非线性群智能优化及其应用研究

发布时间：2024-03-10 13:56

　　在科学研究和工程技术应用中,大量问题都可以演变成优化问题,这些难题通常具有复杂性,非线性,不可微等特性。传统的数值优化方法用于解决这些问题效益较低。研究优化问题的有效解决方法有助于各领域科学技术的发展。群智能优化算法是智能优化算法中重要的分支,具有结构简单、快速收敛、易于实现等优点。然而,目前群智能优化算法具有一定局限性,尤其是针对大规模优化问题,如精度不高、易陷入局部最优等缺陷。因此,设计性能更佳的群智能优化算法使之应对科技发展,具有重要的研究意义。本文首先简明地介绍了两种经典的群智能优化算法,之后在各章侧重于改进粒子群优化算法和差分进化算法,提高算法的优化性能,并用于解决实际优化问题。(1)提出了一种新的多级扰动差分进化算法。采用具有指向性信息的差分向量策略和多参数自适应策略实现了一种多级扰动变异的自适应差分进化算法。利用方差可调的正态随机分布来形成个体最优解的扰动,以增加群体多样性,同时保证其向精英个体学习能力。通过引入一种多参数自适应调节策略,以匹配算法的当前搜索状态所需不同参数的要求,从而提高算法的收敛速度和鲁棒性。仿真实验结果表明,所提出的方法在数值测试函数上的各项性能优于...

【文章页数】：158 页

【学位级别】：博士

【部分图文】：

图２＿１粒子更新操作移动原理图??

第三部分为群体共享，表示粒子之间的相互合作，可以理解为当前位置与群体最优位??置之间的距离。粒子通过记住自身的最优解的位置，同时考虑其他粒子找到的最优解??位置，协调自身的速度和方向，将向着较好的位置飞行。图２－１中描述了粒子更新操??作的移动原理。??ｔ?ｙ??！?＾?＾?＾ｇ....

图３－１在函数ｆ３上五种算法的收敛曲线??

一个由多个简单的峰顶和一个较大的峰谷组成的函数，所以在算法的搜索前期就不??需要维持群体充足的多样性，同样可以找到函数最好的解。反而过多的增强群体的多??样性会阻碍算法找到最优值。如图３－１和表３－２所示，在和，３＝［０．９９，?０．９９］的情况下又２，??七设定为［０．０１，?....

图3-2参数变化时对应函数招的平均适应值

表３－２函数ｆ３的对比结果???ＭＰＤＥ?ＪＡＤＥ?ＣｏＤＥ?ＳａＤＥｂｒａｔ?＇?Ｉ２０００Ｅ＋０２一—＇３Ｉ００８Ｅ＋０２?３＾２０４０Ｅ＋０２?３．２０４０Ｅ＋０２?３．２ｍｅａｎ?３Ｉ２０００Ｅ＋０２—＂３．２０１３Ｅ＋０２３．２０５２Ｅ＋０２—＂３．２０５０Ｅ＋０２?一....

图3-3参数变化时对应函数仃的平均适应值等高图

表３－２函数ｆ３的对比结果???ＭＰＤＥ?ＪＡＤＥ?ＣｏＤＥ?ＳａＤＥｂｒａｔ?＇?Ｉ２０００Ｅ＋０２一—＇３Ｉ００８Ｅ＋０２?３＾２０４０Ｅ＋０２?３．２０４０Ｅ＋０２?３．２ｍｅａｎ?３Ｉ２０００Ｅ＋０２—＂３．２０１３Ｅ＋０２３．２０５２Ｅ＋０２—＂３．２０５０Ｅ＋０２?一....

本文编号：3924898