基于鸽群算法的函数优化问题求解

【摘要】：随着科技的发展与新兴技术的出现,人类生产生活中的许多困难问题在逐渐被解决,然而,在解决方法经历了从无到有以后,如何高效地解决这类问题,成为了国内外学者不断追求与研究的新目标。现实世界中的优化问题往往都有大规模,非线性,非凸性等特点,具有NP难度。所以作为现实问题的抽象,函数优化问题特别是昂贵优化问题正成为研究的热点问题。目前,已经有许多群体智能优化算法被应用到函数优化问题当中,这也从侧面证明了群体智能算法对这类连续优化问题的有效性。本文中,我们将通过改进鸽群算法来求解函数优化问题。鸽群算法由段海滨教授于2014年提出,最初应用于航空航天领域。由于该算法发展历史较短,因此它还存在求解精度较差,收敛速度较慢,应用领域狭窄等弊端。针对这些问题,我们提出了一种改进鸽群算法,通过在算法的不同阶段实施不同的改进策略来提高算法效率。首先,在初始化过程中采用混沌加反向初始化,使得解的多样性得以保证,加快收敛速度;其次,在迭代过程中引入带有柯西扰动的重分布策略,在一定程度上跳出局部最优;最后,采用自适应参数设置来平衡局部搜索和全局搜索,提高收敛速度。在20个多维度的经典测试用例上的实验结果表明,该算法比原始鸽群算法、CLPSO(综合学习粒子群算法)、CMAES(协方差适应进化策略)更有效。