【摘要】：群(體)智能(swarm intelligence,SI)是指由簡單的自治體所組成的群體所展現(xiàn)的集體智能。受自然界昆蟲的啟發(fā)產(chǎn)生的智能優(yōu)化算法,是通過對昆蟲自然行為的模擬研究而提出的一系列運用于解決傳統(tǒng)復(fù)雜問題的新方法,這種新興的演化計算技術(shù)已成為越來越多研究者關(guān)注的研究熱點。人工魚群算法(AFSA)就是一種群智能算法,且是一種新型的隨機搜索優(yōu)化算法,即通過模仿魚群的四種基本自然行為,包括覓食行為、聚群行為、追尾行為和隨機行為來解決優(yōu)化問題。初步研究表明該算法具有許多優(yōu)良的性質(zhì)和特點,如并行性、簡單性、快速跳出局部極值、尋優(yōu)速度快等特點,但也有一些不足之處。本文針對常數(shù)擁擠度因子導(dǎo)致算法存在的兩點不足,即迂回搜索會使得該算法運行時間過長和該算法得到的最優(yōu)解與實際最優(yōu)值誤差較大,根據(jù)追尾行為、聚群行為中的擁擠度因子的作用機理,提出了新的適應(yīng)度函數(shù),并采用指數(shù)式衰減變化策略,使擁擠度因子隨迭代次數(shù)的增加而自適應(yīng)減小,在全局搜索至逼近全局極值點附近后,精確搜索,不僅加快了系統(tǒng)滿意解的收斂速度,也使數(shù)值解更穩(wěn)定。同時,針對均勻隨機行為導(dǎo)致搜索次數(shù)增加算法不能快速收斂,且易陷入局部最優(yōu)的問題,本文引入對稱正態(tài)隨機行為,采用正態(tài)分布隨機調(diào)整該行為中的步長,減少迂回搜索的無用計算,提高搜索效率。另外,受到人工蜂群算法的啟發(fā),提出基于跟隨行為的人工魚群算法,通過觀察各個引領(lǐng)魚的適應(yīng)度值,并依據(jù)選擇概率的大小自動確定跟隨其中一個引領(lǐng)魚,減少基本人工魚群算法中的參數(shù)選取,避免由經(jīng)驗設(shè)置的非適應(yīng)性的參數(shù)對優(yōu)化的影響。最后,將人工魚群算法運用到編隊反潛作戰(zhàn)任務(wù)規(guī)劃的三級優(yōu)化模型中,并進行相關(guān)實證分析,實現(xiàn)對DAD模型的求解。
【學(xué)位授予單位】：南京理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP18

【參考文獻】

相關(guān)期刊論文 前10條

1 陳阿慧;李艷娟;郭繼峰;;人工蜂群算法綜述[J];智能計算機與應(yīng)用;2014年06期

2 付麗;羅鈞;;引入跟蹤搜索和免疫選擇的人工蜂群算法[J];模式識別與人工智能;2013年07期

3 黃秋菀;王志剛;夏慧明;;求解旅行商問題的人工蜂群算法[J];價值工程;2013年09期

4 黃光球;劉嘉飛;姚玉霞;;人工魚群算法的全局收斂性證明[J];計算機工程;2012年02期

5 肖曉偉;肖迪;林錦國;肖玉峰;;多目標優(yōu)化問題的研究概述[J];計算機應(yīng)用研究;2011年03期

6 王聯(lián)國;施秋紅;;人工魚群算法的參數(shù)分析[J];計算機工程;2010年24期

7 朱峰;陳莉;;一種改進的蟻群聚類算法[J];計算機工程與應(yīng)用;2010年06期

8 陳廣洲;汪家權(quán);李傳軍;魯祥友;;一種改進的人工魚群算法及其應(yīng)用[J];系統(tǒng)工程;2009年12期

9 張梅鳳;邵誠;;多峰函數(shù)優(yōu)化的生境人工魚群算法[J];控制理論與應(yīng)用;2008年04期

10 盧雪燕;蔡菲菲;;基于多群競爭的改進人工魚群算法[J];梧州學(xué)院學(xué)報;2008年03期

相關(guān)博士學(xué)位論文 前1條

1 李曉磊;一種新型的智能優(yōu)化方法-人工魚群算法[D];浙江大學(xué);2003年

，

本文編號：2557455