【摘要】：最優(yōu)化方法是對一個給定的優(yōu)化問題找出最優(yōu)解或可接受解的一種方法。本文對有代表性的全局優(yōu)化算法:填充函數(shù)法、中心引力算法和引力搜索算法進行了深入的研究,構造了改進的填充函數(shù)法,聚類單純形中心引力算法,種群自適應調整的中心引力算法和多種群的引力搜索算法,并提出了一種可以刻劃局部極小點分布情況的G-度量。本文的研究工作主要如下:(1)針對帶有不等式約束的全局優(yōu)化問題,設計了只包含有一個參數(shù)的填充函數(shù),并且構造的填充函數(shù)的解析性質不弱于優(yōu)化問題的目標函數(shù)和約束函數(shù)。在比當前局部最優(yōu)解差的區(qū)域內,該填充函數(shù)無局部最優(yōu)解,而在比當前局部最優(yōu)解好的區(qū)域內,該填充函數(shù)一定存在局部最優(yōu)解。在此基礎上設計了一種改進的填充函數(shù)法,并進行了實驗,結果表明了算法的有效性。(2)針對中心引力算法無法在演化速度和求解質量之間做到有效均衡,提出一種基于單純形法的改進中心引力算法。該算法通過周期性地把單純形算子得到的最優(yōu)個體遷移到中心引力算法的探測器種群中,達到中心引力算法和單純形法(SM)的協(xié)同搜索:單純形法借助中心引力算法跳出局部最優(yōu)點,中心引力算法依靠單純形法提高局部搜索能力。為了強化兩種算法的作用,將改進的單純形法應用到算法設計中,對算法的收斂性進行了證明并對其參數(shù)進行了靈敏度分析,為中心引力算法的參數(shù)設置提供了一種可行方案。(3)在中心引力算法的設計中,種群規(guī)模參數(shù)設定直接影響著算法的性能。較大的種群規(guī)模能夠提高最優(yōu)解的搜索速度,但是也會增加每代的計算量。因此,對種群規(guī)模的動態(tài)控制是一個有效的解決方案。提出了一種自適應控制種群的中心引力算法,在算法的運行過程中,根據(jù)算法的表現(xiàn)每一代會增加或減少種群的規(guī)模。將聚類算法和佳點集算法融合到增加\刪除算子中,使得算法可以自適應的兼顧有效性和多樣性。選擇了一些常用的標準測試函數(shù)組驗證算法的有效性,結果表明新算法在求解精度和收斂速度優(yōu)于對比的算法。(4)提出了一種刻劃局部極小點在搜索域內分布的度量:G-度量。G-度量結合目標函數(shù)在搜索域內的總變差、下降率和凹凸性等信息,可以近似刻劃局部極小點的分布情況。通過G-度量,可以將搜索域剖分為若干個小區(qū)域,對局部極小點密集的區(qū)域能進行細致搜索;反之,對于局部極小點稀疏的區(qū)域,則減少搜索次數(shù)甚至不搜索�？梢詰迷诟黝惾謨�(yōu)化算法中,提高算法的效率。(5)提出了一類基于聚類、信息交互學習的動態(tài)多種群引力搜索算法。動態(tài)多種群策略是一類新興的優(yōu)化策略,通過隨機重組技術使其具有很強的全局開發(fā)能力,然而頻繁的種群重組降低了算法的局部搜索能力。為了有效均衡算法的全局開發(fā)能力和局部搜索能力,聚類技術和信息交互策略被融入到了多種群引力搜索算法中,使個體信息可以被充分的利用以生成高質量的解。在種群重組中,通過聚類方法,使子種群在搜索空間內的分布更為均勻;信息交互策略通過隨機選擇子種群的最差個體,和記錄子種群最優(yōu)個體的“公告板”中由錦標賽策略隨機選出最優(yōu)個體的信息逐維進行學習,使種群個體可以向更多的優(yōu)秀個體學習,加快發(fā)現(xiàn)全局最優(yōu)解的概率。
[Abstract]:......
【學位授予單位】：西安電子科技大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：O224

【相似文獻】

相關期刊論文 前10條

1 鄒汪平;;一種基于網(wǎng)絡安全控制的蜂群算法應用研究[J];吉林師范大學學報(自然科學版);2013年04期

2 郭毅可;韓銳;;云計算中的彈性算法:概要和展望[J];上海大學學報(自然科學版);2013年01期

3 劉江華;戴新喜;白似雪;;基于模式矩陣的P_Matrix算法[J];南昌大學學報(理科版);2007年05期

4 胡俊鵬;;基于雙向選擇的蟻群相遇算法的優(yōu)化[J];湖北民族學院學報(自然科學版);2013年01期

5 張麗;;關聯(lián)規(guī)則挖掘算法的研究[J];赤峰學院學報(自然科學版);2013年02期

6 吳秋峰;尹海東;孟翔燕;;基于和積和最大積的信念傳播算法的收斂性分析[J];數(shù)學的實踐與認識;2011年09期

7 趙吉東;;蟻群算法的改進策略研究[J];中國科技信息;2012年12期

8 胡森森;周賢善;;一種改進蟻群算法的研究[J];長江大學學報(自科版);2006年10期

9 王恒娜;趙曉靜;;基于屬性覆蓋的關聯(lián)規(guī)則挖掘算法[J];安慶師范學院學報(自然科學版);2007年03期

10 曹建軍;刁興春;李凱齊;邵衍振;;基于進化強度的蟻群算法過程性能評價[J];解放軍理工大學學報(自然科學版);2013年01期

相關會議論文 前10條

1 黃紀武;毛澤華;李松濤;張錦雄;;SPMD并行查找算法的MPI實現(xiàn)[A];廣西計算機學會——2004年學術年會論文集[C];2004年

2 黃紀武;毛澤華;李松濤;張錦雄;;SPMD并行查找算法的MPI實現(xiàn)[A];廣西計算機學會2004年學術年會論文集[C];2004年

3 符麗錦;覃華;鄧海;孫欣;;一種改進的Apriori算法的研究[A];廣西計算機學會2012年學術年會論文集[C];2012年

4 王東鋒;王軍民;陳英武;;模糊定性仿真理論研究與算法實現(xiàn)[A];'2000系統(tǒng)仿真技術及其應用學術交流會論文集[C];2000年

5 趙唯;;晶粒度評級的改進算法[A];中國圖象圖形科學技術新進展——第九屆全國圖象圖形科技大會論文集[C];1998年

6 劉啟文;;可擴展的圖形學算法演示系統(tǒng)的研究[A];’2004計算機應用技術交流會議論文集[C];2004年

7 佘智;蔣泰;朱延生;;基于Type C協(xié)議的防沖突改進算法[A];廣西計算機學會25周年紀念會暨2011年學術年會論文集[C];2011年

8 朱紹文;趙培;朱秋云;;基于pSPADE并行挖掘序列算法的研究[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

9 楊霞;;新的基于啟發(fā)式蟻群算法的QoS路由算法[A];廣西計算機學會2009年年會論文集[C];2009年

10 陳黎飛;姜青山;董槐林;;基于圖形輪廓的快速聚類算法[A];第二十三屆中國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2006年

相關博士學位論文 前10條

1 鐘永騰;基于近場MUSIC算法的復合材料結構健康監(jiān)測研究[D];南京航空航天大學;2014年

2 劉燕;入侵雜草優(yōu)化算法在陣列天線綜合中的應用[D];西安電子科技大學;2015年

3 苗義烽;突發(fā)事件下的列車運行調度模型與算法研究[D];中國鐵道科學研究院;2015年

4 楊玉婷;頭腦風暴優(yōu)化算法與基于視頻的非接觸式運動定量分析方法研究[D];浙江大學;2015年

5 劉杰;全局優(yōu)化問題的幾類新算法[D];西安電子科技大學;2015年

6 柏靜;基于多種混合策略的人工蜂群算法改進研究[D];山東師范大學;2016年

7 孔翔宇;幾類優(yōu)化問題的人工蜂群算法[D];西安電子科技大學;2016年

8 單美靜;求解非線性實代數(shù)系統(tǒng)的混合算法研究[D];華東師范大學;2008年

9 邱劍鋒;人工蜂群算法的改進方法與收斂性理論的研究[D];安徽大學;2014年

10 潘磊;若干社區(qū)發(fā)現(xiàn)算法研究[D];南京大學;2014年

相關碩士學位論文 前10條

1 安世勇;命題邏輯中隨機3-SAT問題算法研究[D];西南交通大學;2015年

2 畢曉慶;油氣探礦權競爭性出讓系統(tǒng)設計與實現(xiàn)[D];中國地質大學(北京);2015年

3 王明明;鐵路大機與線路固定設施間距檢測算法研究[D];西南交通大學;2015年

4 李靜;基于視頻圖像序列的運動目標檢測與跟蹤算法研究[D];寧夏大學;2015年

5 劉貝玲;基于天地圖的租房平臺開發(fā)及其關鍵技術研究[D];西南交通大學;2015年

6 曹海鋒;IDS中串匹配臭算法并行優(yōu)化研究[D];西安建筑科技大學;2015年

7 周攀;基于蟻群算法的山區(qū)高速鐵路隧道火災應急疏散最優(yōu)路徑研究[D];西南交通大學;2015年

8 張路奇;基于改進蟻群算法的WSN路由協(xié)議的研究[D];中國地質大學(北京);2015年

9 王曉晨;入侵雜草優(yōu)化算法的應用與改進[D];長安大學;2015年

10 劉闊;面向傾斜數(shù)據(jù)的MapReduce連接算法研究[D];大連海事大學;2016年

，

本文編號：2271893