混合群智能優化算法研究及應用

【摘要】：優化問題廣泛地存在于科學研究和工程實踐中。群智能優化算法是優化算法中最新的一個分支,也是最熱門的發展方向。群智能優化算法是通過模擬自然界中生物間相互合作、共享信息等群體行為而建立起來的隨機搜索算法,相較于經典優化算法具有結構簡單、易于實現等優點。不同的群智能優化算法是模擬不同生物行為形成的,所以它們各具特點和適用場景。然而,單一的群智能優化算法均有其局限性,如搜索精度不夠高、收斂速度慢、性能受參數影響較大和容易陷入局部最優等。將不同群智能優化算法有機結合,設計混合群智能優化算法是一種提高算法性能的有效方法,具有重要的研究意義。本文的主要研究內容及創新點包括以下幾個方面:(1)針對單目標數值優化問題提出了一種基于跟隨蜂搜索的自適應粒子群算法(Follower Bee Search Based Adapitve Particle Swarm Optimization,F-APSO)。首先在經典粒子群算法粒子飛行軌跡分析的基礎上提出了一種自適應的粒子群算法(Adapitve Particle Swarm Optimization,APSO),提高了算法在求解單峰問題時的性能。然后提出了一種針對自適應粒子群算法的穩定性分析方法,基于該方法對APSO進行了穩定性分析,給出了能夠保證算法穩定的參數取值條件。接著通過引入人工蜂群算法中的跟隨蜂搜索,提高了算法的開拓性,并將APSO的穩定性條件拓展到了 F-APSO中。仿真實驗表明F-APSO在求解單目標數值優化問題時在解的質量和時間消耗上都具有良好表現。將F-APSO用于解決礦山生產排程優化問題,與原有生產方案相比優化后的方案在不同鐵精礦價格下都能獲得更多的經濟收益。(2)針對多目標數值優化問題提出了一種基于跟隨蜂搜索的自適應多目標粒子群算法(Follower Bee Search Based Adapitve Multi-objective Particle Swarm Optimization,F-AMOPSO)。多目標優化問題不存在唯一的最優解,而是一組不能相互支配的非劣解。這就造成求解單目標優化問題的優化算法不能直接用于求解多目標優化問題,而是要針對多目標優化問題的特點進行改造,形成新的多目標優化算法。本文通過修改局部最優解更新機制和提出基于非劣解距離的跟隨蜂選擇機制和搜索范圍調整方法等手段,將本文所提單目標混合粒子群算法改造為一種多目標粒子群算法。并通過仿真實驗說明該算法具有良好的收斂性和均勻分布性。最后,將F-AMOPSO用于以精礦產量和單位精礦變動成本為目標的多目標礦山排程優化中,取得了優秀的實用效果。(3)針對典型組合優化問題TSP問題(Traveling Salesman Problem)提出了一種帶混沌序列的粒子群參數優化蟻群算法(Chaos Particle Swarm Optimization based Ant Colony Optimization,C-PSO-ACO)。首先針對傳統粒子群參數優化蟻群算法引入一種全局異步與精英策略相結合的信息素更新方式和減少蟻群算法被粒子群算法調用一次所需迭代代數的策略減少時間消耗。然后利用混沌序列的可控隨機性改善算法中的隨機因素,解決了蟻群算法迭代代數減少造成的收斂過程不完善,導致算法隨機性過強,最終影響求解質量的問題。針對TSP問題的仿真實驗說明了改進混合算法可以在大幅減小運行時間的情況下提高解的質量。最后,將該算法用于解決垃圾場巡查機器人路徑規劃問題,取得了良好的效果。

【相似文獻】

中國期刊全文數據庫

前20條

1

黃天赦;葉春明;;采用量子粒子群算法的一類模糊作業車間調度問題的研究[J];現代制造工程;2009年11期

2

秦玉靈;孔憲仁;羅文波;;混沌量子粒子群算法在模型修正中的應用[J];計算機工程與應用;2010年02期

3

陳治明;;新型量子粒子群算法及其性能分析研究[J];福建電腦;2010年05期

4

牛永潔;;一種新型的混合粒子群算法[J];信息技術;2010年10期

5

全芙蓉;;粒子群算法的理論分析與研究[J];硅谷;2010年23期

6

劉衍民;趙慶禎;邵增珍;;一種改進的完全信息粒子群算法研究[J];曲阜師范大學學報(自然科學版);2011年01期

7

朱童;李小凡;魯明文;;位置加權的改進粒子群算法[J];計算機工程與應用;2011年05期

8

熊智挺;譚陽紅;易如方;陳賽華;;一種并行的自適應量子粒子群算法[J];計算機系統應用;2011年08期

9

孟純青;;非線性粒子群算法[J];微計算機應用;2011年08期

10

任偉建;武璇;;一種動態改變學習因子的簡化粒子群算法[J];自動化技術與應用;2012年10期

11

劉飛,孫明,李寧,孫德寶,鄒彤;粒子群算法及其在布局優化中的應用[J];計算機工程與應用;2004年12期

12

熊盛武,劉麟,王瓊,史旻;改進的多目標粒子群算法[J];武漢大學學報(理學版);2005年03期

13

王楠楠,石麗;基于離散粒子群算法的近似最大連通分量抽取[J];大連民族學院學報;2005年01期

14

孟凡輝,王秀坤,赫然,唐一源;一種改進的耗散粒子群算法[J];計算機工程與應用;2005年12期

15

孟建良;楊楷;龐春江;張江維;;基于改進粒子群算法的網絡計劃工期——費用優化[J];計算機應用與軟件;2006年02期

16

陳長憶;葉永春;;基于粒子群算法的非線性方程組求解[J];計算機應用與軟件;2006年05期

17

趙穎;;一種改進型粒子群算法[J];福建電腦;2006年07期

18

熊偉麗;徐保國;吳曉鵬;肖應旺;;帶變異算子的改進粒子群算法研究[J];計算機工程與應用;2006年26期

19

方峻;唐普英;任誠;;一種非對稱互聯型粒子群算法[J];計算機工程與應用;2006年32期

20

張曉明;王儒敬;;一種帶逆反的粒子群算法[J];計算機科學;2006年10期

中國重要會議論文全文數據庫

前10條

1

朱童;李小凡;魯明文;;位置加權的改進粒子群算法[A];中國科學院地質與地球物理研究所第11屆(2011年度)學術年會論文集(上)[C];2012年

2

陳定;何炳發;;一種新的二進制粒子群算法在稀疏陣列綜合中的應用[A];2009年全國天線年會論文集(上)[C];2009年

3

陳龍祥;蔡國平;;基于粒子群算法的時滯動力學系統的時滯辨識[A];第十二屆全國非線性振動暨第九屆全國非線性動力學和運動穩定性學術會議論文集[C];2009年

4

于穎;李永生;於孝春;;新型離散粒子群算法在波紋管優化設計中的應用[A];第十一屆全國膨脹節學術會議膨脹節設計、制造和應用技術論文選集[C];2010年

5

劉卓倩;顧幸生;;一種基于信息熵的改進粒子群算法[A];系統仿真技術及其應用(第7卷)——'2005系統仿真技術及其應用學術交流會論文選編[C];2005年

6

熊偉麗;徐保國;;粒子群算法在支持向量機參數選擇優化中的應用研究[A];2007中國控制與決策學術年會論文集[C];2007年

7

方衛華;徐蘭玉;陳允平;;改進粒子群算法在大壩力學參數分區反演中的應用[A];2012年中國水力發電工程學會大壩安全監測專委會年會暨學術交流會論文集[C];2012年

8

熊偉麗;徐保國;;單個粒子收斂中心隨機攝動的粒子群算法[A];2009年中國智能自動化會議論文集(第七分冊)[南京理工大學學報(增刊)][C];2009年

9

馬向陽;陳琦;;以粒子群算法求解買賣雙方存貨主從對策[A];第十二屆中國管理科學學術年會論文集[C];2010年

10

趙磊;;基于粒子群算法求解多目標函數優化問題[A];第二十一屆中國(天津)’2007IT、網絡、信息技術、電子、儀器儀表創新學術會議論文集[C];2007年

中國博士學位論文全文數據庫

前10條

1

張超;混合群智能優化算法研究及應用[D];北京科技大學;2018年

2

李慶偉;粒子群算法及電廠若干問題的研究[D];東南大學;2016年

3

杜毅;多階段可變批生產線重構的研究[D];廣東工業大學;2016年

5

邵晴;粒子群算法研究及其工程應用案例[D];吉林大學;2017年

6

王芳;粒子群算法的研究[D];西南大學;2006年

7

安鎮宙;家庭粒子群算法及其奇偶性與收斂性分析[D];云南大學;2012年

8

劉建華;粒子群算法的基本理論及其改進研究[D];中南大學;2009年

9

黃平;粒子群算法改進及其在電力系統的應用[D];華南理工大學;2012年

10

胡成玉;面向動態環境的粒子群算法研究[D];華中科技大學;2010年

中國碩士學位論文全文數據庫

前10條

1

陳群林;求解優化問題的改進粒子群算法研究[D];北方民族大學;2017年

2

張忠偉;結構優化中粒子群算法的研究與應用[D];大連理工大學;2009年

3

李強;基于改進粒子群算法的艾薩爐配料優化[D];昆明理工大學;2015年

5

余漢森;粒子群算法的自適應變異研究[D];南京信息工程大學;2015年

6

梁計鋒;基于改進粒子群算法的交通控制算法研究[D];長安大學;2015年

10

陳百霞;考慮風電場并網的電力系統無功優化[D];山東大學;2015年

總結

以上是生活随笔為你收集整理的张晨北京科技大学计算机,混合群智能优化算法研究及应用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。