【摘要】：隨著工業(yè)生產(chǎn)、科學研究等領域發(fā)展,傳統(tǒng)的優(yōu)化算法已經(jīng)無法處理高緯度,強約束,復雜程度高的優(yōu)化問題,群智能算法的出現(xiàn)解決了這方面的難題,其具有簡單、高效、普適性強等優(yōu)點。果蠅算法是一種新的群智能算法,基本思想來源于果蠅覓食中,果蠅群體之間的合作與競爭行為,利用的是其協(xié)作機制和信息共享機制來搜索食物位置。自該算法推出以來,就受到學術界、工業(yè)界的廣泛關注,在實際工程問題中能夠高效、快速解決相關問題。本文研究了基本果蠅算法的操作流程、應用領域和前人的改進策略,提出了一種隔代搜索步長自適應降低的果蠅算法對支持向量機回歸模型進行優(yōu)化。改進的果蠅算法不僅提高了收斂精度也提升了收斂速度并且擴大了尋優(yōu)范圍有效解決了群智能算法易出現(xiàn)的早熟、易陷入局部極值的問題。能有效解決實際工業(yè)、科研等領域的多目標、高維、復雜的優(yōu)化問題。本文的研究內容及工作如下:首先,仔細研究果蠅算法的發(fā)展狀況,在不同領域,前人在不同方向所做的改進策略,并描述了算法流程以及算法的優(yōu)勢和劣勢和不同參數(shù)選擇對果蠅尋優(yōu)性能的影響。其次,深入研究果蠅算法,本文提出了隔代搜索步長自適應降低的果蠅算法。該算法首先將果蠅種群從二維平面擴展到三維空間,提高其搜索范圍和搜索空間的大小。第二,將果蠅固定搜索步長更改為隔代自適應降低搜索步長,使前期全局尋優(yōu)能力和后期局部尋優(yōu)能力達到動態(tài)平衡。第三,將果蠅個體味道濃度判定值由個體到原點距離的倒數(shù)決定改進為與個體到原點距離的倒數(shù)和上一代最優(yōu)果蠅個體的味道濃度判定值相關,使果蠅個體搜索范圍擴寬到大于1的實數(shù)范圍內。再次,本文針對隔代搜索步長自適應降低的果蠅算法對支持向量機回歸模型的參數(shù)進行優(yōu)化。深入研究了支持向量機的數(shù)學理論,研究了支持向量機的核心函數(shù)—核函數(shù)。明確了支持向量機回歸模型中相關參數(shù)及參數(shù)值對模型帶來的影響。最后,本文以磨溪氣田集氣管道內腐蝕狀況、上證指數(shù)的開盤指數(shù)為案例。將隔代搜索步長自適應降低的果蠅算法結合支持向量機回歸模型進行應用研究與驗證。并與遺傳算法、粒子群算法、基礎果蠅算法進行比較,研究結果表明隔代搜索步長自適應降低的果蠅算法在尋優(yōu)方面性能更好、收斂速度更快、精度更高,能達到滿意的效果。
【學位授予單位】：成都理工大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP18
【圖文】：

果蠅算法法是臺灣學者潘文超在日常生活中認真觀察、研究果蠅行為進行模擬，進一步推導出的一種全局優(yōu)化算法。20了《果蠅最佳化演算法》，標志著果蠅算法正式加入群智外科研人員提供了新的創(chuàng)新思路，新的算法（霍慧慧，飛行昆蟲，其生活地理位置主要集中在溫帶和熱帶氣候區(qū)腐爛水果和植物體。果蠅的感官器官特別敏銳，尤其是其控制飛行速度、飛行方向、起飛著陸時間、躲避天敵以嗅到空氣中彌漫的各種味道，四十千米以外的食物源味物味道濃度的高低與果蠅相對食物的距離密切相關，果蠅的味道濃度越小。果蠅對食物的搜索過程就是不斷探索．方不斷向食物味道濃度更大的地方飛行，找到食物具體位）。

1iiS w FormerSDist （3-6）10.5 () * , 0.52* 111.5 () * ,2* 1grand flagMaxgen gwgrand otherwiseMaxgen g （3-7）式中FormerS 為前一代最優(yōu)果蠅個體的味道濃度判定值。w 隨著代數(shù)g的改變而自適應調節(jié)FormerS 對iS 的影響。 flag 為隨機數(shù)，以滿足 w 一半的幾率在[0.5,1]變動，一半的幾率在[1,1.5]變動。 如圖 3-1 所示，Maxgen 為 200 次時，w在[0.5,1.5]區(qū)間以一定比例下降，并以 rand ()產(chǎn)生隨機數(shù)帶來小波動，使味道濃度判定值更具多樣性。

分同學只會這 10 道題，于是在測試中得了高分進行測試，就能反映出同學對該知識點真正的交叉驗證（Cross Validation）是對模型泛化法。首先將原始數(shù)據(jù)集按一定的方法進行分組訓練集對模型進行訓練，其次用測試集對模型性能（周志華，2016）24-26。本文采用“K 折交叉驗證”（K-fold Cross 化分成 K 組大小相似的互斥子集，盡可能讓每每次取一個子集作為測試集，剩下的 K-1 組子組訓練集/測試集，即模型會進行 K 次訓練和測此次K-CV下模型泛化能力的指標，對其進行評K-CV 可以有效的避免過學習以及欠學習狀態(tài)的有說服性（余曉琳，2010）。本文在第 5 章進行為 5，即為 5 折交叉驗證。5 折交叉驗證中的測D

【參考文獻】

相關期刊論文 前3條

1 石宏;李楠;田中笑;張維亮;朱寧;;基于交叉驗證優(yōu)化SVR的多變量磨損趨勢預測[J];潤滑與密封;2013年11期

2 韓俊英;劉成忠;;自適應變異的果蠅優(yōu)化算法[J];計算機應用研究;2013年09期

3 胡能發(fā);;演化式果蠅算法及其應用研究[J];計算機技術與發(fā)展;2013年07期

相關博士學位論文 前3條

1 李慶偉;粒子群算法及電廠若干問題的研究[D];東南大學;2016年

2 于文新;模擬電路故障診斷神經(jīng)智能果蠅算法研究[D];湖南大學;2015年

3 徐洪麗;基于混沌系統(tǒng)的群智能優(yōu)化算法研究[D];中國礦業(yè)大學（北京）;2014年

相關碩士學位論文 前10條

1 吳良超;基于改進果蠅算法的無線傳感器網(wǎng)絡覆蓋優(yōu)化研究[D];安徽大學;2017年

2 樊恒;基于改進果蠅算法的橋式起重機主梁輕量化設計研究[D];中北大學;2017年

3 侯玉杰;基于改進果蠅算法的電站鍋爐燃燒建模與優(yōu)化[D];哈爾濱理工大學;2017年

4 張雨晨;基于改進的SVM和t-SNE高速列車走行部故障診斷[D];西南交通大學;2016年

5 胡麗芳;基于動態(tài)線性步長的雙子群果蠅優(yōu)化算法及其應用[D];安徽大學;2016年

6 唐娜;改進粒子群算法及其應用研究[D];合肥工業(yè)大學;2016年

7 羅必輝;基于改進支持向量回歸機的股價預測研究[D];重慶大學;2016年

8 劉小兵;基于支持向量回歸機的PM2.5濃度預測模型分析與研究[D];西南財經(jīng)大學;2016年

9 宋江迪;群智能算法及其在全局函數(shù)優(yōu)化中的應用研究[D];遼寧科技大學;2016年

10 冉海波;川東地區(qū)含硫氣田集輸管道內腐蝕研究[D];西南石油大學;2015年

本文編號：2795566