大數(shù)據(jù)環(huán)境的需求下,研究對象一般具有非線性、非凸、高維、超多目標(biāo)等多種性質(zhì)或者其中一種。如何對具有高維甚至超高維特征的優(yōu)化問題進(jìn)行有效求解,成為目前計算智能領(lǐng)域的一個嚴(yán)峻挑戰(zhàn)。受物質(zhì)在不同相態(tài)下豐富運(yùn)動規(guī)律的啟發(fā),通過對其運(yùn)動特性的觀察和分析,抽象出自然現(xiàn)象中所蘊(yùn)含與之相關(guān)聯(lián)的搜索特性及其內(nèi)在信息處理機(jī)制,提出了一種基于物態(tài)運(yùn)動原理的計算模型,在此基礎(chǔ)上設(shè)計了幾種不同類型的優(yōu)化算法,以解決傳統(tǒng)智能算法在求解不同類型高維優(yōu)化問題中的不足。本論文在系統(tǒng)分析智能算法設(shè)計中搜索策略功能互補(bǔ)性等方面的一些關(guān)鍵問題的基礎(chǔ)上,構(gòu)建了適用于高維問題求解的物態(tài)計算模型,設(shè)計了幾類有效求解具有一般高維、變量耦合高維以及具有大規(guī)模變量的多目標(biāo)等特性優(yōu)化問題的優(yōu)化算法,旨在有力地推動智能優(yōu)化算法在大規(guī)模優(yōu)化領(lǐng)域方面的理論研究,進(jìn)而為新型大規(guī)模智能系統(tǒng)的設(shè)計提供方法支撐。本論文主要在以下幾個方面展開了研究工作:(1)受物質(zhì)在不同相態(tài)(氣、液和固)下豐富運(yùn)動規(guī)律的啟發(fā),構(gòu)建了一種基于物態(tài)運(yùn)動特性的計算模型,并提出了一種新型的自然啟發(fā)式算法—物態(tài)優(yōu)化算法(Phase Based Optimization,PBO),...

【文章頁數(shù)】：141 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
Abstract
符號對照表
縮略語對照表
1 緒論
    1.1 研究背景
    1.2 傳統(tǒng)優(yōu)化算法
    1.3 智能優(yōu)化算法
        1.3.1 智能計算的研究框架
        1.3.2 演化算法
        1.3.3 群智能算法
        1.3.4 基于其它自然現(xiàn)象的啟發(fā)式算法
        1.3.5 已有智能優(yōu)化算法分析
    1.4 高維全局優(yōu)化問題
        1.4.1 問題描述
        1.4.2 目前的挑戰(zhàn)
    1.5 主要研究內(nèi)容及論文結(jié)構(gòu)
2 基本的物態(tài)優(yōu)化算法
    2.1 引言
    2.2 物態(tài)優(yōu)化模型建立
        2.2.1 三種相態(tài)個體運(yùn)動規(guī)律抽象
        2.2.2 物質(zhì)個體運(yùn)動規(guī)律與算法模型中的對照關(guān)系
        2.2.3 模型搜索過程描述
    2.3 物態(tài)優(yōu)化算法
        2.3.1 相態(tài)劃分
        2.3.2 算子設(shè)計
        2.3.3 算法流程
    2.4 實驗研究
        2.4.1 大優(yōu)化問題背景
        2.4.2 數(shù)據(jù)集說明
        2.4.3 對比算法
        2.4.4 精度對比結(jié)果
        2.4.5 收斂性對比
    2.5 分析和討論
        2.5.1 PBO算法中的優(yōu)化機(jī)理分析
        2.5.2 與傳統(tǒng)演化算法的不同之處
        2.5.3 對PBO算法改進(jìn)的幾種途徑
    2.6 總結(jié)
3 物態(tài)優(yōu)化算法的理論分析與性能對比
    3.1 PBO搜索行為分析
    3.2 PBO收斂性分析
    3.3 PBO時間復(fù)雜度分析
    3.4 實驗研究分析
        3.4.1 測試函數(shù)
        3.4.2 參數(shù)設(shè)置
        3.4.3 實驗結(jié)果比較
        3.4.4 群體大小對算法性能的影響
        3.4.5 算法在不同問題維數(shù)下的性能比較
        3.4.6 算子搜索性能分析
    3.5 PBO在實際優(yōu)化問題中的應(yīng)用
    3.6 PBO的優(yōu)勢與缺點
    3.7 總結(jié)
4 求解可擴(kuò)展優(yōu)化問題的全局引導(dǎo)物態(tài)優(yōu)化算法
    4.1 引言
    4.2 全局引導(dǎo)的物態(tài)優(yōu)化算法
        4.2.1 全局引導(dǎo)的振動算子
        4.2.2 算法主要流程
        4.2.3 GPBO算法搜索機(jī)理分析
    4.3 實驗研究
        4.3.1 測試函數(shù)
        4.3.2 比較算法及其參數(shù)設(shè)置
        4.3.3 實驗結(jié)果比較
    4.4 大規(guī)模優(yōu)化實例分析
        4.4.1 問題描述
        4.4.2 仿真結(jié)果
    4.5 總結(jié)
5 融合自適應(yīng)局部搜索的合作性協(xié)同混合物態(tài)演化算法
    5.1 引言
        5.1.1 大規(guī)模優(yōu)化問題描述以及特性
        5.1.2 大規(guī)模優(yōu)化問題的求解方法
        5.1.3 本章的貢獻(xiàn)
    5.2 協(xié)同演化框架
    5.3 局部搜索SW算法
    5.4 全局搜索HPBO算法
        5.4.1 頭腦風(fēng)暴優(yōu)化算法
        5.4.2 差分演化算法
        5.4.3 混合物態(tài)優(yōu)化算法HPBO設(shè)計
    5.5 集成全局和局部搜索方法的合作性協(xié)同演化算法
        5.5.1 順序滑動窗分組方法
        5.5.2 全局和局部搜索的平衡策略
        5.5.3 CC-GLS算法框架
        5.5.4 相關(guān)理論分析
    5.6 實驗研究與分析
        5.6.1 測試函數(shù)
        5.6.2 對比算法的參數(shù)設(shè)置
        5.6.3 實驗結(jié)果
        5.6.4 分組大小對算法性能的影響
    5.7 總結(jié)
6 基于分解的多目標(biāo)物態(tài)優(yōu)化算法
    6.1 引言
    6.2 多目標(biāo)優(yōu)化問題背景介紹
        6.2.1 多目標(biāo)優(yōu)化問題的描述
        6.2.2 多目標(biāo)演化算法概述
        6.2.3 多目標(biāo)演化算法的評價指標(biāo)
    6.3 MOEA/D-PBO算法
        6.3.1 MOEA/D的算法思想
        6.3.2 MOEA/D-PBO算法框架
        6.3.3 理論分析
    6.4 實驗研究與分析
        6.4.1 LS-MOPs問題描述
        6.4.2 對比算法和參數(shù)設(shè)置
        6.4.3 實驗結(jié)果比較
    6.5 討論
        6.5.1 MOEA/D-PBO和MOEA/D-DE的比較
        6.5.2 MOEA/D-PBO搜索策略分析
    6.6 總結(jié)
7 總結(jié)與展望
    7.1 全文總結(jié)
    7.2 研究展望
致謝
參考文獻(xiàn)
附錄
在校學(xué)習(xí)期間的研究成果
    1.完成的論文成果
    2.參與的科研項目
    3.參加的學(xué)術(shù)活動



本文編號：3814992