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

混合群智能优化算法研究及应用

【摘要】：优化问题广泛地存在于科学研究和工程实践中。群智能优化算法是优化算法中最新的一个分支,也是最热门的发展方向。群智能优化算法是通过模拟自然界中生物间相互合作、共享信息等群体行为而建立起来的随机搜索算法,相较于经典优化算法具有结构简单、易于实现等优点。不同的群智能优化算法是模拟不同生物行为形成的,所以它们各具特点和适用场景。然而,单一的群智能优化算法均有其局限性,如搜索精度不够高、收敛速度慢、性能受参数影响较大和容易陷入局部最优等。将不同群智能优化算法有机结合,设计混合群智能优化算法是一种提高算法性能的有效方法,具有重要的研究意义。本文的主要研究内容及创新点包括以下几个方面:(1)针对单目标数值优化问题提出了一种基于跟随蜂搜索的自适应粒子群算法(Follower Bee Search Based Adapitve Particle Swarm Optimization,F-APSO)。首先在经典粒子群算法粒子飞行轨迹分析的基础上提出了一种自适应的粒子群算法(Adapitve Particle Swarm Optimization,APSO),提高了算法在求解单峰问题时的性能。然后提出了一种针对自适应粒子群算法的稳定性分析方法,基于该方法对APSO进行了稳定性分析,给出了能够保证算法稳定的参数取值条件。接着通过引入人工蜂群算法中的跟随蜂搜索,提高了算法的开拓性,并将APSO的稳定性条件拓展到了 F-APSO中。仿真实验表明F-APSO在求解单目标数值优化问题时在解的质量和时间消耗上都具有良好表现。将F-APSO用于解决矿山生产排程优化问题,与原有生产方案相比优化后的方案在不同铁精矿价格下都能获得更多的经济收益。(2)针对多目标数值优化问题提出了一种基于跟随蜂搜索的自适应多目标粒子群算法(Follower Bee Search Based Adapitve Multi-objective Particle Swarm Optimization,F-AMOPSO)。多目标优化问题不存在唯一的最优解,而是一组不能相互支配的非劣解。这就造成求解单目标优化问题的优化算法不能直接用于求解多目标优化问题,而是要针对多目标优化问题的特点进行改造,形成新的多目标优化算法。本文通过修改局部最优解更新机制和提出基于非劣解距离的跟随蜂选择机制和搜索范围调整方法等手段,将本文所提单目标混合粒子群算法改造为一种多目标粒子群算法。并通过仿真实验说明该算法具有良好的收敛性和均匀分布性。最后,将F-AMOPSO用于以精矿产量和单位精矿变动成本为目标的多目标矿山排程优化中,取得了优秀的实用效果。(3)针对典型组合优化问题TSP问题(Traveling Salesman Problem)提出了一种带混沌序列的粒子群参数优化蚁群算法(Chaos Particle Swarm Optimization based Ant Colony Optimization,C-PSO-ACO)。首先针对传统粒子群参数优化蚁群算法引入一种全局异步与精英策略相结合的信息素更新方式和减少蚁群算法被粒子群算法调用一次所需迭代代数的策略减少时间消耗。然后利用混沌序列的可控随机性改善算法中的随机因素,解决了蚁群算法迭代代数减少造成的收敛过程不完善,导致算法随机性过强,最终影响求解质量的问题。针对TSP问题的仿真实验说明了改进混合算法可以在大幅减小运行时间的情况下提高解的质量。最后,将该算法用于解决垃圾场巡查机器人路径规划问题,取得了良好的效果。

【相似文献】

中国期刊全文数据库

前20条

1

黄天赦;叶春明;;采用量子粒子群算法的一类模糊作业车间调度问题的研究[J];现代制造工程;2009年11期

2

秦玉灵;孔宪仁;罗文波;;混沌量子粒子群算法在模型修正中的应用[J];计算机工程与应用;2010年02期

3

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

4

牛永洁;;一种新型的混合粒子群算法[J];信息技术;2010年10期

5

全芙蓉;;粒子群算法的理论分析与研究[J];硅谷;2010年23期

6

刘衍民;赵庆祯;邵增珍;;一种改进的完全信息粒子群算法研究[J];曲阜师范大学学报(自然科学版);2011年01期

7

朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[J];计算机工程与应用;2011年05期

8

熊智挺;谭阳红;易如方;陈赛华;;一种并行的自适应量子粒子群算法[J];计算机系统应用;2011年08期

9

孟纯青;;非线性粒子群算法[J];微计算机应用;2011年08期

10

任伟建;武璇;;一种动态改变学习因子的简化粒子群算法[J];自动化技术与应用;2012年10期

11

刘飞,孙明,李宁,孙德宝,邹彤;粒子群算法及其在布局优化中的应用[J];计算机工程与应用;2004年12期

12

熊盛武,刘麟,王琼,史旻;改进的多目标粒子群算法[J];武汉大学学报(理学版);2005年03期

13

王楠楠,石丽;基于离散粒子群算法的近似最大连通分量抽取[J];大连民族学院学报;2005年01期

14

孟凡辉,王秀坤,赫然,唐一源;一种改进的耗散粒子群算法[J];计算机工程与应用;2005年12期

15

孟建良;杨楷;庞春江;张江维;;基于改进粒子群算法的网络计划工期——费用优化[J];计算机应用与软件;2006年02期

16

陈长忆;叶永春;;基于粒子群算法的非线性方程组求解[J];计算机应用与软件;2006年05期

17

赵颖;;一种改进型粒子群算法[J];福建电脑;2006年07期

18

熊伟丽;徐保国;吴晓鹏;肖应旺;;带变异算子的改进粒子群算法研究[J];计算机工程与应用;2006年26期

19

方峻;唐普英;任诚;;一种非对称互联型粒子群算法[J];计算机工程与应用;2006年32期

20

张晓明;王儒敬;;一种带逆反的粒子群算法[J];计算机科学;2006年10期

中国重要会议论文全文数据库

前10条

1

朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[A];中国科学院地质与地球物理研究所第11届(2011年度)学术年会论文集(上)[C];2012年

2

陈定;何炳发;;一种新的二进制粒子群算法在稀疏阵列综合中的应用[A];2009年全国天线年会论文集(上)[C];2009年

3

陈龙祥;蔡国平;;基于粒子群算法的时滞动力学系统的时滞辨识[A];第十二届全国非线性振动暨第九届全国非线性动力学和运动稳定性学术会议论文集[C];2009年

4

于颖;李永生;於孝春;;新型离散粒子群算法在波纹管优化设计中的应用[A];第十一届全国膨胀节学术会议膨胀节设计、制造和应用技术论文选集[C];2010年

5

刘卓倩;顾幸生;;一种基于信息熵的改进粒子群算法[A];系统仿真技术及其应用(第7卷)——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

6

熊伟丽;徐保国;;粒子群算法在支持向量机参数选择优化中的应用研究[A];2007中国控制与决策学术年会论文集[C];2007年

7

方卫华;徐兰玉;陈允平;;改进粒子群算法在大坝力学参数分区反演中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年

8

熊伟丽;徐保国;;单个粒子收敛中心随机摄动的粒子群算法[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

9

马向阳;陈琦;;以粒子群算法求解买卖双方存货主从对策[A];第十二届中国管理科学学术年会论文集[C];2010年

10

赵磊;;基于粒子群算法求解多目标函数优化问题[A];第二十一届中国(天津)’2007IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2007年

中国博士学位论文全文数据库

前10条

1

张超;混合群智能优化算法研究及应用[D];北京科技大学;2018年

2

李庆伟;粒子群算法及电厂若干问题的研究[D];东南大学;2016年

3

杜毅;多阶段可变批生产线重构的研究[D];广东工业大学;2016年

5

邵晴;粒子群算法研究及其工程应用案例[D];吉林大学;2017年

6

王芳;粒子群算法的研究[D];西南大学;2006年

7

安镇宙;家庭粒子群算法及其奇偶性与收敛性分析[D];云南大学;2012年

8

刘建华;粒子群算法的基本理论及其改进研究[D];中南大学;2009年

9

黄平;粒子群算法改进及其在电力系统的应用[D];华南理工大学;2012年

10

胡成玉;面向动态环境的粒子群算法研究[D];华中科技大学;2010年

中国硕士学位论文全文数据库

前10条

1

陈群林;求解优化问题的改进粒子群算法研究[D];北方民族大学;2017年

2

张忠伟;结构优化中粒子群算法的研究与应用[D];大连理工大学;2009年

3

李强;基于改进粒子群算法的艾萨炉配料优化[D];昆明理工大学;2015年

5

余汉森;粒子群算法的自适应变异研究[D];南京信息工程大学;2015年

6

梁计锋;基于改进粒子群算法的交通控制算法研究[D];长安大学;2015年

10

陈百霞;考虑风电场并网的电力系统无功优化[D];山东大学;2015年