差分进化算法的改进及其在神经网络中的应用研究

发布时间：2022-04-17 20:16

　　最优化问题在科学研究和工程实践的各个领域中无处不在。当今时代,科技飞速发展,传统的优化方法在求解具有大规模、高维度、NP-难、动态等复杂特征的优化问题时,无法在可接受的时间内取得令人满意的解。由于其简单的原理、较强的全局搜索能力、良好的鲁棒性和适应性等卓越的优势,进化算法在处理复杂的优化问题时得到了国内外研究者普遍的关注与认可。作为进化算法的新兴分支——差分进化算法是一类基于群体的随机并行算法。除了具备上述进化算法共有的优点,差分进化算法还有着搜索能力强、控制参数少等特有的性能,近二十年间取得了大量的突破性进展。尽管如此,差分进化算法中仍然存在着以下亟需攻克的问题:（1）变异策略的选择和控制参数的设定对差分进化算法的性能起着决定性的影响。标准差分进化算法中,在进化的后期个体间信息的差异变小,算法的全局搜索能力受到了一定的限制。这不仅降低了算法的收敛速度,而且还会使算法陷入局部最优,从而容易引发早熟收敛和搜索停滞的现象。（2）最初,差分进化算法往往只是在标准函数测试集上评估其性能。然而,随着人类需求与生产实践的快速发展,实际优化问题中呈现出更为复杂的特性。差分进化算法单一的编码形式限制了... 

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景
    1.2 国内外研究现状
        1.2.1 差分进化算法的相关改进
        1.2.2 多模态优化问题的小生境技术
        1.2.3 神经网络集成
    1.3 研究目的及意义
    1.4 研究思路及创新点
        1.4.1 论文研究思路
        1.4.2 主要创新点
    1.5 论文结构安排
第二章 差分进化算法综述
    2.1 进化算法
    2.2 差分进化算法
        2.2.1 标准差分进化算法
        2.2.2 差分进化算法控制参数影响分析
    2.3 差分进化算法的应用
    2.4 本章小结
第三章 基于模糊建模的多重变异策略差分进化算法
    3.1 引言
    3.2 算法介绍
        3.2.1 进化过程模糊建模
        3.2.2 参数调整策略
        3.2.3 多重变异策略
        3.2.4 辅助运动策略
    3.3 实验结果与仿真分析
        3.3.1 测试函数和实验设置
        3.3.2 实验结果与分析
    3.4 本章小结
第四章 基于小生境技术的自适应种群规模差分进化算法
    4.1 引言
    4.2 算法介绍
        4.2.1 算法整体流程
        4.2.2 启发式聚类方法
        4.2.3 基础算法
        4.2.4 种群规模自适应调整策略
        4.2.5 辅助运动策略
    4.3 实验结果与仿真分析
        4.3.1 实验设置与评价标准
        4.3.2 实验结果与分析
    4.4 本章小结
第五章 基于改进差分进化算法的神经网络集成优化
    5.1 引言
    5.2 改进差分进化算法优化神经网络集成
    5.3 实验结果与仿真分析
        5.3.1 测试数据集与实验设置
        5.3.2 实验结果与分析
    5.4 本章小结
第六章 总结与展望
    6.1 论文工作总结
    6.2 未来工作展望
参考文献
致谢
攻读硕士期间已发表的学术论文
攻读硕士期间参加的科研项目


【参考文献】：
期刊论文
[1]基于K-means的改进差分进化聚类算法[J]. 乔艳霞,邹书蓉,张洪伟.  四川理工学院学报(自然科学版). 2014(05)
[2]BP神经网络的改进算法及其研究[J]. 杨健兵.  无线互联科技. 2014(01)
[3]箱线图及其在JCR网络版中的应用[J]. 朱兵.  农业图书情报学刊. 2011(08)
[4]基于约束规划的选择性神经网络集成方法[J]. 龚安,张敏.  计算机科学. 2007(06)
[5]优化分类型神经网络线性集成[J]. 王正群,陈世福,陈兆乾.  软件学报. 2005(11)

博士论文
[1]差分进化算法改进研究[D]. 郭鹏.天津大学 2012

硕士论文
[1]时间延迟神经网络空间映射微波器件建模方法研究[D]. 彭博.天津大学 2014



本文编号：3646198