收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

混沌蚂蚁群优化算法及其应用研究

李玉英  
【摘要】: 最优化问题是人们在工程技术、科学研究和经济管理等诸多领域中经常碰到的问题,它是指在满足一定的约束条件下,寻找一组参数值,使目标函数达到最大或最小。针对不同的最优化问题,人们已经提出了许多不同的优化方法,如牛顿法、共轭梯度法、拉格朗日乘子法等。这些优化算法能很好地找到问题的局部最优点,是成熟的局部优化算法。但是,随着科学技术的发展,实际的优化问题变得越来越复杂。当问题表现出复杂性、约束性、非线性、多个极值点、建模困难等特点时,人们发现用传统的优化算法很难找到一个令人满意的解,因此,就需要寻找一种适合于大规模并行且具有智能特征的优化算法。在这种背景下,群体智能优化算法就产生了,它们是从社会性昆虫群体或其它动物群体的集体行为中得到灵感而设计出来的用来求解问题的优化算法。 作为一种新的群体智能优化算法,混沌蚂蚁群优化算法(Chaotic AntSwarm Optimization,CASO)是一种非常有前景的工具,在处理高维的以及缺乏领域知识的问题时尤其有用,该算法是受到蚂蚁觅食行为启发而提出的。自2006年提出来之后,已经成功的应用于参数辨识、曲线拟合和整数规划等领域,但是,作为一种新出现的算法,它仍然存在一些缺点,比如:当解决复杂问题时,该算法求解的精度不高,运行时间太长。尽管我们可以通过增加种群的数目和调整算法参数的方法来提高该算法的性能,但是这些方法却不能从本质上解决这些问题,因此本文围绕混沌蚂蚁群优化算法及其应用展开了深入细致的研究。本文的主要研究内容如下: 1.针对混沌蚂蚁群优化算法求解精度不高的缺点,本文提出了一种改进的混沌蚂蚁群优化算法(Modified Chaotic Ant Swarm Optimization,MCASO),该改进算法采用限制策略和学习策略来获得相对较高的性能。用5个基准函数对该改进算法进行了实验,结果表明,该改进算法在解的性能方面优于CASO算法。 2.针对混沌蚂蚁群优化算法的早熟问题,本文提出了基于三种策略的混沌蚂蚁群优化算法。该算法利用全面学习策略和搜索定界策略来优化蚂蚁的位置,使得该算法确保了群的多样性,很好地避免了早熟现象。另外,该算法还采用了精细搜索策略来提高解的精度。仿真结果表明该算法的收敛精度和结果稳定性优于CASO算法。在此基础上,将该算法应用于对PID控制器参数的整定,仿真显示其结果优于CASO算法。 3.为了避免混沌蚂蚁群优化算法早熟收敛和改善其搜索效率,本文提出了混合混沌蚂蚁群优化算法(Hybrid Chaotic Ant Swarm Optimization,HCASO)。该算法把预选择操作和离散重组操作引入CASO算法,将CASO算法在演化公式中由邻居蚂蚁找到的最优位置用预选择和离散重组操作找到的最优位置取代。通过对5个基准函数的测试,该算法不仅大大提高了解的精度和稳定性,而且还大大减少了计算时间和计算机内存的消耗。另外,从种群大小对搜索结果影响的研究中,我们观察到随着种群数的增加搜索到的结果将变得越来越好。从可测性研究中,我们得到了问题的维数和种群大小的关系。最后,我们利用混合混沌蚂蚁群优化算法优化数字水印中的嵌入强度,结果表明该改进算法可以实现水印的优化嵌入。 4.提出了一种基于混沌蚂蚁群优化算法求解方程根的方法。在分析讨论代数方程根分布规律的基础上,从优化的角度将混沌蚂蚁群优化算法应用于求解复系数方程和超越方程。数值结果表明,该算法具有不依赖于迭代初值、良好的适应性和较高精度的特点,是求解代数方程根的一种有效工具。 5.提出了一种基于混沌蚂蚁群优化算法求解数据拟合的方法。这种方法首先选择了一个适当的函数,然后将数据拟合问题转化为参数优化问题,最后用混沌蚂蚁群优化算法在参数空间中寻找最优解。为了评价混沌蚂蚁群优化算法的性能,将混沌蚂蚁群优化算法和粒子群优化算法进行了对比,数值试验表明混沌蚂蚁群优化算法能够较好的处理数据拟合问题。 6.将混沌蚂蚁群优化算法应用于整数规划问题的求解,提出了基于混沌蚂蚁群优化算法的CASO-F和CASO-S两种求解整数规划问题的算法,数值试验表明CASO-F算法明显优于CASO-S算法。最后将CASO-F算法和粒子群优化算法(Particle Swarm Optimization,PSO)应用于七个广泛使用的整数规划的测试函数上,结果表明CASO-F算法不仅能够有效地处理这类问题,而且在低维情况下,CASO-F算法优于PSO算法。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 刘弘;王静莲;;微粒群优化算法在协同建筑设计中的应用[J];通信学报;2006年11期
2 赵会洋;王爽;杨志鹏;;粒子群优化算法研究综述[J];福建电脑;2007年03期
3 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
4 蒋玖川;夏正友;;基于群体智能的Agent策略控制机制[J];微计算机信息;2009年16期
5 李炳宇,萧蕴诗,汪镭;一种求解高维复杂函数优化问题的混合粒子群优化算法[J];信息与控制;2004年01期
6 艾文国,李辉,孙洁;多准则群体智能决策支持系统案例推理模型研究[J];哈尔滨工业大学学报;2004年06期
7 汪镭,康琦,吴启迪;群体智能算法总体模式的形式化研究[J];信息与控制;2004年06期
8 范娜;云庆夏;;粒子群优化算法及其应用[J];信息技术;2006年01期
9 王万良;唐宇;;微粒群算法的研究现状与展望[J];浙江工业大学学报;2007年02期
10 史海军;王志刚;郭广寒;;引入变异算子的粒子群优化算法[J];长春理工大学学报(自然科学版);2007年03期
11 张然;贾瑞玉;钱光超;;基于群体智能的离群数据挖掘[J];计算机工程与应用;2008年23期
12 郭广寒;王志刚;;一种改进的粒子群算法[J];哈尔滨理工大学学报;2010年02期
13 郭羚;黄鹏;;粒子群优化算法及其在电力系统中的应用[J];科学咨询(科技·管理);2010年11期
14 杨礼;刘高峰;杨智杰;陈姝;;基于人工鱼群算法的空洞探测[J];计算机工程与应用;2011年11期
15 刘援农;;蚁群算法在TSP问题中的应用研究[J];硅谷;2011年13期
16 邓伟林;胡桂武;;粒子群算法研究与展望[J];现代计算机;2006年11期
17 王宇庆;刘维亚;;群体智能在图像处理中的应用[J];计算机应用;2007年07期
18 关圣涛;楚纪正;邵帅;;粒子群优化算法在非线性模型预测控制中的研究应用[J];北京化工大学学报(自然科学版);2007年06期
19 武朝华;汪镭;;微粒群优化算法综述[J];电脑知识与技术;2008年07期
20 ;第2届群体智能国际会议(ICSI'2011)征文通知[J];智能系统学报;2010年06期
中国重要会议论文全文数据库 前10条
1 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
2 刘建华;;一个智能搜索引擎的用户行为聚类分析[A];第一届全国Web信息系统及其应用会议(WISA2004)论文集[C];2004年
3 孙长银;冯纯伯;夏良正;;群体智能——最优化技术的一种新的有效实现模式[A];全国自动化新技术学术交流会会议论文集(一)[C];2005年
4 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
5 曾建潮;薛颂东;;群机器人系统的建模与仿真[A];'2008系统仿真技术及其应用学术会议论文集[C];2008年
6 康琦;杨东升;汪镭;吴启迪;;半导体封装作业调度的群体智能近似动态优化[A];2009年中国智能自动化会议论文集(第七分册)[南京理工大学学报(增刊)][C];2009年
7 安静;康琦;汪镭;吴启迪;;群体智能及其在BPR中的应用[A];先进制造技术论坛暨第三届制造业自动化与信息化技术交流会论文集[C];2004年
8 贾海忠;;群体智能优化技术在血瘀证最佳用药筛选中的应用[A];第六次全国中西医结合血瘀证及活血化瘀研究学术大会论文汇编[C];2005年
9 汪洋;王宇庆;郑喜凤;刘维亚;;基于感光图像的LED显示屏亮度特征数据采集[A];2008全国LED显示应用技术交流暨产业发展研讨会文集[C];2008年
10 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
中国博士学位论文全文数据库 前10条
1 李玉英;混沌蚂蚁群优化算法及其应用研究[D];北京邮电大学;2009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 陈志国;基于群体智能的机器视觉的关键技术研究[D];江南大学;2010年
6 薛晗;不确定规划的群体智能计算[D];国防科学技术大学;2010年
7 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
8 张梅凤;人工鱼群智能优化算法的改进及应用研究[D];大连理工大学;2008年
9 赵吉;群体智能算法研究及其应用[D];江南大学;2010年
10 唐贤伦;混沌粒子群优化算法理论及应用研究[D];重庆大学;2007年
中国硕士学位论文全文数据库 前10条
1 张文斌;群体智能涌现在网络舆情预测中的应用[D];西南交通大学;2011年
2 周艳菊;基于多智能体的群体智能决策支持系统生成器框架设计[D];中南大学;2002年
3 刘琼;基于群体智能的聚类算法研究[D];长沙理工大学;2010年
4 赵燕锡;群体智能决策支持系统中数据仓库系统的设计[D];中南大学;2003年
5 赵磊;基于群体智能的分子对接算法研究与实现[D];大连理工大学;2013年
6 梁光;基于群体智能的ABC支持型QoS路由机制的研究与仿真实现[D];东北大学;2008年
7 朱晓恩;基于群体智能的医学图像特征优化算法研究[D];浙江大学;2012年
8 邓植;基于群体智能的片上网络映射算法研究[D];西安电子科技大学;2012年
9 陈红洲;群体智能若干算法研究[D];哈尔滨工程大学;2004年
10 刘道勇;基于群体智能的分布式查找与清理协作方法研究[D];上海交通大学;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 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
5 彼德·米勒;蚂蚁没有老大[N];云南经济日报;2008年
6 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
7 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
8 裘水安;营造酒店文化 增加服务内涵[N];中国旅游报;2002年
9 记者 何边;网络化激活人工智能[N];计算机世界;2001年
10 沉风 中国移动 孙少陵 中国电子学会云计算专委会秘书长 林润华 解放军理工大学教授 刘鹏 宽带资本董事长 田溯宁;云计算:是能力,更是服务[N];人民邮电;2009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