集体决策优化算法的改进研究

发布时间：2022-01-10 20:21

　　随着科技的进步和生产技术的发展,优化问题几乎遍布科学研究及工程实践的各个领域,这使得优化算法成为现代科技不可或缺的理论基础和研究方法。本文研究的集体决策优化算法（Collective decision optimization algorithm,CDOA）就是模拟人的集体决策行为的一种进化算法。它具有收敛性强、收敛速度快、适用范围广等优点。然而CDOA在深度搜索方面表现良好而在广度搜索方面表现较差,因而表现出较强的开发能力而缺乏良好的勘探能力。因此,本文针对CDOA收敛速度过快易陷入局部最优的缺点,提出了两种改进的CDOA算法提高全局优化能力,即基于自适应概率的集体决策优化算法（PCDOA）和基于历史信息的集体决策优化算法（HCDOA）。1)首先,本文将设计的一种自适应概率模型与基本CDOA相结合,提出了一种基于自适应概率的集体决策优化算法（简称PCDOA）。具体而言,在新颖的搜索策略中,概率p自适应地在两种不同功能的变异算子中选择其中一个执行变异。这两种变异算子一个是增强种群的多样性的、基于交流阶段的变异算子,另一种是加快收敛速度的、基于领导者阶段的变异算子。PCDOA通过两种变异... 

【文章来源】：长江大学湖北省

【文章页数】：48 页

【学位级别】：硕士

【部分图文】：

元启发Fig.1-1Classificationof

第1章绪论3现象[13]。图1-1元启发式算法的分类Fig.1-1Classificationofmeta-heuristicalgorithms1.3进化算法进化算法，也被称为是演化算法(evolutionaryalgorithms，简称EAs)，它不是一个具体的算法，而是一个“算法簇”。进化算法的产生的灵感借鉴了大自然中生物的进化操作，它一般包括基因编码，种群初始化，交叉变异算子，经营保留机制等基本操作。与传统的基于微积分的方法和穷举方法等优化算法相比，进化计算是一种成熟的具有高鲁棒性和广泛适用性的全局优化方法，具有自组织、自适应、自学习的特性，能够不受问题性质的限制，有效地处理传统优化算法难以解决的复杂问题(比如NP难优化问题)。除了上述优点以外，进化算法还经常被用到多目标问题的优化求解中来，我们一般称这类进化算法为进化多目标优化算法(MOEAs)。目前进化计算的相关算法已经被广泛用于参数优化、工业调度、资源分配、复杂网络分析等领域。下面介绍一些常见的进化算法：(1)遗传算法(GA)遗传算法(GeneticAlgorithm,GA)是一种最基本的进化算法，它是模拟达尔文生物进化理论的一种优化模型，最早由J.Holland教授于1975年提出。遗传算法中种群分每个个体都是解空间上的一个可行解，通过模拟生物的进化过程，从而在解空间内搜索最优解。遗传算法的基本步骤如下：Step1种群初始化：根据问题特性设计合适的初始化操作对种群中的N个个体进行初始化操作；Step2个体评价：根据优化的目标函数计算种群中个体的适应值(fitness

第1章绪论5Step5判断是否满足终止条件，不满足执行Step2。在每一代的进化过程中，每一个体矢量作为目标个体一次，算法通过不断地迭代计算，保留优良个体，淘汰劣质个体，引导搜索过程向全局最优解逼近。1.4本文研究工作和创新点受CDOA潜力和优势的吸引，本文主要从如何提升CDOA在解决全局优化问题能力的角度来研究集体决策优化算法，其主要工作如下：1)分析出基本CDOA的变异算子导致其开发能力表现很好而勘探效果不佳这一原因，利用CDOA中不同变异算子的不同功能共同作用来提高其勘探能力。考虑到过度勘探会降低算法的收敛速度，进而影响到结果。因此，在算法迭代的不同时期采用不同的变异算子更新个体已到达开发和勘探能力的平衡是本文的第一个创新点：即通过自适应的概率p来控制和选择合适的变异策略，以达到广度勘探和深度开发的平衡。经过有效性分析和实验对比，验证其可行性和更优的优化能力。2）研究回溯搜索优化算法可知，其具有收敛勘探能力强但开发能力弱的缺点，这与本文研究的CDOA的性能互补。于是本文的第二个改进的CDOA算法是将BSA与CDOA相结合，提出一种基于历史信息的集体决策优化算法，称为HCDOA。该算法中，BSA变异算子可促进广度探索。本文研究的课题是集体决策优化算法对解决全局优化问题的改进研究，论文的组织结构如图1-2所示，主要的组织结构如下：图1-2论文的组织结构Fig.1-2Organizationalstructureofthepaper


本文编号：3581355