交互变邻域微分进化群搜索优化算法

《交互变邻域微分进化群搜索优化算法》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、万方数据3．2实验设计⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．273．2．1测试函数⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯273．2．2参数设置⋯⋯⋯⋯⋯．⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．273．3均匀设计⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．273．3．1均匀设计实验及分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．293．3．2实验结果与分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯303．4本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．35第四章交互变邻域微分进化群搜索优化算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯374．1网络拓扑⋯⋯⋯⋯

2、⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．374．2交互变邻域微分进化群搜索优化算法(IDGSO)⋯⋯⋯⋯⋯⋯⋯⋯⋯384．2．1基于不同数值方法的IDGSO⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯384．2．2绝对稳定性及步长的选择⋯⋯⋯．⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯394．2．3交互变邻域位分进化群搜索优化算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯394．3实验设计⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．404．3．1测试函数⋯⋯⋯⋯⋯⋯⋯⋯．⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯404．3．2参数设置⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯404．4实验结果与分析⋯⋯⋯⋯⋯．

3、⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯404．5本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．45第五章总结与展望⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．47参考文献⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯49致谢⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．⋯⋯⋯⋯⋯⋯⋯⋯．⋯．53攻读硕士学位期间科研论文发表情况⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．55个人简介及联系方式⋯⋯⋯⋯⋯．⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．⋯⋯．57VI万方数据第一章引言1．1群智能算法群智能算法(SwarmIntelligenceAlgorithm，SIA)是随着计算智能研究

4、的逐步深入而产生的。1992年，Beni、Hackwood和Wangil】最早提出了群智能的概念。1999年，Bonabeau、Dorigo和Theraulaz在((SwarmIntelligence：FromNaturaltoArtificialSystems))[2】中对群智能进行了详细的分析和论述。群智能算法思想来源于对众多简单智能的个体通过相互间的简单合作表现出的涌现行为的模拟。群智能算法【3】是借鉴自然界群居生物的社会行为(主要是觅食行为)来构造随机优化算法的。这个过程将寻优过程类比为个体的觅食或进化

5、过程，将空间中搜索的位置点类比为动物个体，将测试函数的适应值类比为自然界中生物个体的生存能力。群智能算法是一种具有“行为+矫正”特点的寻优算法。群智能算法实质上是一个动态的搜索过程，其不断“矫正”的行为过程正是类比了动物不断适应环境的过程，正足通过仿生这种思想对我们来构造各种各样的算法。1．2常见的群智能算法简介目前，对群体智能算法的研究越来越受到众多研究智能计算领域学者的关注。除了已经较为成熟的模拟鸟类飞行行为的微粒群算法(ParticleSwarmOptimization，PSO)一，51外，近年来出现了一

6、些新的算法值得我们关注，如模拟模拟人的随机搜索行为的搜寻者优化算法(SeekerOptimizationAlgorithm，SOA)161,模拟萤火虫发光规则构造的萤火虫算法(FireflyAlgorithm，FA)171以及模拟动物觅食行为的群搜索优化算法(GSO)18】。(1)微粒群算法微粒群算法(ParticleSwarmOptimizmion，PSO)19‘13IXIttKennedy和Eberhart于1995年开发的一种演化计算技术，来源于对一个简化社会模型的模拟。由于微粒群优化算法概念简单，易于实

7、现，并且具有良好的寻优特性，因此它在短期内受到了国内外学者的多方关注，算法的应用已经渗透到多个领域：参数优化、人工神经网络训练、车问调度等，但算法也有易陷入局部最优、后期易震荡等缺点。微粒群算法最初是为了图形化的模拟鸟群优美而不可预测的运动。观察动物群体行为，发现群体问的信息共享存在不断演化的过程，通过模拟这一过程来构造算法。在自然界中，虽然每只鸟的行为似乎是随机的，但从整个群体来看，却有着极大的相似性，这导致我们观察到整个鸟群在飞行中呈现出非常优美的排列。之所以会产生这样的结果，可能是每只鸟在飞行时遵循某些特

8、定的规则，且同时能够获取邻域内其他鸟的某些万方数据交互变邻域微分进化群搜索优化算法飞行信息。借鉴了这一思想，模拟这一过程产提出了微粒群算法。在微粒群优化算法中，每个微粒代表一只鸟，其“飞行信息”包括速度和位置。在每一次迭代中，粒子通过个体极值(自身找到的最优值)和全局极值(当前整个群体的最优值)来更新自己的速度和位置。在微粒不断地通过位置和速度来更新自身的过程中，最终找到问题的满意解。