【摘要】：隨著現(xiàn)代工業(yè)與高科技的快速發(fā)展,優(yōu)化算法逐漸成為國內(nèi)外研究人員的關注焦點,在具體的工業(yè)優(yōu)化領域中,對于各個工藝流程建立數(shù)學模型,得到了相應的目標函數(shù),利用智能尋優(yōu)方法對實際問題求解,進一步滿足了生產(chǎn)效能方面的需求。進化算法作為一種自啟發(fā)、自學習的隨機優(yōu)化方法,對于高維、多峰目標函數(shù)具有良好的尋優(yōu)效果,其核心思想是來源于大自然物種的生存進化過程,通過尋優(yōu)個體之間的自然競爭與交叉進化,“存優(yōu)去劣”,逐漸提高種群的整體最優(yōu)值。進化算法就是依據(jù)了種群自身進化流程的生存與斗爭行為,求解目標函數(shù)的全局極值點,科研人員通過仿真驗證了這些進化模型在多峰的搜索環(huán)境中保持了極佳的隨機收斂性能。本文主要針對差分向量模型的原理與增強收斂能力的方法展開細致地探究,以提高最優(yōu)值精度與進化速度為目標,經(jīng)過調(diào)節(jié)后的智能尋優(yōu)技術解決了具體的工業(yè)生產(chǎn)問題。首先,本文對于各種進化算法的進行介紹,總結了進化算法的發(fā)展歷程與現(xiàn)有最新研究成果,重點分析了差分進化算法的研究國內(nèi)外背景與現(xiàn)狀,以及該智能優(yōu)化方法的未來應用方向與趨勢。其次,詳細地探討了經(jīng)典差分向量進化選擇操作與子代信息分布情況之間的內(nèi)在聯(lián)系,各個參數(shù)對種群搜索狀態(tài)產(chǎn)生的影響,通過多組對比實驗數(shù)據(jù),得到了縮放因子與交叉概率的最優(yōu)取值范圍,比較了算法采用不同變異方式的收斂效果,總結了基本差分向量尋優(yōu)方法的優(yōu)勢與不足之處。針對基本差分進化算法存在尋優(yōu)模式單一的不足,分析了個體在不同進化時期具有的運動方式,提出了三種的改進方法,分別從三個方面:及時調(diào)整縮放因子與每一維信息被選擇的概率,同時結合了DE/rand/1與DE/best/1兩種更新方式,種群搜索跳躍步長的自適應調(diào)節(jié)。這些新型的改進策略提高了個體的環(huán)境適應能力,使個體在全局范圍內(nèi)的行為方式具有可控性,平衡了種群的全局與局部搜索能力。為評價調(diào)整策略所產(chǎn)生的積極尋優(yōu)效果,將每種進化方法同時應用在多組benchamark中,仿真得到最優(yōu)解顯示本文采用的自適應搜索算法的收斂精度明顯優(yōu)于經(jīng)典的進化模型。在基本差分進化算法中,種群多樣性在進化后期會逐漸降低,通過結合不同的進化算法可以防止個體出現(xiàn)“局部集中搜索”的現(xiàn)象,總結并分析現(xiàn)有混合技術的研究方法與存在的不足之處,本文結合了三種智能尋優(yōu)方法-遺傳、粒子群、差分搜索模型,這三種算法具有各自的搜索特性與更新方式,每個種群適用于特定的外界環(huán)境中。兩個子種群分別采用向量的差分進化模式與染色體的遺傳模式,個體同時具備了“隨機”與“目的”搜索能力,混合選擇以后的種群再次采用粒子群速度與位置更新操作,子代能夠從父代經(jīng)驗值中得到對于可行域的指導性搜索信息,融合以后的優(yōu)化方法保留了三類進化形態(tài)的優(yōu)勢。在標準測試函數(shù)與應用實例上展開對比實驗,本文混合算法獲得了最高的尋優(yōu)精度和良好的實用價值。
【圖文】：

圖 2-1 差分向量的縮放示意圖變異個體 1 iV t 與原個體 iX t 之間具有差異，生成的子代向量區(qū)域。p 3: 交叉操作；交換變異個體 1 iV t 與原個體 iX t 之間的部分型的備選個體，在備選個體中同時保留了變異個體與原個體兩者作可表示為： 1 i1 1,2, , ; 1,2, , jiiv t f rand CR or j rand Di N j DX t otherwise 5)中，CR 為交叉概率， 1 iU t 為候選個體， rand D 為 1 ,D 之，設置 rand D 是為了確保候選個體中至少會有一項來自于變異個止候選與原向量沒有區(qū)別特征，產(chǎn)生無效的進化代數(shù)。DE 中，向量信息交換可概括為兩種方式：指數(shù)與二項交換，其中對個體上的多個連續(xù)信息作為整體，產(chǎn)生隨機數(shù)，當滿足條件時信息保存至備選個體中，這種交叉方式效率高，，速度快，但是備選

圖 2-2 指數(shù)交叉方式項交叉對于個體的每一個信息分別產(chǎn)生隨機數(shù)，選擇原個體單獨的信息混合形成下一代備選個體，因此二項交叉的靈活息組合方式多樣，但是操作過程更加復雜，算法復雜度增加示：圖 2-3 二項交叉方式tep 4: 選擇操作；計算并比較原個體與候選個體的適應值，體進入下一代種群當中，完成種群的更新?lián)Q代。具體操作如 1 1U t if f U t f X t
【學位授予單位】：湘潭大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP18

【參考文獻】

相關期刊論文 前10條

1 彭虎;吳志健;周新宇;鄧長壽;;基于三角的骨架差分進化算法[J];計算機研究與發(fā)展;2015年12期

2 楊隆浩;傅仰耿;鞏曉婷;;置信規(guī)則庫參數(shù)學習的并行差分進化算法[J];山東大學學報(工學版);2015年01期

3 賀毅朝;李寧;李文斌;;蟬鳴優(yōu)化:一種新的仿生進化算法[J];計算機科學;2014年06期

4 孫成富;張亞紅;陳劍洪;陳禮青;;基于高斯擾動和免疫搜索策略的改進差分進化算法[J];南京大學學報(自然科學版);2013年02期

5 劉世成;張建華;劉宗岐;;并行自適應粒子群算法在電力系統(tǒng)無功優(yōu)化中的應用[J];電網(wǎng)技術;2012年01期

6 馬小華;李濟民;;融合對數(shù)交叉概率因子和隨機遷移的差分進化算法[J];太原理工大學學報;2011年03期

7 葛延峰;金文靜;高立群;馮達;;多種群并行的自適應差分進化算法[J];東北大學學報(自然科學版);2011年04期

8 雷能忠;;煤層屬性空間變異的差分進化徑向基神經(jīng)網(wǎng)絡插值[J];煤炭學報;2011年02期

9 宋敏;魏瑞軒;馮志明;;基于差分進化算法的異構多無人機任務分配[J];系統(tǒng)仿真學報;2010年07期

10 許小健;黃小平;錢德玲;;自適應加速差分進化算法[J];復雜系統(tǒng)與復雜性科學;2008年01期

本文編號：2582218