物态优化算法及其在高维优化问题中的应用研究
发布时间：2023-05-13 01:07
大数据环境的需求下,研究对象一般具有非线性、非凸、高维、超多目标等多种性质或者其中一种。如何对具有高维甚至超高维特征的优化问题进行有效求解,成为目前计算智能领域的一个严峻挑战。受物质在不同相态下丰富运动规律的启发,通过对其运动特性的观察和分析,抽象出自然现象中所蕴含与之相关联的搜索特性及其内在信息处理机制,提出了一种基于物态运动原理的计算模型,在此基础上设计了几种不同类型的优化算法,以解决传统智能算法在求解不同类型高维优化问题中的不足。本论文在系统分析智能算法设计中搜索策略功能互补性等方面的一些关键问题的基础上,构建了适用于高维问题求解的物态计算模型,设计了几类有效求解具有一般高维、变量耦合高维以及具有大规模变量的多目标等特性优化问题的优化算法,旨在有力地推动智能优化算法在大规模优化领域方面的理论研究,进而为新型大规模智能系统的设计提供方法支撑。本论文主要在以下几个方面展开了研究工作:(1)受物质在不同相态(气、液和固)下丰富运动规律的启发,构建了一种基于物态运动特性的计算模型,并提出了一种新型的自然启发式算法—物态优化算法(Phase Based Optimization,PBO),...
【文章页数】：141 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
符号对照表
缩略语对照表
1 绪论
1.1 研究背景
1.2 传统优化算法
1.3 智能优化算法
1.3.1 智能计算的研究框架
1.3.2 演化算法
1.3.3 群智能算法
1.3.4 基于其它自然现象的启发式算法
1.3.5 已有智能优化算法分析
1.4 高维全局优化问题
1.4.1 问题描述
1.4.2 目前的挑战
1.5 主要研究内容及论文结构
2 基本的物态优化算法
2.1 引言
2.2 物态优化模型建立
2.2.1 三种相态个体运动规律抽象
2.2.2 物质个体运动规律与算法模型中的对照关系
2.2.3 模型搜索过程描述
2.3 物态优化算法
2.3.1 相态划分
2.3.2 算子设计
2.3.3 算法流程
2.4 实验研究
2.4.1 大优化问题背景
2.4.2 数据集说明
2.4.3 对比算法
2.4.4 精度对比结果
2.4.5 收敛性对比
2.5 分析和讨论
2.5.1 PBO算法中的优化机理分析
2.5.2 与传统演化算法的不同之处
2.5.3 对PBO算法改进的几种途径
2.6 总结
3 物态优化算法的理论分析与性能对比
3.1 PBO搜索行为分析
3.2 PBO收敛性分析
3.3 PBO时间复杂度分析
3.4 实验研究分析
3.4.1 测试函数
3.4.2 参数设置
3.4.3 实验结果比较
3.4.4 群体大小对算法性能的影响
3.4.5 算法在不同问题维数下的性能比较
3.4.6 算子搜索性能分析
3.5 PBO在实际优化问题中的应用
3.6 PBO的优势与缺点
3.7 总结
4 求解可扩展优化问题的全局引导物态优化算法
4.1 引言
4.2 全局引导的物态优化算法
4.2.1 全局引导的振动算子
4.2.2 算法主要流程
4.2.3 GPBO算法搜索机理分析
4.3 实验研究
4.3.1 测试函数
4.3.2 比较算法及其参数设置
4.3.3 实验结果比较
4.4 大规模优化实例分析
4.4.1 问题描述
4.4.2 仿真结果
4.5 总结
5 融合自适应局部搜索的合作性协同混合物态演化算法
5.1 引言
5.1.1 大规模优化问题描述以及特性
5.1.2 大规模优化问题的求解方法
5.1.3 本章的贡献
5.2 协同演化框架
5.3 局部搜索SW算法
5.4 全局搜索HPBO算法
5.4.1 头脑风暴优化算法
5.4.2 差分演化算法
5.4.3 混合物态优化算法HPBO设计
5.5 集成全局和局部搜索方法的合作性协同演化算法
5.5.1 顺序滑动窗分组方法
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 相关理论分析
5.6 实验研究与分析
5.6.1 测试函数
5.6.2 对比算法的参数设置
5.6.3 实验结果
5.6.4 分组大小对算法性能的影响
5.7 总结
6 基于分解的多目标物态优化算法
6.1 引言
6.2 多目标优化问题背景介绍
6.2.1 多目标优化问题的描述
6.2.2 多目标演化算法概述
6.2.3 多目标演化算法的评价指标
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 理论分析
6.4 实验研究与分析
6.4.1 LS-MOPs问题描述
6.4.2 对比算法和参数设置
6.4.3 实验结果比较
6.5 讨论
6.5.1 MOEA/D-PBO和MOEA/D-DE的比较
6.5.2 MOEA/D-PBO搜索策略分析
6.6 总结
7 总结与展望
7.1 全文总结
7.2 研究展望
致谢
参考文献
附录
在校学习期间的研究成果
1.完成的论文成果
2.参与的科研项目
3.参加的学术活动
本文编号：3814992
【文章页数】：141 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
符号对照表
缩略语对照表
1 绪论
1.1 研究背景
1.2 传统优化算法
1.3 智能优化算法
1.3.1 智能计算的研究框架
1.3.2 演化算法
1.3.3 群智能算法
1.3.4 基于其它自然现象的启发式算法
1.3.5 已有智能优化算法分析
1.4 高维全局优化问题
1.4.1 问题描述
1.4.2 目前的挑战
1.5 主要研究内容及论文结构
2 基本的物态优化算法
2.1 引言
2.2 物态优化模型建立
2.2.1 三种相态个体运动规律抽象
2.2.2 物质个体运动规律与算法模型中的对照关系
2.2.3 模型搜索过程描述
2.3 物态优化算法
2.3.1 相态划分
2.3.2 算子设计
2.3.3 算法流程
2.4 实验研究
2.4.1 大优化问题背景
2.4.2 数据集说明
2.4.3 对比算法
2.4.4 精度对比结果
2.4.5 收敛性对比
2.5 分析和讨论
2.5.1 PBO算法中的优化机理分析
2.5.2 与传统演化算法的不同之处
2.5.3 对PBO算法改进的几种途径
2.6 总结
3 物态优化算法的理论分析与性能对比
3.1 PBO搜索行为分析
3.2 PBO收敛性分析
3.3 PBO时间复杂度分析
3.4 实验研究分析
3.4.1 测试函数
3.4.2 参数设置
3.4.3 实验结果比较
3.4.4 群体大小对算法性能的影响
3.4.5 算法在不同问题维数下的性能比较
3.4.6 算子搜索性能分析
3.5 PBO在实际优化问题中的应用
3.6 PBO的优势与缺点
3.7 总结
4 求解可扩展优化问题的全局引导物态优化算法
4.1 引言
4.2 全局引导的物态优化算法
4.2.1 全局引导的振动算子
4.2.2 算法主要流程
4.2.3 GPBO算法搜索机理分析
4.3 实验研究
4.3.1 测试函数
4.3.2 比较算法及其参数设置
4.3.3 实验结果比较
4.4 大规模优化实例分析
4.4.1 问题描述
4.4.2 仿真结果
4.5 总结
5 融合自适应局部搜索的合作性协同混合物态演化算法
5.1 引言
5.1.1 大规模优化问题描述以及特性
5.1.2 大规模优化问题的求解方法
5.1.3 本章的贡献
5.2 协同演化框架
5.3 局部搜索SW算法
5.4 全局搜索HPBO算法
5.4.1 头脑风暴优化算法
5.4.2 差分演化算法
5.4.3 混合物态优化算法HPBO设计
5.5 集成全局和局部搜索方法的合作性协同演化算法
5.5.1 顺序滑动窗分组方法
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 相关理论分析
5.6 实验研究与分析
5.6.1 测试函数
5.6.2 对比算法的参数设置
5.6.3 实验结果
5.6.4 分组大小对算法性能的影响
5.7 总结
6 基于分解的多目标物态优化算法
6.1 引言
6.2 多目标优化问题背景介绍
6.2.1 多目标优化问题的描述
6.2.2 多目标演化算法概述
6.2.3 多目标演化算法的评价指标
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 理论分析
6.4 实验研究与分析
6.4.1 LS-MOPs问题描述
6.4.2 对比算法和参数设置
6.4.3 实验结果比较
6.5 讨论
6.5.1 MOEA/D-PBO和MOEA/D-DE的比较
6.5.2 MOEA/D-PBO搜索策略分析
6.6 总结
7 总结与展望
7.1 全文总结
7.2 研究展望
致谢
参考文献
附录
在校学习期间的研究成果
1.完成的论文成果
2.参与的科研项目
3.参加的学术活动
本文编号：3814992
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3814992.html