性、穩(wěn)定性及效率方面表現(xiàn)出色。證明了MOA算法靜態(tài)多模態(tài)尋優(yōu)有效性。 以八個移動峰測試函數(shù)集和IEEE進(jìn)化計算會議提供的六個十維動態(tài)多模態(tài)函數(shù)為測試對象,研究MOA算法動態(tài)多模態(tài)全局尋優(yōu)和多解尋優(yōu)性能,并用MOA算法給出動態(tài)最短路徑規(guī)劃問題尋優(yōu)解,測試MOA算法提供實(shí)時最短路徑的最優(yōu)性和綜合離線性能。實(shí)驗結(jié)果表明,MOA算法能夠在多個局部陷阱中,同時發(fā)現(xiàn)并實(shí)時跟蹤多個最優(yōu)解以及次優(yōu)解,在對全局最優(yōu)解的發(fā)現(xiàn)及實(shí)時跟蹤性能、綜合離線性能和實(shí)時最短路徑最優(yōu)性方面表現(xiàn)出色。證明了MOA算法動態(tài)多模態(tài)尋優(yōu)有效性。
【關(guān)鍵詞】：多元優(yōu)化過程記憶算法 多模態(tài)優(yōu)化 動態(tài)多模態(tài) 路徑規(guī)劃 動態(tài)路徑規(guī)劃
【學(xué)位授予單位】：云南大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP18
【目錄】：

• 摘要3-5
• Abstract5-11
• 第一章 緒論11-26
• 1.1 研究背景與意義11-13
• 1.1.1 研究背景11-13
• 1.1.2 研究意義13
• 1.2 研究現(xiàn)狀13-19
• 1.2.1 常用多模態(tài)尋優(yōu)算法14-17
• 1.2.2 動態(tài)條件下多模態(tài)尋優(yōu)17
• 1.2.3 收斂性分析方法17-18
• 1.2.4 多模態(tài)優(yōu)化研究熱點(diǎn)18-19
• 1.3 論文主要工作與結(jié)構(gòu)安排19-25
• 1.3.1 論文主要工作19-22
• 1.3.2 結(jié)構(gòu)安排22-25
• 1.4 本文的創(chuàng)新點(diǎn)25-26
• 第二章 多元優(yōu)化過程記憶算法的基本原理26-44
• 2.1 本章引言26
• 2.2 MOA算法多模態(tài)尋優(yōu)基本思想26-29
• 2.2.1 算法框架26-28
• 2.2.2 多元化結(jié)構(gòu)28
• 2.2.3 全局和局部交替尋優(yōu)方式28-29
• 2.2.4 記憶尋優(yōu)過程29
• 2.3 算法基本流程29-31
• 2.4 動靜態(tài)多模態(tài)尋優(yōu)算例31-42
• 2.4.1 靜態(tài)多模態(tài)尋優(yōu)32-36
• 2.4.2 動態(tài)多模態(tài)尋優(yōu)36-42
• 2.6 本章小結(jié)42-44
• 第三章 多元優(yōu)化過程記憶算法的有效性研究44-66
• 3.1 本章引言44
• 3.2 算法復(fù)雜度分析44-47
• 3.2.1 計算復(fù)雜度44-47
• 3.2.2 空間復(fù)雜度47
• 3.3 MOA算法收斂性分析47-52
• 3.3.1 漸近性47-48
• 3.3.2 可達(dá)性48-50
• 3.3.3 收斂性50-52
• 3.4 MOA多模態(tài)尋優(yōu)特點(diǎn)52-54
• 3.4.1 多元化結(jié)構(gòu)53
• 3.4.2 全局局部交替尋優(yōu)方式53-54
• 3.4.3 過程記憶思想54
• 3.5 MOA算法動靜態(tài)多模態(tài)尋優(yōu)演示54-65
• 3.5.1 靜態(tài)多模態(tài)尋優(yōu)54-60
• 3.5.2 動態(tài)多模態(tài)尋優(yōu)60-65
• 3.6 本章小結(jié)65-66
• 第四章 多模態(tài)尋優(yōu)算法性能對比實(shí)驗平臺的設(shè)計與實(shí)現(xiàn)66-83
• 4.1 本章引言66
• 4.2 軟件簡介66-67
• 4.3 軟件基本功能67-69
• 4.4 操作說明69-78
• 4.4.1 初始化配置69-70
• 4.4.2 多模態(tài)尋優(yōu)參數(shù)設(shè)置70-73
• 4.4.3 多模態(tài)尋優(yōu)73-74
• 4.4.4 實(shí)驗結(jié)果統(tǒng)計分析74-78
• 4.5 MOA算法實(shí)驗平臺應(yīng)用例78-81
• 4.6 本章小結(jié)81-83
• 第五章 多元優(yōu)化過程記憶算法靜態(tài)條件下多模態(tài)優(yōu)化研究83-117
• 5.1 本章引言83
• 5.2 多模態(tài)函數(shù)數(shù)值尋優(yōu)研究83-104
• 5.2.1 低維多模態(tài)數(shù)值尋優(yōu)83-98
• 5.2.2 十維組合多模態(tài)數(shù)值尋優(yōu)98-103
• 5.2.3 實(shí)驗結(jié)論103-104
• 5.3 MOA靜態(tài)多模態(tài)路徑規(guī)劃研究104-115
• 5.3.1 MOA路徑規(guī)劃算法105-108
• 5.3.2 靜態(tài)條件下多模態(tài)最短路徑規(guī)劃實(shí)驗108-111
• 5.3.3 實(shí)驗結(jié)果與分析111-114
• 5.3.4 實(shí)驗結(jié)論114-115
• 5.4 本章小結(jié)115-117
• 第六章 多元優(yōu)化過程記憶算法動態(tài)條件下多模態(tài)尋優(yōu)研究117-144
• 6.1 本章引言117
• 6.2 動態(tài)多模態(tài)數(shù)值尋優(yōu)研究117-136
• 6.2.1 移動峰多模態(tài)函數(shù)數(shù)值尋優(yōu)117-126
• 6.2.2 組合動態(tài)多模態(tài)函數(shù)數(shù)值尋優(yōu)126-134
• 6.2.3 實(shí)驗結(jié)論134-136
• 6.3 MOA動態(tài)多模態(tài)路徑規(guī)劃研究136-143
• 6.3.1 MOA動態(tài)多模態(tài)路徑規(guī)劃算法136-138
• 6.3.2 動態(tài)條件下多模態(tài)最短路徑規(guī)劃實(shí)驗138-140
• 6.3.3 實(shí)驗結(jié)果與分析140-142
• 6.3.4 實(shí)驗結(jié)論142-143
• 6.4 本章小結(jié)143-144
• 第七章 總結(jié)與展望144-148
• 7.1 總結(jié)144-147
• 7.2 未來工作展望147-148
• 附錄一：相關(guān)定義148-150
• 附錄二：標(biāo)準(zhǔn)測試函數(shù)150-161
• 附錄三：對比優(yōu)化算法161-163
• 參考文獻(xiàn)163-175
• 攻讀博士學(xué)位期間完成的科研成果175-179
• 致謝179-18

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前7條

1 高曉光,楊有龍;基于不同威脅體的無人作戰(zhàn)飛機(jī)初始路徑規(guī)劃[J];航空學(xué)報;2003年05期

2 任子暉;王堅;高岳林;;馬爾科夫鏈的粒子群優(yōu)化算法全局收斂性分析[J];控制理論與應(yīng)用;2011年04期

3 惲為民，席裕庚;遺傳算法的全局收斂性和計算效率分析[J];控制理論與應(yīng)用;1996年04期

4 張軍英,許進(jìn),保錚;遺傳交叉運(yùn)算的可達(dá)性研究[J];自動化學(xué)報;2002年01期

5 劉利強(qiáng);汪相國;范志超;;基于小生境粒子群優(yōu)化的船舶多路徑規(guī)劃方法[J];計算機(jī)工程;2013年09期

6 張艷;高曉光;魏小豐;;四維空間中的無人機(jī)動態(tài)路徑規(guī)劃及仿真[J];系統(tǒng)仿真學(xué)報;2009年24期

7 ;Multi-population and diffusion UMDA for dynamic multimodal problems[J];Journal of Systems Engineering and Electronics;2010年05期

  本文關(guān)鍵詞：多元優(yōu)化過程記憶算法及動靜條件下多模態(tài)尋優(yōu)研究，，由筆耕文化傳播整理發(fā)布。

本文編號：479211