收藏本站
《北京邮电大学》 2007年
收藏 | 手机打开
二维码
手机客户端打开本文

元启发式优化算法理论与应用研究

徐俊杰  
【摘要】: 科学技术日益表现出交叉和渗透的特征,特别是计算机科学技术改变了人类生产与生活方式。然而,现有计算机的计算能力并非无所不能,它在某些具有不确定性、动态性、非线形或多态(Multi-modal)问题上常常不能满足人们的要求,因此人们对于高效计算技术的探索从未停止。 近50年来元启发式优化算法得到了广泛研究,如遗传算法、模拟退火等,这类算法均通过模拟自然现象(Nature-Inspired)为解决复杂问题提供了新的思路和手段。本论文中主要介绍了两大类元启发式优化算法,第一类是群体智能(Swarm Intelligence)算法,包括蚁群优化(Ant Colony Optimization)和粒子群优化(Particle Swarm Optimization)两种算法,这两种都是基于种群策略的仿生算法;第二类是微正则退火(Microcanonocal Annealing)算法,它是来自于对物理学的借鉴。本文中主要通过仿真手段,研究了这两类元启发式优化算法的几种改进策略及应用。 全文主要由九章构成,主要内容如下: 第一章介绍了论文的研究背景,对群体智能优化和微正则优化的研究现状做了简要综述,并概括了本文的研究内容和创新点。 第二章阐述了元启发式算法的相关概念,并将典型的元启发式算法的优化模式划分为两类,第一类是基于单一解形式,第二类是基于种群策略,后者又根据个体间的交互程度细分为强交互类型和弱交互类型。 第三章是对蚁群优化的综述,重点介绍了蚁群优化的算法背景、基本算法和著名的改进形式,并对处理连续性问题、收敛性理论分析及其应用做了简要总结。 第四章是对粒子群优化的综述,以算法背景、基本算法及改进参数、著名的改进形式和处理离散问题的研究为主,最后也简述了粒子群优化己知的实际应用。 第五章介绍了微正则退火的基本原理,通过对经典TSP实例的仿真,发现微正则退火的能量下降速度明显快于模拟退火。尽管两种算法的搜索性能基本持平,但微正则退火搜索到最优解或局部最优解的时间性能要优于模拟退火,这使得它在某些大计算量优化问题上具有显著优势。仿真中还发现,该算法提出者Creutz所声称的“妖的能量上限初始值只要大于最大可能遇到的能量差”并不准确,该初始值实际上存在一个最优区间,过大的初始值会降低搜索到最优解的机会。同时仿真中也揭示出,妖的能量上限的下降系数取一个较大的值时算法表现出了强鲁棒性。尤其观察到即便该系数等于1,即能量上限保持恒定时,只要初始值选择得当,算法依旧能产生优良的搜索性能。本章提出了三种改进策略,第一种是状态回溯机制,保存最近的若干优良状态,若系统状态长期无法改善,则强迫回溯到某个优良状态上,试验发现只要相关参数选择得当,该策略能提高脱离局部极值点的能力。第二种是能量奖励策略,在拒绝状态时对妖的能量进行一定程度的奖励。观察了有上界约束和无上界约束两种方式下的搜索性能,并提出了无上界约束时降低加快收敛速度的方法。第三种是能量收缩策略,当妖的能量超过门槛水平后,执行小幅缩减操作以达到加快收敛的目的。本章最后将微正则退火应用到固定频率分配问题上,仿真发现该算法在频点资源紧张时明显优于模拟退火算法。 第六章介绍了增强型参考位置的粒子群优化算法,这种改进策略在速度迭代公式中同时考虑邻居中最佳粒子以及种群中最佳粒子的吸引作用,相当于基本算法Gbest与Lbest的融合形式。对于速度迭代公式中的三项偏差,设计了确定性的参数配置和具有随机扰动的参数配置方式,仿真发现,当对种群最佳粒子的权重做随机扰动时,改进算法在搜索成功率和目标平均评价次数上都要优于Lbest算法,而且对于其他两个参数的相对大小并不敏感。 第七章将基于共享适应值的小生境技术应用到粒子群优化中,小生境技术的特征是仿照生态系统,限制相似个体过分聚集。本章构建了固定邻居结构的F-ShPSO算法和动态选择邻居的D-ShPSO算法两种形式,对经典函数的仿真表明,F-ShPSO的搜索成功率不低于Lbest算法,但迭代次数波动较小,且对邻居规模不敏感,而D-ShPSO性能比较差,表明在这种改进策略中动态邻居机制并不可行。 第八章介绍了粒子群优化的一种两阶段实施策略,该策略本质上是先对种群进行分群操作,然后对由“群首”构成的临时群执行再迭代,而具体的粒子状态更新机制可灵活选择。对比试验中揭示,该策略能提高搜索到多态函数最优解的成功率,且降低了基本算法对两项偏差权重的敏感度。试验结果也验证了对于最优子群数量的估计,该数量宜选择适中数值以综合考虑计算效率与效果。 第九章对全文的研究内容做了简要的回顾,并指出了研究内容的不足和今后可能的研究方向。
【学位授予单位】:

知网文化
【相似文献】
中国期刊全文数据库 前20条
1 柯晶,钱积新,乔谊正;求解连续Minimax问题的粒子群优化方法[J];仪器仪表学报;2005年03期
2 刘淳安,何广平,雍龙泉;解多目标优化问题的新粒子群存档算法[J];陕西理工学院学报(自然科学版);2005年03期
3 戴朝华;;计及DG时基于群体智能与复杂系统理论的配网多目标综合运行优化问题研究[J];学术动态;2010年02期
4 李爱国;多粒子群协同优化算法[J];复旦学报(自然科学版);2004年05期
5 何伟,李亚伟,金栋,刘光岩;基于PSO的模糊人工神经网络径流预报模型[J];气象水文海洋仪器;2004年02期
6 吴谦;;神奇的群体智能[J];大科技(科学之谜);2008年12期
7 孙慧;张雪英;宁爱平;;粒子群优化模糊神经网络在语音识别中的应用[J];数学的实践与认识;2010年06期
8 王笑蓉,吴铁军;Flow shop问题的蚁群优化调度方法[J];系统工程理论与实践;2003年05期
9 秦毅男;廖晓辉;;粒子群优化算法及其在电力系统中的应用[J];河南科学;2007年01期
10 何妮;吴燕仙;;粒子群优化算法的研究[J];科技信息(科学教研);2008年06期
11 黄磊;张书毕;张秋昭;姜波;;基于粒子群优化的BP神经网络在GPS高程拟合中的应用[J];测绘信息与工程;2009年06期
12 宋初一;姜明晨;时宏杰;姜艳清;姜静清;包德喜;;粒子群优化算法及其应用[J];内蒙古民族大学学报(自然科学版);2006年04期
13 王正初;;车辆路径问题的改进混合粒子群算法研究[J];计算机仿真;2008年04期
14 郭新辰;吴希;陈书坤;吴春国;;基于RBFNN和PSO求解第二类Volterra积分方程的混合方法[J];吉林大学学报(理学版);2010年04期
15 王李进;胡欣欣;宁正元;;基于粒子群优化的投影寻踪聚类模型及其应用[J];南京信息工程大学学报(自然科学版);2010年04期
16 苏国韶;张克实;吕海波;;位移反分析的粒子群优化-高斯过程协同优化方法[J];岩土力学;2011年02期
17 林锦,朱文兴;凸整数规划问题的混合蚁群算法[J];福州大学学报(自然科学版);1999年06期
18 佘远俊;张翠芳;鄢田云;;粒子群神经网络及其在非线性系统辨识中的应用[J];成都信息工程学院学报;2006年02期
19 姜谙男;梁冰;;地下水化学特征组分识别的粒子群支持向量机方法[J];煤炭学报;2006年03期
20 高飞;童恒庆;;一类求解方程根的改进粒子群优化算法[J];武汉大学学报(理学版);2006年03期
中国重要会议论文全文数据库 前10条
1 徐俊杰;忻展红;;粒子群优化在0/1背包问题中的应用[A];中国运筹学会第七届学术交流会论文集(上卷)[C];2004年
2 栾丽君;谭立静;牛奔;;基于粒子群算法的PID参数自整定[A];2006中国控制与决策学术年会论文集[C];2006年
3 高宪文;张大勇;;熵极大自适应变异粒子群优化算法及其应用[A];2007中国控制与决策学术年会论文集[C];2007年
4 赵建玉;贾磊;陈月辉;张勇;;基于粒子群优化的信号交叉口交通流预测模型[A];第二十六届中国控制会议论文集[C];2007年
5 孙灵芳;李纪昌;赵雪;;基于蚁群优化的锅炉汽包水位预测控制[A];第二十九届中国控制会议论文集[C];2010年
6 彭辉;;基于蚁群优化技术的车辆路径问题研究[A];广西计算机学会25周年纪念会暨2011年学术年会论文集[C];2011年
7 王晓燕;王东风;韩璞;;一种分数阶系统的粒子群优化辨识方法[A];全国第三届信号和智能信息处理与应用学术交流会专刊[C];2009年
8 安静;康琦;汪镭;吴启迪;;群体智能及其在BPR中的应用[A];《制造业自动化与网络化制造》学术交流会论文集[C];2004年
9 范业坤;梁新荣;;基于粒子群优化的高速公路匝道PI控制器[A];第二十七届中国控制会议论文集[C];2008年
10 薛艳红;胡立坤;;基于粒子群优化的配电网静止同步补偿器PI控制器整定[A];中南六省(区)自动化学会第二十九届学术年会论文集[C];2011年
中国重要报纸全文数据库 前10条
1 樊 丹 本报记者;让名医智慧在电脑上“复活”[N];中国中医药报;2005年
2 边歆;商务智能:进化与简化[N];网络世界;2007年
3 续九华 胡宝良;现代战争新宠[N];科技日报;2001年
4 康秋洁;谁也不争道抢行,蚂蚁解拥堵智慧超人[N];新华每日电讯;2008年
5 王艳红;蚂蚁教我们新的电脑计算方法[N];云南经济日报;2000年
6 顿然;电脑计算“学蚂蚁”[N];中国商报;2000年
7 黄千凌;Mobile 2.0:随时沟通 创造信息新时代[N];电子资讯时报;2007年
8 彼德·米勒;蚂蚁没有老大[N];云南经济日报;2008年
9 裘水安;营造酒店文化 增加服务内涵[N];中国旅游报;2002年
10 刘妍;人类可仿效蚂蚁解决交通拥堵难题[N];大众科技报;2008年
中国博士学位论文全文数据库 前10条
1 徐俊杰;元启发式优化算法理论与应用研究[D];北京邮电大学;2007年
2 曲建华;基于群体智能的聚类分析[D];山东师范大学;2010年
3 王巧灵;基于群体智能混合优化算法的研究[D];哈尔滨工业大学;2010年
4 王学厚;群体智能优化的计算模式和方法研究与应用[D];华北电力大学;2011年
5 窦全胜;求解优化问题的演化计算方法研究[D];吉林大学;2005年
6 刘丽;人工免疫网络研究及应用[D];江南大学;2008年
7 李磊;六自由度并联平台位置正解及控制方法研究[D];哈尔滨工程大学;2008年
8 潘冠宇;基于粗糙集和群体智能的数据挖掘方法研究[D];吉林大学;2007年
9 魏秀业;基于粒子群优化的齿轮箱智能故障诊断研究[D];中北大学;2009年
10 陈萍;启发式算法及其在车辆路径问题中的应用[D];北京交通大学;2009年
中国硕士学位论文全文数据库 前10条
1 胡仁兵;动态贝叶斯网络结构学习的研究[D];北京工业大学;2009年
2 雷烨;基于粒子群最小二乘支持向量机的故障诊断算法研究[D];兰州交通大学;2010年
3 马培培;基于粒子群的图像阈值化分割的研究及应用[D];合肥工业大学;2010年
4 姚杰;基于PSO混沌神经网络电力系统负荷预测[D];大庆石油学院;2009年
5 刘杨;粒子群优化算法在电力系统无功优化中的应用[D];天津大学;2005年
6 任晓娜;DNA计算中的编码设计优化算法[D];湖南大学;2010年
7 王琳;基于粒子群优化的数据流挖掘的聚类算法分析[D];长沙理工大学;2010年
8 刘汉婕;基于模拟退火的粒子群改进算法的研究与应用[D];华北电力大学(北京);2010年
9 刘铮;智能优化算法在电磁工程中的应用[D];南京理工大学;2005年
10 龚灯才;基于支持向量机的电力短期负荷预测研究[D];河海大学;2006年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978