本文選題：智能優(yōu)化算法　切入點(diǎn)：動(dòng)態(tài)行為學(xué)分析　出處：《中國(guó)科學(xué)技術(shù)大學(xué)》2017年博士論文　論文類(lèi)型：學(xué)位論文

【摘要】：智能優(yōu)化算法是一類(lèi)通過(guò)模擬自然界生物的進(jìn)化或集群行為來(lái)實(shí)現(xiàn)問(wèn)題求解的元啟發(fā)式算法(meta-heuristic algorithms),擅長(zhǎng)求解研究和工程中遇到的各類(lèi)復(fù)雜優(yōu)化問(wèn)題。近二十年來(lái),智能優(yōu)化領(lǐng)域經(jīng)歷了一個(gè)快速發(fā)展的時(shí)期,涌現(xiàn)了大批新的算法模型,同時(shí)在一些復(fù)雜應(yīng)用問(wèn)題的求解上取得了矚目的成果。然而,隨著算法種類(lèi)和數(shù)量的日益增多,研究和技術(shù)人員在求解具體問(wèn)題時(shí),往往面臨算法選擇的困難。同時(shí),由于智能優(yōu)化算法由不同的算子(parameters)組合而成,算子之間的相互作用關(guān)系是錯(cuò)綜復(fù)雜的,即使是同種算法,不同的算子組合也會(huì)產(chǎn)生截然不同的優(yōu)化結(jié)果,因此算子調(diào)優(yōu)(parameter tuning)也是該領(lǐng)域研究的熱點(diǎn)和難點(diǎn)。本論文主要從智能優(yōu)化算法的動(dòng)態(tài)行為學(xué)分析入手,試圖從表型空間研究不同算法在優(yōu)化過(guò)程中表現(xiàn)出的行為差異,以更好地理解不同的算法或算子,為算法選擇和算子調(diào)優(yōu)提供指導(dǎo)和幫助。具體而言,本論文的研究工作和成果主要包含如下幾個(gè)方面:[1]提出了一類(lèi)新的基于群體可進(jìn)化性實(shí)現(xiàn)表型空間算法行為定量分析的方法。通過(guò)將算法的行為與優(yōu)化問(wèn)題的特性相結(jié)合,提出了三個(gè)群體可進(jìn)化性的度量指標(biāo),作為一種新的動(dòng)態(tài)適應(yīng)度景觀分析(Fitness Landscape Analysis,簡(jiǎn)稱FLA)方法,并通過(guò)理論和實(shí)驗(yàn)相結(jié)合的方式,詳細(xì)分析了各指標(biāo)的意義和合理性。通過(guò)黑盒實(shí)值優(yōu)化問(wèn)題(black-box numerical optimization problem)上的算法選擇任務(wù),對(duì)所提指標(biāo)的有效性進(jìn)行了實(shí)驗(yàn)驗(yàn)證,統(tǒng)計(jì)結(jié)果表明,本論文的方法取得了較高的準(zhǔn)確率,同時(shí)顯著降低了整個(gè)過(guò)程的計(jì)算代價(jià);[2]提出了一種新的基于統(tǒng)計(jì)競(jìng)賽(statistical racing)的算子調(diào)優(yōu)方法。通過(guò)分析現(xiàn)有算子調(diào)優(yōu)方法的不足,提出了基于Kruskal-Wallis測(cè)試的統(tǒng)計(jì)競(jìng)賽方法KW-Race,隨后又合理地融入算法收斂速度的指標(biāo),形成了 Fast KW-Race框架,在顯著提升算子調(diào)優(yōu)效率的同時(shí),保持了結(jié)果在測(cè)試問(wèn)題上較高的準(zhǔn)確率,更好地滿足了研究和工程人員期望既快又好地解決復(fù)雜優(yōu)化問(wèn)題上算子調(diào)優(yōu)的需求;[3]研究方法在工程實(shí)例中的應(yīng)用。通過(guò)一個(gè)工程中遇到的優(yōu)化設(shè)計(jì)問(wèn)題,驗(yàn)證上述兩種新方法在NP-hard實(shí)數(shù)優(yōu)化場(chǎng)景下的具體表現(xiàn),結(jié)果表明我們的方法無(wú)論在算法選擇還是算子調(diào)優(yōu)方面,均表現(xiàn)出優(yōu)于原有方法的性能和穩(wěn)定性,具有普適的應(yīng)用價(jià)值。本論文定義的基于群體可進(jìn)化性的指標(biāo)為設(shè)計(jì)更加實(shí)用的適應(yīng)度景觀分析方法提供了新的方向。本論文提出的KW-Race和Fast KW-Race框架,對(duì)定性和定量的算子均適用,是一種通用的算子調(diào)優(yōu)框架。本論文的工作對(duì)更加合理有效地應(yīng)用智能優(yōu)化算法具有一定的推動(dòng)作用。
[Abstract]:Intelligent optimization algorithm is a meta-heuristic algorithm that simulates the evolution or cluster behavior of natural organisms. It is good at solving all kinds of complex optimization problems in research and engineering. The field of intelligent optimization has experienced a period of rapid development, a large number of new algorithm models have emerged, and at the same time, great achievements have been made in solving some complex application problems. However, with the increasing number and variety of algorithms, Researchers and technicians often face the difficulty of selecting algorithms when solving specific problems. At the same time, because the intelligent optimization algorithm is composed of different operators, the interaction between operators is complicated, even the same algorithm. Different combinations of operators also produce very different optimization results, so operator tuning parameter is also a hot and difficult point in this field. This paper mainly starts with the dynamic behavior analysis of intelligent optimization algorithms. This paper attempts to study the behavior differences of different algorithms in the optimization process from phenotypic space, in order to better understand different algorithms or operators, and to provide guidance and help for algorithm selection and operator tuning. The research work and achievements of this thesis mainly include the following aspects: [1] A new method for quantitative analysis of phenotypic spatial algorithm based on population evolution is proposed. By combining the behavior of the algorithm with the characteristics of optimization problem, As a new dynamic fitness Landscape analysis (FLA) method, three measures of population evolutionability are proposed, which are combined with theory and experiment. The significance and rationality of each index are analyzed in detail. Through the algorithm selection task on black-box numerical optimization problem (black-box numerical optimization problem), the validity of the proposed index is verified experimentally. The statistical results show that, The method in this paper has achieved high accuracy and significantly reduced the computational cost of the whole process. [2] A new operator tuning method based on statistical statistics is proposed. A statistical competition method based on Kruskal-Wallis test, KW-Race-based, is proposed, and then the index of convergence rate of the algorithm is reasonably incorporated into the framework of Fast KW-Race, which can significantly improve the efficiency of operator tuning and maintain the high accuracy of the test results. It can better meet the needs of the researchers and engineers to solve the optimization problem of complex optimization quickly and well. [3] the application of the research method in engineering example. Through the optimization design problem encountered in a project, The performance of the above two new methods in the NP-hard real number optimization scenario is verified. The results show that our method is superior to the original method in performance and stability both in algorithm selection and operator tuning. The index defined in this paper based on population evolution provides a new direction for the design of more practical landscape fitness analysis methods. In this paper, KW-Race and Fast KW-Race frameworks are proposed. It is suitable for both qualitative and quantitative operators and is a general operator optimization framework. The work of this paper can promote the more rational and effective application of intelligent optimization algorithm.
【學(xué)位授予單位】：中國(guó)科學(xué)技術(shù)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 蔣騰旭;;智能優(yōu)化算法概述[J];電腦知識(shí)與技術(shù)(學(xué)術(shù)交流);2007年08期

2 王勇;蔡自興;;“智能優(yōu)化算法及其應(yīng)用”課程教學(xué)的實(shí)踐與探索[J];計(jì)算機(jī)教育;2009年11期

3 王夢(mèng)蘭;;智能優(yōu)化算法的比較與改進(jìn)[J];中國(guó)水運(yùn);2012年12期

4 莫愿斌;劉賀同;王勤;;智能優(yōu)化算法的綜述教學(xué)研究[J];科技創(chuàng)新導(dǎo)報(bào);2008年13期

5 紀(jì)潔;顧偉;張松勇;;一種新型生物地理學(xué)智能優(yōu)化算法及其比較研究[J];上海電力學(xué)院學(xué)報(bào);2012年01期

6 于宏宇;;智能優(yōu)化算法的應(yīng)用研究[J];電腦編程技巧與維護(hù);2012年20期

7 劉靜;;淺析智能優(yōu)化算法[J];計(jì)算機(jī)光盤(pán)軟件與應(yīng)用;2014年10期

8 吳春梅;;現(xiàn)代智能優(yōu)化算法的研究綜述[J];科技信息;2012年08期

9 常洪浩;馮祖仁;張兆軍;徐明釗;;一種智能優(yōu)化算法解質(zhì)量評(píng)價(jià)方法[J];控制與決策;2013年11期

10 李廣軍;孫曉玲;趙炯;;智能優(yōu)化算法及其在焊接優(yōu)化設(shè)計(jì)領(lǐng)域的應(yīng)用[J];電焊機(jī);2011年06期

相關(guān)會(huì)議論文 前3條

1 張曉菲;張火明;高明正;;三種智能優(yōu)化算法的研究進(jìn)展[A];中國(guó)儀器儀表學(xué)會(huì)第十一屆青年學(xué)術(shù)會(huì)議論文集[C];2009年

2 張火明;孫小麗;高明正;;智能優(yōu)化平臺(tái)設(shè)計(jì)[A];中國(guó)儀器儀表學(xué)會(huì)第十一屆青年學(xué)術(shù)會(huì)議論文集[C];2009年

3 孫俊清;李平;韓梅;;裝卸橋調(diào)度問(wèn)題及其混合智能優(yōu)化算法GASA[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

相關(guān)博士學(xué)位論文 前10條

1 伍國(guó)華;基于勘探和開(kāi)采策略控制的智能優(yōu)化算法及其應(yīng)用研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

2 路靜;智能優(yōu)化算法在電磁場(chǎng)逆散射中的應(yīng)用研究[D];河北工業(yè)大學(xué);2014年

3 何小鋒;量子群智能優(yōu)化算法及其應(yīng)用研究[D];上海理工大學(xué);2014年

4 趙夢(mèng)玲;基于智能優(yōu)化算法的聚類(lèi)分析及應(yīng)用[D];西安電子科技大學(xué);2015年

5 王莽;智能優(yōu)化算法表型空間的動(dòng)態(tài)行為學(xué)分析與應(yīng)用[D];中國(guó)科學(xué)技術(shù)大學(xué);2017年

6 楊勁秋;智能優(yōu)化算法評(píng)價(jià)模型研究[D];浙江大學(xué);2011年

7 豐小月;基于量子機(jī)制與組合方法的智能優(yōu)化算法及應(yīng)用研究[D];吉林大學(xué);2008年

8 馮春時(shí);群智能優(yōu)化算法及其應(yīng)用[D];中國(guó)科學(xué)技術(shù)大學(xué);2009年

9 高永超;智能優(yōu)化算法的性能及搜索空間研究[D];山東大學(xué);2007年

10 唐正茂;智能優(yōu)化算法適用性研究及其在船舶工程中的應(yīng)用[D];華中科技大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 葉樹(shù)錦;基于群智能優(yōu)化算法的收斂控制器框架及其應(yīng)用[D];華南理工大學(xué);2015年

2 趙杰;群智能優(yōu)化算法在聚類(lèi)分析中的應(yīng)用研究[D];陜西師范大學(xué);2015年

3 張振星;基于智能優(yōu)化算法的電站鍋爐燃燒優(yōu)化[D];華北電力大學(xué);2015年

4 郝曉亮;基于智能優(yōu)化算法的Jiles-Atherton磁滯模型參數(shù)計(jì)算研究[D];浙江師范大學(xué);2015年

5 李艷良;基于多目標(biāo)智能優(yōu)化算法的可重構(gòu)天線優(yōu)化與設(shè)計(jì)[D];電子科技大學(xué);2014年

6 薛威力;基于方差的智能優(yōu)化算法參數(shù)調(diào)整的研究[D];西安工程大學(xué);2016年

7 陳鋼;基于函數(shù)優(yōu)化問(wèn)題的兩種混合智能優(yōu)化算法[D];華中科技大學(xué);2014年

8 趙博偉;多目標(biāo)智能優(yōu)化算法及其天線設(shè)計(jì)應(yīng)用的研究[D];南京郵電大學(xué);2016年

9 王建;群智能優(yōu)化算法的MapReduce化實(shí)現(xiàn)[D];南京郵電大學(xué);2016年

10 朱達(dá)祥;群體智能優(yōu)化算法—粒子群算法的研究和改進(jìn)[D];江南大學(xué);2017年

，

本文編號(hào)：1584742