在科學(xué)研究和工程技術(shù)應(yīng)用中,大量問(wèn)題都可以演變成優(yōu)化問(wèn)題,這些難題通常具有復(fù)雜性,非線性,不可微等特性。傳統(tǒng)的數(shù)值優(yōu)化方法用于解決這些問(wèn)題效益較低。研究?jī)?yōu)化問(wèn)題的有效解決方法有助于各領(lǐng)域科學(xué)技術(shù)的發(fā)展。群智能優(yōu)化算法是智能優(yōu)化算法中重要的分支,具有結(jié)構(gòu)簡(jiǎn)單、快速收斂、易于實(shí)現(xiàn)等優(yōu)點(diǎn)。然而,目前群智能優(yōu)化算法具有一定局限性,尤其是針對(duì)大規(guī)模優(yōu)化問(wèn)題,如精度不高、易陷入局部最優(yōu)等缺陷。因此,設(shè)計(jì)性能更佳的群智能優(yōu)化算法使之應(yīng)對(duì)科技發(fā)展,具有重要的研究意義。本文首先簡(jiǎn)明地介紹了兩種經(jīng)典的群智能優(yōu)化算法,之后在各章側(cè)重于改進(jìn)粒子群優(yōu)化算法和差分進(jìn)化算法,提高算法的優(yōu)化性能,并用于解決實(shí)際優(yōu)化問(wèn)題。(1)提出了一種新的多級(jí)擾動(dòng)差分進(jìn)化算法。采用具有指向性信息的差分向量策略和多參數(shù)自適應(yīng)策略實(shí)現(xiàn)了一種多級(jí)擾動(dòng)變異的自適應(yīng)差分進(jìn)化算法。利用方差可調(diào)的正態(tài)隨機(jī)分布來(lái)形成個(gè)體最優(yōu)解的擾動(dòng),以增加群體多樣性,同時(shí)保證其向精英個(gè)體學(xué)習(xí)能力。通過(guò)引入一種多參數(shù)自適應(yīng)調(diào)節(jié)策略,以匹配算法的當(dāng)前搜索狀態(tài)所需不同參數(shù)的要求,從而提高算法的收斂速度和魯棒性。仿真實(shí)驗(yàn)結(jié)果表明,所提出的方法在數(shù)值測(cè)試函數(shù)上的各項(xiàng)性能優(yōu)于...

【文章頁(yè)數(shù)】：158 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖２＿１粒子更新操作移動(dòng)原理圖??

第三部分為群體共享，表示粒子之間的相互合作，可以理解為當(dāng)前位置與群體最優(yōu)位??置之間的距離。粒子通過(guò)記住自身的最優(yōu)解的位置，同時(shí)考慮其他粒子找到的最優(yōu)解??位置，協(xié)調(diào)自身的速度和方向，將向著較好的位置飛行。圖２－１中描述了粒子更新操??作的移動(dòng)原理。??ｔ?ｙ??！?＾?＾?＾ｇ....

圖３－１在函數(shù)ｆ３上五種算法的收斂曲線??

一個(gè)由多個(gè)簡(jiǎn)單的峰頂和一個(gè)較大的峰谷組成的函數(shù)，所以在算法的搜索前期就不??需要維持群體充足的多樣性，同樣可以找到函數(shù)最好的解。反而過(guò)多的增強(qiáng)群體的多??樣性會(huì)阻礙算法找到最優(yōu)值。如圖３－１和表３－２所示，在和，３＝［０．９９，?０．９９］的情況下又２，??七設(shè)定為［０．０１，?....

圖3-2參數(shù)變化時(shí)對(duì)應(yīng)函數(shù)招的平均適應(yīng)值

表３－２函數(shù)ｆ３的對(duì)比結(jié)果???ＭＰＤＥ?ＪＡＤＥ?ＣｏＤＥ?ＳａＤＥｂｒａｔ?＇?Ｉ２０００Ｅ＋０２一—＇３Ｉ００８Ｅ＋０２?３＾２０４０Ｅ＋０２?３．２０４０Ｅ＋０２?３．２ｍｅａｎ?３Ｉ２０００Ｅ＋０２—＂３．２０１３Ｅ＋０２３．２０５２Ｅ＋０２—＂３．２０５０Ｅ＋０２?一....

圖3-3參數(shù)變化時(shí)對(duì)應(yīng)函數(shù)仃的平均適應(yīng)值等高圖

表３－２函數(shù)ｆ３的對(duì)比結(jié)果???ＭＰＤＥ?ＪＡＤＥ?ＣｏＤＥ?ＳａＤＥｂｒａｔ?＇?Ｉ２０００Ｅ＋０２一—＇３Ｉ００８Ｅ＋０２?３＾２０４０Ｅ＋０２?３．２０４０Ｅ＋０２?３．２ｍｅａｎ?３Ｉ２０００Ｅ＋０２—＂３．２０１３Ｅ＋０２３．２０５２Ｅ＋０２—＂３．２０５０Ｅ＋０２?一....

本文編號(hào)：3924898