本文選題：人工蜂群算法　切入點：群智能算法　出處：《西安電子科技大學》2016年博士論文

【摘要】：優(yōu)化問題無處不有,而且各個領域提出的優(yōu)化問題越來越復雜,許多傳統(tǒng)的優(yōu)化算法在一些復雜的優(yōu)化問題面前變得無能為力.因此,人們不斷尋找新的求解方法.仿生智能優(yōu)化算法的出現(xiàn),使得這些復雜優(yōu)化問題的求解變?yōu)楝F(xiàn)實.由于該方法一般不需要目標函數(shù)和約束條件的任何先驗信息,能較好適應復雜優(yōu)化問題的求解,具有并行計算的特點,同時具有很好的魯棒性,仿生智能優(yōu)化算法一出現(xiàn)就引起了廣大科研人員的關注,被應用于旅行商問題、神經(jīng)網(wǎng)絡訓練、圖像處理等問題.2005年提出的人工蜂群算法就是一種仿生智能優(yōu)化算法,已成功應用于眾多研究領域.但人工蜂群算法與以往的智能優(yōu)化算法一樣,也存在種群探索能力與開發(fā)能力之間不平衡的問題,算法的探索能力強大,但開發(fā)能力不足,易于陷入局部最優(yōu),收斂速度慢等,且其數(shù)學理論基礎也十分薄弱.本文針對人工蜂群算法的缺點,提出了幾種改進的人工蜂群算法,成功應用于函數(shù)優(yōu)化問題,約束函數(shù)優(yōu)化問題和非負線性最小二乘問題.同時通過引入隨機過程中的鞅理論證明了人工蜂群算法的幾乎處處必然強收斂性.本文的主要研究工作如下：1、證明了人工蜂群算法的收斂性.已有的人工蜂群算法收斂性分析是基于算法的遍歷性分析,在概率收斂意義下考慮的.這種收斂性分析不確保算法在有限步內(nèi)收斂到問題的全局最優(yōu)解.本文嘗試運用鞅論研究人工蜂群算法的幾乎必然強收斂性,證明了人工蜂群算法確保能以概率1在有限步內(nèi)達到全局最優(yōu)解.這一結論為拓寬人工蜂群算法的應用范圍奠定理論基礎,并為人工蜂群算法的改進及收斂性研究提供了新的理論工具.2、提出了一種全局優(yōu)化問題的混合人工蜂群算法.該算法通過引入正交初始化方法,使初始種群分布更加均勻,提高了算法的搜索效率,同時對原始算法雇傭蜂和跟隨蜂的搜索方程添加隨機擾動項,擴大了算法的搜素范圍,利用benchmark函數(shù)測試所提算法的有效性,實驗結果、收斂曲線圖和箱型圖表明算法能快速收斂到全局最優(yōu)解.3、提出了一種求解函數(shù)優(yōu)化問題的改進人工蜂群算法.該算法受差分進化算法的啟發(fā),對雇傭蜂和跟隨蜂提出了兩種新的搜索方程,利用p概率控制兩個方程的使用,同時引入正交初始化方法,利用benchmark函數(shù)測試改進人工蜂群算法的性能,實驗結果表明,所提算法比一些改進人工蜂群算法和其他智能優(yōu)化算法更有效.4、提出了一種求解非負最小二乘問題的人工蜂群算法.該算法受粒子群算法和差分進化算法的啟發(fā),提出兩種改進的搜索方程,在算法執(zhí)行過程中不在區(qū)分雇傭蜂和跟隨蜂的區(qū)別,將其統(tǒng)一為一種蜜蜂,利用p概率控制兩個搜索方程的使用,通過測試函數(shù)確定參數(shù)p值,同時引入正交初始化,利用benchmark測試函數(shù)和非負最小二乘問題的實例測試,表明所提出的算法比其他改進算法和其他智能優(yōu)化算法收斂速度更快,解的精度更高.5、提出了一種全局優(yōu)化問題的混沌人工蜂群算法,并將該算法應用于非負線性最小二乘問題.為了克服人工蜂群算法的不足,算法中使用反學習初始化作為種群初始化方法.為了進一步改進算法的性能,均衡算法的探索能力和開發(fā)能力,為新算法設計了新的搜索機制.另外,在算法中加入混沌局部搜索機制,使得算法在最優(yōu)解周圍進行局部搜索.利用benchmark測試函數(shù)和非負最小二乘問題的實例測試,表明所提出的算法比其他改進算法和其他智能優(yōu)化算法收斂速度更快,解的精度更高.6、針對約束函數(shù)優(yōu)化問題,提出了一種算法投資組合的人工蜂群算法.該算法基于自適應約束處理進化策略和Deb選擇策略下的人工蜂群算法,原有的處理約束函數(shù)優(yōu)化問題的方法大部分是把算法的運行時間全部投入到一種算法或者是約束技術上去,該算法投資組合把算法的運行時間分配到不同的算法和約束處理技術上,避免了算法運行的風險,同時在算法中設計一個遷移階段,用來反應算法之間的信息交流與共享,benchmark函數(shù)實驗結果表明該算法比其他算法在求解約束優(yōu)化問題時擁有更高的成功率,更有效.
[Abstract]:Optimization problems exist everywhere, and all areas of the proposed optimization problems become more and more complex, many traditional optimization algorithms become incapable of action in the face of complex optimization problems. Therefore, people are constantly looking for a new solution. The bionic intelligent optimization algorithm, which solve the complex optimization problem into reality. Because any prior the method generally does not require the objective function and constraint conditions, can better adapt to solve complex optimization problems, with the characteristics of parallel computing, and has good robustness, bionic intelligent optimization algorithm has attracted the attention of many researchers, is applied to the traveling salesman problem, neural network, artificial bee colony the algorithm of image processing problems such as.2005 put forward is a kind of bionic intelligent optimization algorithm, has been successfully applied in many research fields. But the artificial bee colony algorithm The intelligent optimization algorithm, also exist between population exploration ability and development ability imbalance, explore algorithm ability strong, but development ability is insufficient, easy to fall into local optimum, the slow speed of convergence, and the mathematical theory foundation is also very weak. Aiming at the disadvantages of artificial bee colony algorithm, artificial bee colony algorithm is put forward several improved and successfully applied to the problem of function optimization, constrained optimization problem and non negative linear least squares problem. At the same time that the artificial bee colony algorithm almost sure convergence of everywhere through the martingale theory into the stochastic process. The main research work of this paper are as follows: 1. The convergence of the artificial bee colony algorithm analysis. Artificial bee colony algorithm convergence analysis existing ergodic algorithm based on consideration in the sense of probabilistic convergence. Convergence analysis of this algorithm does not ensure in Co. Step in the convergence to the global optimal solution of the problem. This paper attempts to use the almost sure convergence of martingale theory of artificial bee colony algorithm, artificial bee colony algorithm to ensure that with probability 1 in finite steps to reach the global optimal solution. This conclusion lays the theoretical foundation for broaden the scope of application of artificial bee colony algorithm, and provides the theory of new tools for.2 modified artificial bee colony algorithm and convergence analysis, this paper presents a global optimization problem of hybrid artificial bee colony algorithm. The algorithm by introducing the orthogonal initialization method, the initial population distribution is more uniform, improve the search efficiency of the algorithm, the original algorithm employed bees and bee follow search add random equation disturbance, expand the scope of search algorithm, the proposed algorithm is effective, using benchmark function test results, convergence curves and box plots show that the algorithm can fast charge Convergence to the global optimal solution of.3, puts forward a solving function optimization problem improved artificial bee colony algorithm. The algorithm by differential evolutionary algorithm inspired, the employed bees and the following bee put forward two new search using P probability equation, using two equations of control, while the introduction of orthogonal initialization method, performance improved artificial bee colony algorithm using benchmark function test, the experimental results show that the proposed algorithm is better than the improved artificial bee colony algorithm and other intelligent optimization algorithm is more effective in.4, the paper puts forward a new method of non negative least squares problem. The algorithm of artificial bee colony algorithm by particle swarm algorithm and heuristic algorithm, puts forward two kinds of improved search equation in the process does not distinguish between the employed bees and wasps will follow the implementation of the algorithm, the uniform as a bee, using P probability using two search control equation, through the test function The parameter p value, while the introduction of orthogonal initialization, using benchmark test function and non negative least squares problem instance test show that the proposed algorithm is faster than the other algorithm and other intelligent optimization algorithm convergence speed, the precision is higher.5, this paper proposes an optimization problem of the chaotic artificial bee colony algorithm, and the algorithm is applied to non negative linear least squares problem. In order to overcome the shortcomings of the artificial bee colony algorithm, using inverse learning as the method of initialization initialization algorithm. In order to further improve the performance of the algorithm, exploration ability and exploitation ability equalization algorithm, the design of the new search mechanism for the new algorithm. In addition, with chaotic local search mechanism in the algorithm in the algorithm the optimal solution around the local search. By using the benchmark test function and non negative least squares problem instances show that the proposed test The algorithm is faster than the other algorithm and other intelligent optimization algorithm convergence speed, the precision is higher for.6, a constrained optimization problem, artificial bee colony algorithm is put forward an algorithm of portfolio. The algorithm of adaptive constraint handling artificial bee colony algorithm evolutionary strategy and Deb selection strategy based on the method of constrained function optimization problems the original is the most of the running time of the algorithm into an algorithm or constraint up, the algorithm of portfolio allocation algorithm to the running time of algorithm and constraint handling technique on different, to avoid the risk of running the algorithm, while the design of a transfer stage in the algorithm, for the reaction between algorithm the information exchange and sharing, benchmark function experimental results show that the algorithm is better than other algorithms in solving constrained optimization problems with higher success rate, more Effect.

【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】：2016
【分類號】：TP18

【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 李向偉;曹博;;時間參數(shù)在HITS算法中的應用及改進[J];蘭州工業(yè)高等�？茖W校學報;2006年02期

3 吳濤;彭篤學;;一種改進的直線段裁剪算法[J];湛江師范學院學報;2008年03期

4 張瑞子;南琳;胡琨元;田景賀;;基于EPC Class-1 Gen-2標準的防沖突算法與改進[J];計算機工程;2009年02期

5 黃超;周寧;倪佑生;;基于蟻群算法的攻擊圖分析[J];計算機工程;2009年18期

6 秦永彬;許道云;;警示傳播算法的原理分析及算法改進[J];計算機工程與應用;2010年19期

7 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

8 牛玉靜;唐棣;;雙步圓的反走樣生成算法[J];計算機工程與應用;2010年23期

9 肖璞;;XML索引更新算法的改進[J];南京工程學院學報(自然科學版);2010年03期

10 周駿;陳鳴;張佳明;;兩類頻繁項算法在網(wǎng)絡流上的適用性評估[J];計算機工程;2011年16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(diào)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：1672018