很多工程、科學(xué)、管理等領(lǐng)域的實(shí)際問題都可以歸結(jié)為復(fù)雜優(yōu)化問題,因此有效的求解這類問題是至關(guān)重要。復(fù)雜優(yōu)化問題通常是高維、多目標(biāo)、動(dòng)態(tài)、不確定和多約束的。群體智能算法包括粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法是解決復(fù)雜優(yōu)化問題的常用算法,但隨著維度、目標(biāo)、約束等增多,算法的性能和效率會(huì)降低。因此,設(shè)計(jì)新的策略以應(yīng)對(duì)算法的性能和效率瓶頸,是目前群體智能算法領(lǐng)域的研究熱點(diǎn)。本文以量子行為粒子群優(yōu)化算法(Quantum-behaved Swarm Optimization,QPSO)為基礎(chǔ),針對(duì)復(fù)雜問題的高維性和多約束性,特別是大規(guī)模優(yōu)化問題,基于不同的解決方案提出以下幾種新的策略和方法。(1)提出了一種新的資源分配的方法。由于大規(guī)模優(yōu)化問題的維度過高,因此許多協(xié)同演化合作的算法(Cooperative Co-evolution,CC)首先會(huì)將大規(guī)模優(yōu)化算法分解成為多個(gè)子問題,然后使用群體智能算法獨(dú)立的優(yōu)化各個(gè)子問題。將大規(guī)模優(yōu)化問題的優(yōu)化轉(zhuǎn)化為求解低維度的優(yōu)化問題能夠減小問題求解的難度,然而,大部分算法都專注于設(shè)計(jì)問題的分解策略和群體智能算法的改進(jìn),但...

【文章頁數(shù)】：114 頁

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖5-1層次競(jìng)爭(zhēng)策略Figure5-1Hierarchicalcomprtitionstrategy

墾?宦畚?60（3）它使粒子群的多樣性在搜索過程中緩慢甚至線性下降;（4）讓陷入局部最優(yōu)區(qū)域的粒子可以以較高的概率從局部最優(yōu)區(qū)域飛離。為了評(píng)價(jià)該框架的泛化性能，我們將該框架與標(biāo)準(zhǔn)PSO算法和QPSO算法相結(jié)合。分別稱為基于層次競(jìng)爭(zhēng)框架的粒子群優(yōu)化（Hierachicalcompe....

圖5-2二階段等待策略

第五章基于多層次競(jìng)爭(zhēng)框架的QPSO算法615.2.2二階段等待策略圖5-2二階段等待策略Figure5-2Two-stagewaitingeffortstrategy如5.2.1節(jié)所述，本文提出的框架受到社會(huì)競(jìng)爭(zhēng)的啟發(fā)，它類似于一個(gè)階梯式的管理系統(tǒng)。但是，我們之前只解釋了競(jìng)爭(zhēng)機(jī)制....

圖6-1CMU高光譜人臉數(shù)據(jù)庫的示例圖

第六章基于QPSO算法的應(yīng)用研究79圖6-1CMU高光譜人臉數(shù)據(jù)庫的示例圖Figure6-1AnexamplefigureofCMUhyperspectralfacedatabase（2）圖片預(yù)處理和參數(shù)設(shè)置首先，基于切割出的220×180的臉部輪廓計(jì)算KL散度，并得到波段的相關(guān)....

圖6-2不同計(jì)算方式下獲得

木劾?數(shù)進(jìn)行了精度比較。我們隨機(jī)選取了58個(gè)訓(xùn)練樣本，其中包含29個(gè)類別的2個(gè)樣本，剩下的67個(gè)樣本首先用來測(cè)試我們的算法。然后，我們選擇48個(gè)訓(xùn)練樣本，其中包含48個(gè)類的一個(gè)樣本，并且剩下的99個(gè)樣本用作測(cè)試數(shù)據(jù)集。此外，所有實(shí)驗(yàn)結(jié)果均在10次交叉驗(yàn)證下獲得。需要說明的是，后一....

本文編號(hào)：4021924