收藏本站
《山东师范大学》 2009年
收藏 | 手机打开
二维码
手机客户端打开本文

离散群体智能算法的研究与应用

陈恩修  
【摘要】: 最优化问题是人们在科学研究、工程技术和经济管理等诸多领域中经常碰到的问题,其目的是从众多备选方案中选择出使目标函数达到最小或最大的方案。优化方法涉及的应用领域很广,问题种类与性质繁多,根据不同的原则可以给出不同的分类。根据决策变量的取值类型,可分为函数优化问题与组合优化问题(又称离散优化问题)。离散优化问题是一类重要的优化问题,随着计算机科学、管理科学和现代化生产技术等的日益发展,这类问题与日俱增,且其大部分都是NP-hard问题。这些问题正越来越受到运筹学、应用数学、计算机科学及管理科学等诸多学科的高度重视。很长时间以来,人们试图寻找解决各种组合问题的有效算法。长期的努力在此问题上取得了一定的成效,但NP问题仍然是21世纪一个最具挑战性的科学难题,是在理论信息学中计算复杂度理论领域里至今没有解决的问题。 群体智能优化方法是一个新兴的研究领域,为复杂优化问题的求解提供了一个有效手段,已引起相关领域学者的广泛关注。其中有代表性的有意大利学者Marco Dorigo于1991年提出的蚁群优化方法和1995年James Kennedy和Russell Eberhart基于对鸟群、鱼群捕食行为的模拟,提出的粒子群优化方法。由于这些方法概念简明、所需设置的参数较少、实现方便,特别用以解决复杂的组合优化问题具有优越性,迅速得到国际优化计算领域的认可,并在工程设计、生产优化等应用领域取得成功的应用。论文首先系统深入地分析了离散粒子群算法的本质,构建了一种简便高效的二元离散粒子群算法。然后,提出了一种全新的求解线性顺序问题的离散粒子群算法。其次,对置换流水车间调度问题初始解集的各种构建方法进行了比较分析。最后,提出了一种能够减少早熟现象的并行蚁群算法。 论文的主要研究工作与创新点归纳如下: 1、对“离散型粒子群算法的本质”进行了探索。通过对经典的离散型粒子群算法中各部件进行拆分和分析;并在分析的基础上,对这些部件以一种全新的方式重新组合起来,构建了一种简便高效的离散粒子群算法。新算法中每个粒子的新位置仅同其当前位置、其前一个位置、其历史最优位置和其邻域内的历史最优位置有关。对于各元素仅用0和1表示的二值问题,在这些位置,这些元素要么是0,要么是1。粒子中各元素在新位置取0或者1的概率,仅同以上位置该元素取0或者1的比例相关;即各元素在新位置的取值正比例于其当前位置、其历史最优位置和其邻域内的历史最优位置的取值,而负比例于其前一个位置的取值。该算法无需涉及在离散型粒子群算法中难以解释的“速度”的概念,没有使用sigmoid函数,无需对任何变量值施加变化范围限制,仅使用基于值比例的概率,公式简洁易于理解。该探索提供了一种窥视二元离散粒子群算法的新角度,为未来进一步探索离散粒子群算法的本质提供了一个基点。在De Jong Test Suite测试集上,运行该离散粒子群算法,并与经典的离散粒子群算法进行比较。测试表明,提出的算法简便高效。 另外,还在算法中引入了一个领袖粒子(Queen Informant)。该粒子使用单独的类似蚁群信息素的更新规则,并向所有其它粒子提供信息;而仅有当前全局历史最优解向其提供信息。该粒子类似量子,有两部分组成,其各元素两个值分别表示该元素取0和1的比例概率。在算法中加入领袖粒子,将其运行结果同先前的运行结果和经典算法的运行结果进行比较。实证表明,领袖粒子的引入有效地加快了算法的收敛速度,且没有增加函数的评估计算量。 2、求解线性顺序问题(Linear Order Problem,LOP)的离散粒子群算法。线性顺序问题是一种NP-hard的组合优化问题,其每个解可用一个“n个数的排列”来表示。他让某矩阵的行和列同时使用这个排列顺序,使得该矩阵主对角线以上元素值的总和最大化。论文提出了一种简便的离散粒子群算法,无需交换、交叉、变异、插入、删除等算子,仅需在每个粒子中存储各元素在其排列中的位置,而不是排列本身。将这些位置看成可以左右移动的;每个粒子的速度是由其元素左右移动形成的,从而对粒子的速度有一个清晰直观的解释。并用连续型的粒子群算法更新每个元素在其排列中的位置,然后用排序的方式确定各元素在排列中的相对位置即可。将该算法同基于交换算子的粒子群算法在标准LOLIB测试集上进行比较,表明该算法具有强大的优势。该方法适用于解元素在解排列中的绝对位置比相对位置更为重要的各种组合优化问题。 3、对置换流水车间调度问题(Permutation Flowshop Scheduling Problem.PFSP)初始解集构建方法的比较分析。群体智能算法解决优化问题的第一个步骤是创建一个初始解集。需要一定数量的初始解集的群体智能算法包括遗传算法(Genetic Algorithm,GA)、发散搜索算法(Scatter Search,SS)、粒子群优化算法(Particle Swarm Optimization,PSO),Memetic算法(Memetic Algorithm,MA),差分进化算法(Differential Evolution Algorithm,DE)等等。这些方法都已被用于求解该问题。如何创建一个高质量高多样性的初始解集以便减少求解的整体运行时间,始终是一个待解决的问题。对置换流水车间调度问题,先前的初始解比较研究仅限于创建出单个解的方法之间的解质量比较分析。论文将各种初始解集构建方法应用到Taillard提出的PFSP测试集上(共120个算例),比较它们产生的初始解集的质量,并用各种距离测度比较解集的多样性,从而为求解PFSP问题的群体智能算法的进一步改进提供了基点。一个有效的算法在很大程度上依赖于好的合适的初始解集,您可以根据这些初始解集构建方法的特性和您的算法自身的特点,选择合适的初始解集构建方法。 4、基于信息素交叉算子和排斥算子的并行蚁群算法。在并行蚁群算法中,多个蚁群同时并行存在。本算法充分利用了这个特点,提出了一种减少算法过早局部收敛的办法。它引入了两个新算子:信息素交叉算子和排斥算子。算法采用主/从模式、星形拓扑连接;主机位于中心位置。最初,多个蚁群同时被随机初始化,然后始终同时并行运行。每个子种群都是一个可以独立运行的蚁群优化系统,它们拥有属于自己的信息素矩阵和α、β、ρ等参数。当主机检测到某个蚁群已陷入局部最优解时,就利用信息素交叉算子、信息素排斥算子和多个已发现的次最优解,重新初始化这个蚁群。主、从机间仅需传送几个次最优解和几个参数,通信量极小。文中还给出了该算法的异步并行实现。该算法被用于解决TSP问题,实证表明,该算法提高了问题求解效率。
【学位授予单位】:山东师范大学
【学位级别】:博士
【学位授予年份】:2009
【分类号】:TP18

【引证文献】
中国硕士学位论文全文数据库 前2条
1 荆长林;基于分布式蚁群算法的城市路网动态最短路径搜索研究与实现[D];北京交通大学;2012年
2 姚芳;离散差分进化算法在生产优化问题中的应用研究[D];华南理工大学;2012年
【参考文献】
中国期刊全文数据库 前8条
1 王翠茹;张江维;王玥;衡军山;;改进粒子群优化算法求解旅行商问题[J];华北电力大学学报;2005年06期
2 吴庆洪,张纪会,徐心和;具有变异特征的蚁群算法[J];计算机研究与发展;1999年10期
3 潘全科;王文宏;潘群;朱剑英;;解决JOB SHOP问题的粒子群优化算法[J];机械科学与技术;2006年06期
4 萧蕴诗,李炳宇,吴启迪;求解TSP问题的模式学习并行蚁群算法[J];控制与决策;2004年08期
5 黄艳新,周春光,邹淑雪,王岩;一种求解类覆盖问题的混合算法[J];软件学报;2005年04期
6 李万庆,李彦苍;求解复杂优化问题的基于信息熵的自适应蚁群算法[J];数学的实践与认识;2005年02期
7 郝晋,石立宝,周家启;求解复杂TSP问题的随机扰动蚁群算法[J];系统工程理论与实践;2002年09期
8 ;Hybrid discrete particle swarm optimization algorithm for capacitated vehicle routing problem[J];Journal of Zhejiang University Science A(Science in Engineering);2006年04期
中国博士学位论文全文数据库 前1条
1 周国华;生产作业调度问题的软计算方法研究[D];西南交通大学;2003年
【共引文献】
中国期刊全文数据库 前10条
1 何广杰;;克隆选择算法及其在路基工程中的应用[J];四川建筑科学研究;2009年01期
2 许小健;张金轮;;微进化算法[J];安徽工程科技学院学报(自然科学版);2010年04期
3 叶志伟;张金平;赖旭东;;基于粒子群算法的最大交叉熵的图像分割方法[J];安徽农业科学;2007年23期
4 ;Multi-swingby optimization of mission to Saturn using global optimization algorithms[J];Acta Mechanica Sinica;2009年06期
5 ;A Preliminary Application of the Differential Evolution Algorithm to Calculate the CNOP[J];Atmospheric and Oceanic Science Letters;2009年06期
6 许小健;干洪;张金轮;;差分进化算法及其在固结系数计算中的应用[J];地下空间与工程学报;2010年05期
7 陈时华;;Properties of the two- and three-dimensional quantum dot qubit[J];半导体学报;2010年05期
8 刘海军;彭绍雄;高传斌;邹强;;一种基于信息素变化的改进蚁群算法[J];兵工自动化;2012年04期
9 乐群星;魏法杰;;蚂蚁算法的基本原理及其研究发展现状[J];北京航空航天大学学报(社会科学版);2005年04期
10 傅阳光;周成平;胡汉平;;无人飞行器海上航迹规划差分进化算法研究[J];兵工学报;2012年03期
中国重要会议论文全文数据库 前10条
1 高尚;江新姿;汤可宗;;蚁群算法与遗传算法的混合算法[A];第二十六届中国控制会议论文集[C];2007年
2 洪露;穆志纯;;一种新的克隆混沌调节算法的研究[A];第二十六届中国控制会议论文集[C];2007年
3 ;Complexity for the Approximation of Sobolev Imbeddings in the Quantum Computation Model[A];中国自动化学会控制理论专业委员会B卷[C];2011年
4 龚鹍;邓方;陈杰;;基于自适应差分进化算法和傅里叶神经网络的电子罗盘的标定[A];中国自动化学会控制理论专业委员会B卷[C];2011年
5 洪露;;一种改进克隆选择算法的收敛速度方法研究[A];中国自动化学会控制理论专业委员会B卷[C];2011年
6 王亚楠;陈杰;甘明刚;;基于差分进化的改进粒子滤波目标跟踪算法[A];中国自动化学会控制理论专业委员会C卷[C];2011年
7 ;A New Multiple Attribute Decision Making Method Based on Preference and Projection Pursuit Clustering Model[A];中国自动化学会控制理论专业委员会D卷[C];2011年
8 李俊峰;祝开建;;2005年~2007年国际深空轨迹优化竞赛综述[A];动力学与控制及航天应用[C];2008年
9 李二保;雷菁;徐富兵;华力;;LDPC码度分布的优化研究[A];第十三届全国信号处理学术年会(CCSP-2007)论文集[C];2007年
10 李志伟;胥颐;郝天珧;刘劲松;;利用非线性方法反演琉球-台湾-吕宋地区的岩石层P波速度结构[A];中国科学院地质与地球物理研究所2007学术论文汇编(第六卷)[C];2008年
中国博士学位论文全文数据库 前10条
1 戴运桃;粒子群优化算法研究及其在船舶运动参数辨识中的应用[D];哈尔滨工程大学;2010年
2 吴德烽;计算智能在三维表面扫描机器人系统中的应用研究[D];大连海事大学;2010年
3 张进;地震叠前数据的弹性阻抗非线性反演方法研究[D];中国海洋大学;2009年
4 曲建华;基于群体智能的聚类分析[D];山东师范大学;2010年
5 付晓薇;基于量子力学的图像处理方法研究[D];华中科技大学;2010年
6 宋佩君;相干介质中的量子调控研究[D];华中科技大学;2010年
7 王正家;ACA互连的多因素作用分析与性能优化[D];华中科技大学;2010年
8 朱少敏;多媒体数字水印若干关键算法研究[D];中国电力科学研究院;2010年
9 许伟;基于进化算法的复杂化工过程智能建模方法及其应用[D];华东理工大学;2011年
10 杨国鹏;基于机器学习方法的高光谱影像分类研究[D];解放军信息工程大学;2010年
中国硕士学位论文全文数据库 前10条
1 李颖;用蚁群算法求解最小极大流问题[D];河南理工大学;2010年
2 柳枝华;微粒群优化算法的改进及应用[D];南昌航空大学;2010年
3 岳广飞;基于二次搜索的搜索引擎技术研究[D];山东科技大学;2010年
4 邵晓路;蚁群群体智能网络可视化试验平台研制[D];浙江理工大学;2010年
5 耿东山;基于蚁群算法的机器人全局路径规划[D];郑州大学;2010年
6 马迪;图像分割中的边缘检测方法研究[D];哈尔滨工程大学;2010年
7 荆奇;蚁群算法在特种机器人智能控制中的应用研究[D];哈尔滨工程大学;2010年
8 魏卓群;GPU并行免疫算法在冷轧生产调度中的应用[D];大连理工大学;2010年
9 刘洋;基于粒子群算法的NoC映射问题研究[D];大连理工大学;2010年
10 林其岳;螺旋钻采煤机钻具的参数研究及优化[D];辽宁工程技术大学;2009年
【同被引文献】
中国期刊全文数据库 前10条
1 赵禹骅,任伟民,李可柏;关于汉密尔顿最短路径的算法[J];东方电气评论;2004年01期
2 马磊;;车辆路径问题(VRP)算法研究[J];电脑知识与技术;2009年19期
3 袁鹏;刘海明;胡跃明;;基于伞布搜索法的贴片机贴装顺序优化算法[J];电子工艺技术;2007年06期
4 黄国锐,曹先彬,王煦法;基于信息素扩散的蚁群算法[J];电子学报;2004年05期
5 景玲,黄席樾,潘娅;基于遗传算法的动态路径诱导[J];重庆大学学报(自然科学版);2002年04期
6 李祚泳,钟俊,彭荔红;基于蚁群算法的两地之间的最佳路径选择[J];系统工程;2004年07期
7 刘名龙;黄德镛;徐天泽;;城市道路网最短路径启发算法研究[J];公路交通科技;2006年08期
8 高娜;贾辉然;折志伟;姜文东;赵捷;;蚁群算法在城市交通系统中的应用[J];河北工业科技;2010年03期
9 杜玲玲;;混合超启发式法求解大规模VRP的优化研究[J];华东交通大学学报;2011年01期
10 柴晨;童琦;王宪;;基于AIS的动态路径搜索算法研究[J];廊坊师范学院学报(自然科学版);2009年04期
中国重要会议论文全文数据库 前1条
1 王力;王川久;张海;范跃祖;;基于浮动车的城市动态交通信息采集处理方法研究[A];第一届中国智能交通年会论文集[C];2005年
中国博士学位论文全文数据库 前1条
1 高永超;智能优化算法的性能及搜索空间研究[D];山东大学;2007年
中国硕士学位论文全文数据库 前10条
1 刘坤;基于蚁群算法的轨道交通路径选择模型及应用研究[D];北京交通大学;2011年
2 高艺;基于一次拥堵的城市交通拥堵综合评价方法研究[D];北京交通大学;2011年
3 张伟;矩形件排样与切割路径优化技术研究[D];南京航空航天大学;2010年
4 祝永华;改进的蚁群算法及其应用研究[D];浙江工业大学;2010年
5 龚志辉;基于遗传算法的矩形件优化排样系统研究[D];湖南大学;2003年
6 方强;基于优进策略的差分进化算法及其化工应用[D];浙江大学;2004年
7 许震洪;动态路径诱导系统的最优路径算法研究及相关软件实现[D];南京理工大学;2004年
8 黄红兵;矩形件下料优化排样的遗传算法[D];广西师范大学;2005年
9 章春芳;自适应的并行蚁群算法及其应用[D];扬州大学;2006年
10 蔡辉;GIS环境下动态路径优化算法问题的研究[D];长沙理工大学;2006年
【二级参考文献】
中国期刊全文数据库 前10条
1 周青山,向铁元,罗亚,邹荣盛;基于改进遗传算法的配电网络重构[J];电力科学与工程;2004年01期
2 张长水,沈刚,阎平凡;解Job-Shop调度问题的一个遗传算法[J];电子学报;1995年07期
3 袁和金,王翠茹;粒子群优化算法在求解平面选址问题中的应用研究[J];华北电力大学学报;2004年04期
4 邱志刚,黎志成;应用遗传算法进行单机工件加工排序[J];华中理工大学学报;1997年11期
5 越民义,韩继业;n个零件在m台机床上的加工顺序问题(Ⅰ)[J];中国科学;1975年05期
6 吴庆洪,张纪会,徐心和;具有变异特征的蚁群算法[J];计算机研究与发展;1999年10期
7 陈烨;带杂交算子的蚁群算法[J];计算机工程;2001年12期
8 何霆,刘飞,马玉林,杨海;车间生产调度问题研究[J];机械工程学报;2000年05期
9 张纪会,高齐圣,徐心和;自适应蚁群算法[J];控制理论与应用;2000年01期
10 高尚,韩斌,吴小俊,杨静宇;求解旅行商问题的混合粒子群优化算法[J];控制与决策;2004年11期
【相似文献】
中国期刊全文数据库 前10条
1 刘援农;;蚁群算法在TSP问题中的应用研究[J];硅谷;2011年13期
2 章春芳;;基于超顶点交流策略的并行蚁群算法[J];江南大学学报(自然科学版);2007年06期
3 葛洪伟;高阳;;基于蚁群算法的集合覆盖问题[J];计算机工程与应用;2007年04期
4 江海燕;刘弘;;群体智能及其在建筑设计上的应用探索[J];山东教育学院学报;2008年01期
5 王睿;梁彦;潘泉;;无线传感器网络的蚁群自组织算法[J];电子学报;2007年09期
6 王真军;敖志刚;;基于群体智能的算法研究[J];电脑知识与技术;2008年11期
7 王艳玲;李龙澍;胡哲;;群体智能优化算法[J];计算机技术与发展;2008年08期
8 陈恩修;刘希玉;;求解线性顺序问题的离散粒子群算法[J];济南大学学报(自然科学版);2009年03期
9 刘业政;凌海峰;杨善林;;蚁群优化的研究进展及应用[J];合肥工业大学学报(自然科学版);2006年01期
10 刘波;潘久辉;;基于群体智能的增量数据挖掘方法研究[J];计算机工程与设计;2006年11期
中国重要会议论文全文数据库 前10条
1 李扬;;改进的蚁群算法及其在Eil50问题上的检验[A];中国运筹学会模糊信息与模糊工程分会第五届学术年会论文集[C];2010年
2 王雪萍;杨青;黄祖锋;;P2P网络中基于蚁群算法的智能搜索研究[A];2006全国复杂网络学术会议论文集[C];2006年
3 黄文明;兰静;张阳;;基于改进蚁群算法的网格资源调度[A];中国通信学会通信软件技术委员会2009年学术会议论文集[C];2009年
4 申春;彭秀增;罗凡;李肃义;;基于方向启发因子的蚁群算法[A];2006年全国理论计算机科学学术年会论文集[C];2006年
5 宁静;王桂棠;吴黎明;刘军;;基于自适应挥发因子蚁群算法的Zigbee路由协议[A];2007'仪表,自动化及先进集成技术大会论文集(一)[C];2007年
6 徐金荣;李允;;一种基于蚁群系统的遗传算法[A];2008'中国信息技术与应用学术论坛论文集(一)[C];2008年
7 陈国良;;食用菌多糖对机体作用机制的猜想[A];2008全国药用真菌学术研讨会论文集[C];2008年
8 张永宏;李凯兵;孔令清;袁淑珍;;信息素在二连口岸进口木材检疫中的首次应用[A];植物保护与现代农业——中国植物保护学会2007年学术年会论文集[C];2007年
9 陆地;白燕琼;;信息时代高校图书馆对大学生的信息素质教育[A];图书馆改革与发展——陕西省社会科学信息学会第六次学术讨论会论文集[C];2003年
10 魏洪义;杜家纬;;低致死剂量杀虫剂处理幼虫后对成蛾化学通讯系统的影响[A];生态学与全面·协调·可持续发展——中国生态学会第七届全国会员代表大会论文摘要荟萃[C];2004年
中国重要报纸全文数据库 前10条
1 记者 谢克俭;两岸大学生辩论赛落幕[N];福建科技报;2006年
2 侯冉;爱心铸和谐 情暖未教所[N];大众科技报;2007年
3 本报记者 朱洪升 实习生 岳冰 李青;校园代理:行走在阳光边缘[N];联合日报;2007年
4 于蓓蕾;女性能力无“盲点”[N];联合日报;2007年
5 记者 丛民 通讯员 袁回 宋广玲;小学教育为何呈现“阴盛阳衰”[N];工人日报;2005年
6 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
7 边歆;商务智能:进化与简化[N];网络世界;2007年
8 记者 赵秋丽;山东师范大学“新世纪讲坛”深受学生喜爱[N];光明日报;2005年
9 彼德·米勒;蚂蚁没有老大[N];云南经济日报;2008年
10 查玉喜 史志远;强健发展与奋飞的双翼[N];中国教育报;2005年
中国博士学位论文全文数据库 前10条
1 陈恩修;离散群体智能算法的研究与应用[D];山东师范大学;2009年
2 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
3 曲建华;基于群体智能的聚类分析[D];山东师范大学;2010年
4 夏鸿斌;计算智能方法及在网络优化和预测中的研究[D];江南大学;2009年
5 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
6 唐贤伦;混沌粒子群优化算法理论及应用[D];重庆大学;2007年
7 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
8 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
9 程世娟;改进蚁群算法及其在结构系统可靠性优化中的应用[D];西南交通大学;2009年
10 阳惠;系统级故障诊断算法研究[D];重庆大学;2009年
中国硕士学位论文全文数据库 前10条
1 徐丽;基于并行蚁群算法的多机器人协作研究[D];东北电力大学;2007年
2 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
3 郑章元;蛙跳算法及其在置换流水车间调度中的应用研究[D];华中科技大学;2011年
4 刘琼;基于群体智能的聚类算法研究[D];长沙理工大学;2010年
5 康望星;基于蚁群算法的无线传感器网络路由算法研究[D];哈尔滨工程大学;2006年
6 史钗;基于蚂蚁算法的移动自组网组播路由研究[D];燕山大学;2006年
7 武交峰;应用遗传算法提高蚁群算法性能的研究[D];太原理工大学;2007年
8 张健;白杨透翅蛾无公害防治初步研究[D];东北师范大学;2008年
9 辛雅斐;蚁群算法中基于信息增益的信息素值的分析与改进[D];暨南大学;2008年
10 陈永祥;基于中心定位的蚁群算法及其在交通选路中的应用[D];武汉理工大学;2008年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026