本文選題：演化計算　切入點：勘探與開采　出處：《中國地質大學》2017年博士論文

【摘要】：演化計算原理簡單、易于操作、通用性強而且特別適合大規(guī)模并行處理,因而應用廣泛。為了獲得高質量的解,演化計算在整個運行過程中都需要保持勘探與開采的平衡�；碌陌l(fā)展是不確定的復雜非線性演化系統(tǒng)。三峽庫區(qū)滑坡數(shù)據(jù)豐富,為基于數(shù)據(jù)的滑坡研究提供了可行性。然而,此類研究還有待進一步開展�；谏鲜鰞煞矫娴谋尘�,本文首先致力于研究能夠在演化計算中廣泛應用的維護勘探與開采平衡的機制,即演化計算普遍增強策略。然后在此基礎之上進行三峽庫區(qū)滑坡監(jiān)測點位移時間序列聚類。文中首先提出了以精英為中心的演化群體多樣性,其取值就是各個精英到各個其它個體的兩兩相異程度的平均值。如果演化計算中使用了精英策略,則可利用具有相同度的,基于該概念的群體多樣性度量,精確表達以精英為中心的群體多樣性,并顯著降低計算的時間復雜度。另外,無論算法中是否采用了精英策略,都可以使用度為1的該方法計算群體多樣性,從而以可接受的誤差為代價,降低求解群體多樣性的時間復雜度。隨后,三種演化計算普遍增強策略被依次提出。它們的應用場景有所不同,可以相互組合使用。首先被提出的是分層分布式演化的移動式群體遷移策略。在這種策略中,全局遷移的對象是子種群,并采用了移動式遷出-替換方案。實驗證明,在采用非隨機遷移拓撲的前提下,該策略可以顯著提高分層分布式演化算法的求解能力�；谧臃N群多樣性選擇分布式演化算法的遷移時機,是提出的第二個策略。該策略規(guī)定,遷入某子種群的個體進入這個子種群的概率由既定的公式決定。實驗結果證明本策略可以顯著提高分布式演化算法的求解性能。第三個策略是演化算法基于距離的勘探性輔助選擇。根據(jù)該策略,在演化的任意一代中,都有一定的概率利用輔助選擇替換主要選擇。在輔助選擇中,首先執(zhí)行度為1的精英策略。某個體到精英的距離被當做該個體的臨時適應值(以大為優(yōu))。然后,仍然按照主要選擇中規(guī)定的選擇模式選擇個體。實驗結果證明,添加該策略有助于解決停滯或早熟,從而提高演化算法解的質量。接下來是演化計算普遍增強策略在滑坡研究方面的應用。基于移動式群體遷移策略的分層分布式自動差分演化聚類算法被用于解決三峽庫區(qū)滑坡監(jiān)測點位移時間序列聚類問題。聚類結果為滑坡預測提供了一些啟示。
[Abstract]:Evolutionary computing is simple in principle, easy to operate, versatile and especially suitable for large-scale parallel processing, so it is widely used.In order to obtain a high quality solution, the balance between exploration and exploitation should be maintained during the whole operation of evolutionary computation.The development of landslide is an uncertain complex nonlinear evolution system.The landslide data in the three Gorges Reservoir area is abundant, which provides the feasibility for the landslide research based on the data.However, such studies need to be further developed.Based on the above two aspects, this paper first studies the mechanism of maintaining the balance between exploration and exploitation, which can be widely used in evolutionary computing, that is, the general enhancement strategy of evolutionary computing.Then the time series of displacement of landslide monitoring points in the three Gorges Reservoir area are clustered.In this paper, it is proposed that the evolution population diversity centered on the elite is the average of the different degrees of each elite to other individuals.If the elitist strategy is used in evolutionary computing, the measure of population diversity with the same degree and based on this concept can be used to accurately express elitist diversity, and the time complexity of computation can be significantly reduced.In addition, whether or not elite strategy is used in the algorithm, the method with degree 1 can be used to calculate population diversity, thus reducing the time complexity of solving population diversity at the cost of acceptable error.Subsequently, three general enhancement strategies for evolutionary computing were proposed in turn.Their application scenarios are different and can be combined with each other.Firstly, a mobile group migration strategy with hierarchical and distributed evolution is proposed.In this strategy, the object of global migration is a subpopulation, and a mobile output-replacement scheme is adopted.Experimental results show that the proposed strategy can significantly improve the solving ability of hierarchical distributed evolutionary algorithm under the premise of adopting non-random migration topology.The second strategy is to select the migration time of distributed evolutionary algorithm based on the diversity of subpopulations.The strategy states that the probability of an individual moving into a subpopulation is determined by the established formula.Experimental results show that the proposed strategy can significantly improve the performance of the distributed evolutionary algorithm.The third strategy is distance-based exploration-assisted selection based on evolutionary algorithm.According to this strategy, in any generation of evolution, there is a certain probability to replace the main selection with auxiliary selection.In assistive selection, an elite strategy with a degree of 1 is first implemented.The distance from an individual to the elite is regarded as the temporary fitness of the individual.Then, the individual is still selected according to the selection mode specified in the main selection.Experimental results show that adding this strategy helps to solve stagnation or precocity, thus improving the quality of the solution of the evolutionary algorithm.Then there is the application of the general enhancement strategy of evolutionary computing in landslide research.The hierarchical and distributed automatic differential evolution clustering algorithm based on mobile group migration strategy is used to solve the displacement time series clustering problem of landslide monitoring points in the three Gorges Reservoir area.The clustering results provide some enlightenment for landslide prediction.
【學位授予單位】：中國地質大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：P642.22

【相似文獻】

相關期刊論文 前10條

1 ;《演化計算》[J];清華大學學報(自然科學版);2000年10期

2 姚敏,王衛(wèi)紅;演化計算技術[J];海南大學學報(自然科學版);2000年01期

3 丁立新,康立山,陳毓屏,李元香;演化計算研究進展[J];武漢大學學報(自然科學版);1998年05期

4 焦啟民;演化計算原理及應用分析[J];國外建材科技;2005年04期

5 康立山，陳毓屏;演化計算[J];數(shù)值計算與計算機應用;1995年03期

6 郭革新,熊興華;演化計算——探討測繪最優(yōu)化問題的新技術[J];測繪通報;1999年09期

7 王江晴,陳幼均;演化計算及其并行處理[J];中南民族學院學報(自然科學版);1997年03期

8 欽立峰;;演化計算在水利工程中的應用[J];中國西部科技;2014年07期

9 崔劍波,任國軍;一類控制問題及其演化計算模型[J];甘肅高師學報;2000年02期

10 熊亞,潘正君,王宏,吳鼎泉,康立山,屈松生;線粒體體外代謝熱動力學模型及其演化優(yōu)化研究[J];物理化學學報;1997年06期

相關會議論文 前6條

1 王益文;姚敏;楊建華;;演化計算在深空探測中的應用[A];第二十三屆全國空間探測學術交流會論文摘要集[C];2010年

2 董文永;李元香;鄭波盡;王琳琳;;演化計算在仿真和控制中的應用[A];2001系統(tǒng)仿真技術及其應用學術會議論文集[C];2001年

3 曾三友;顏雪松;康立山;;演化計算及其在深空探測應用可行性研究[A];中國宇航學會深空探測技術專業(yè)委員會第一屆學術會議論文集[C];2005年

4 馮珊;李鋒;周凱波;;面向演化算法應用的智能體系統(tǒng)建模與仿真研究[A];西部開發(fā)與系統(tǒng)工程——中國系統(tǒng)工程學會第12屆年會論文集[C];2002年

5 張文俊;謝曉鋒;馬君;;并行演化算法在半導體器件綜合中的應用[A];2006年全國開放式分布與并行計算學術會議論文集（二）[C];2006年

6 謝柏橋;戴光明;鄭蔚;王劍文;;有指導的多目標演化算法在區(qū)域星座設計中的應用[A];中國宇航學會深空探測技術專業(yè)委員會第四屆學術年會論文集[C];2007年

相關博士學位論文 前10條

1 李程俊;演化計算普遍增強策略及其在三峽庫區(qū)滑坡研究中的應用[D];中國地質大學;2017年

2 張攀;演化計算系統(tǒng)及其綜合設計[D];山東大學;2008年

3 黃樟燦;演化計算的搜索策略研究[D];武漢大學;2004年

4 俞揚;演化計算理論分析與學習算法的研究[D];南京大學;2011年

5 庫俊華;自適應差分演化算法及其應用研究[D];中國地質大學;2015年

6 彭雪;演化算法和蟻群算法的性能分析[D];華南理工大學;2016年

7 李丙棟;超多目標演化算法及其應用研究[D];中國科學技術大學;2017年

8 陸曉芬;基于代理模型的實值演化算法研究[D];中國科學技術大學;2017年

9 彭晟;演化算法的靜電場論模型[D];武漢大學;2011年

10 陳明;演化算法漸近行為的若干問題研究[D];武漢大學;2012年

相關碩士學位論文 前10條

1 龐成山;基于無監(jiān)督特征學習的演化計算行為分析[D];中國科學技術大學;2017年

2 何長英;演化計算在參數(shù)估計中的應用[D];武漢大學;2004年

3 匡韜;基于演化計算的在線手寫簽名驗證方法實現(xiàn)[D];武漢理工大學;2006年

4 王偉武;基于演化計算的間斷參函數(shù)識別方法[D];武漢理工大學;2004年

5 歐陽智敏;演化計算的若干算法及其應用研究[D];湖南師范大學;2006年

6 岳雪芝;基于演化計算的多目標優(yōu)化算法研究與應用[D];江西理工大學;2008年

7 劉釗;演化計算在搜索與優(yōu)化問題中的應用[D];中國地質大學;2004年

8 楊廣益;混合演化計算研究及應用[D];湖南師范大學;2007年

9 楊穎;一種多差分向量的自適應差分演化算法[D];浙江大學;2015年

10 陳偉;隊伍演化算法及其在微波電路設計中的應用[D];杭州電子科技大學;2015年

，

本文編號：1718088