面向高维优化问题的进化算法研究

发布时间：2023-03-27 17:55

　　现实生活中,在自然科学、工程应用、经济管理等诸多领域的核心问题最终都归结为优化问题。随着技术的发展,“维度灾难”的出现以及数据的普遍性使得有些优化问题拥有成百上千个变量,经典的一些优化算法在处理这类问题时并不能取得较好的效果。于是很多研究人员将这一类型的优化问题单独列出,称之为高维优化问题。进化算法,或称为“演化算法”,被认为是求解优化问题的一种通用解决方案,其拥有收敛速度较快、全局搜索能力强等特点,在一般低维优化问题上得到了较好的优化效果。然而在处理高维优化问题时,由于搜索空间随着决策变量的数量呈指数增长,这些传统进化算法的优化性能急剧下降。合作型协同演化是一种通过决策变量分组来求解高维优化问题的算法框架,核心思想是将决策变量分组,基于“分而治之”思想将原问题分解成若干子问题,并把性能较为优越的进化算法应用到子问题中进行优化;相较于合作协同演化的分治策略,另一种研究思路是在经典进化算法中融入其他机制例如局部搜索等,对高维优化问题进行整体优化,同样取得了一系列研究成果。本论文基于前人提出的解决高维优化问题的两种思路,针对高维优化问题展开了深入研究。(1)研究了一种基于局部搜索的反向学习...

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题背景及研究意义
    1.2 国内外研究现状及发展动态
        1.2.1 基于非合作型协同演化的发展
        1.2.2 基于合作型协同演化的发展
    1.3 本文研究内容及组织结构
        1.3.1 本文研究内容
        1.3.2 组织结构安排
第二章 高维优化问题的相关理论与算法
    2.1 高维优化问题的数学描述
    2.2 高维优化问题的相关理论
        2.2.1 可分与不可分理论
        2.2.2 维数灾难理论
    2.3 高维优化问题的相关算法与测试函数
        2.3.1 合作协同演化框架
        2.3.2 粒子群优化算法
        2.3.3 测试函数
    2.4 本章小结
第三章 基于局部搜索的反向学习竞争粒子群优化算法
    3.1 引言
    3.2 竞争粒子群优化(Competitive Swarm Optimization)算法
    3.3 反向学习(Opposition-based Learning)机制
    3.4 Solis&Wets局部搜索(SW)算法
    3.5 基于局部搜索的反向学习竞争粒子群优化(SW-OBLCSO)算法
        3.5.1 竞争学习机制改进策略分析
        3.5.2 SW-OBLCSO算法
    3.6 实验与分析
        3.6.1 测试函数上的仿真实验
        3.6.2 模糊认知图学习问题上的仿真实验
    3.7 本章小结
第四章 基于随机投影的社会学习型粒子群优化算法
    4.1 引言
    4.2 社会学习型粒子群优化(SLPSO)算法
    4.3 随机投影策略
    4.4 基于随机投影的社会学习型粒子群(RP-SLPSO)优化算法
    4.5 实验与分析
        4.5.1 CEC’2013LSGO测试函数上的仿真实验
        4.5.2 模糊认知图学习问题上的仿真实验
    4.6 本章小结
第五章 基于GPU的局部搜索反向学习竞争粒子群优化算法
    5.1 引言
    5.2 CUDA编程模型简介
        5.2.1 CUDA函数和存储器
        5.2.2 线程同步和内存管理
        5.2.3 CUDA生成随机数
    5.3 基于GPU的局部搜索反向学习竞争粒子群优化算法
        5.3.1 存储结构与映射模型
        5.3.2 算法的并行性
    5.4 实验与分析
        5.4.1 实验设置
        5.4.2 实验结果和分析
    5.5 本章小结
主要结论与展望
    主要结论
    展望
致谢
参考文献
附录 :作者在攻读硕士学位期间发表的论文



本文编号：3772593