混合蚁群算法及其在管理优化中的应用
发布时间：2022-12-22 03:40
经过近20年的发展,蚁群算法已经被应用于无约束离散组合优化问题、无约束连续函数优化问题和聚类问题。但是,到目前为止它还存在以下四方面的缺陷：第一,当解决无约束的离散组合优化问题——贝叶斯网络结构学习时,它的计算复杂度过高,运行时间过慢：第二,蚁群算法求解无约束连续函数优化问题的效果不佳；第三,蚁群算法求解约束连续函数优化问题的效果不佳；第四,蚁群算法作为一种新型聚类算法针对多个经典benchmarks数据集,聚类效果欠佳。 为了克服蚁群算法以上四个方面的缺陷,本文主要进行了如下改进。 第一,针对经典无约束组合优化问题——贝叶斯网络结构学习的特点,提出了约束蚁群算法。新算法利用BDEu得分的局部一致性原理设计了一种增边规则,并且将此规则引入蚁群算法的框架中,从而实现了在搜索过程中利用启发式信息动态缩减搜索空间同时减少运行时间的目的。仿真实验结果表明,在解决较大规模的贝叶斯网络结构学习问题时,约束蚁群优化算法在保证求解精度的条件下比蚁群优化算法运行时间减少40%以上。此外,在约束蚁群算法基础上,设计了一种新颖的约束蚁群贝叶斯分类器,并将其应用于房地产投资项目前期的风险预测问...
【文章页数】：107 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
目录
图目录
表目录
第1章 绪论
1.1 研究背景
1.2 蚁群算法研究现状
1.2.1 蚁群算法在组合优化的研究现状
1.2.2 蚁群算法在无约束连续函数优化的研究现状
1.2.3 蚁群聚类算法的研究现状
1.3 主要研究内容及创新点
1.3.1 研究内容
1.3.2 创新点
1.4 论文的组织结构
第2章 约束蚁群算法
2.1 引言
2.2 BNs的BDEu及特性
2.2.1 BDEu的可分解形式
2.2.2 BDEu的局部一致性
2.3 CACOB
2.3.1 CACOB的4个基本操作
2.3.2 CACOB的伪码
2.3.3 CACOB的特点
2.3.4 CACOB的时间复杂度
2.4 CACOB算法实验结果及讨论
2.4.1 评价网络及评价指标
2.4.2 CACOB和ACOB的参数设置
2.4.3 CACOB和ACOB的3个指标的实验比较及讨论
2.4.4 CACOB与ACOB的n_(NSC)与f_(BDEu)的相关性分析
2.4.5 CACOB算法参数q_0和t_(step)的敏感性分析
2.5 基于CACOB算法的分类器
2.5.1 原理
2.5.2 仿真实验
2.5.3 讨论
2.5.4 CACOB分类器在房地产项目前期风险预测的应用
2.6 本章小结
第3章 自适应蜂群-蚁群算法
3.1 引言
3.2 ACOR算法
3.2.1 概率密度函数
3.2.2 ACOR算法的信息素
3.2.3 ACOR算法的框架
3.3 自适应ACOR算法
3.3.1 ACOR算法的缺陷
3.3.2 自适应ACOR算法的基本思想
3.3.3 自适应ACOB算法的高层框架
3.3.4 自适应ACOR算法的细节解释
3.4 实验及讨论
3.4.1 测试函数选择
3.4.2 算法参数设置
3.4.3 实验结果
3.4.4 讨论
3.5 本章小结
第4章 基于状态转移准则的差分进化算法
4.1 引言
4.2 基于状态转移准则的差分进化算法
4.2.1 多成员机制
4.2.2 基于状态转移准则的分散机制
4.2.3 伪码
4.2.4 两算法的区别
4.2.5 时间复杂度
4.3 实验及讨论
4.3.1 参数设置
4.3.2 实验结果及比较
4.3.3 参数敏感性分析
4.4 结论
第5章 核蚁群聚类算法及在房地产项目前期风险评价的应用
5.1 引言
5.2 核蚁群聚类算法
5.2.1 聚类问题
5.2.2 核函数
5.2.3 核蚁群聚类算法
5.3 实验及讨论
5.3.1 Benchmarks和试验设置
5.3.2 聚类错误计算
5.3.3 实验结果
5.4 核蚁群聚类算法在房地产项目前期风险评价的应用
5.4.1 数据描述
5.4.2 核蚁群聚类算法进行评价
5.5 本章小结
第6章 结论和展望
6.1 结论
6.2 展望
参考文献
攻读博士期间发表论文和科研项目情况
致谢
本文编号：3723375
【文章页数】：107 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
目录
图目录
表目录
第1章 绪论
1.1 研究背景
1.2 蚁群算法研究现状
1.2.1 蚁群算法在组合优化的研究现状
1.2.2 蚁群算法在无约束连续函数优化的研究现状
1.2.3 蚁群聚类算法的研究现状
1.3 主要研究内容及创新点
1.3.1 研究内容
1.3.2 创新点
1.4 论文的组织结构
第2章 约束蚁群算法
2.1 引言
2.2 BNs的BDEu及特性
2.2.1 BDEu的可分解形式
2.2.2 BDEu的局部一致性
2.3 CACOB
2.3.1 CACOB的4个基本操作
2.3.2 CACOB的伪码
2.3.3 CACOB的特点
2.3.4 CACOB的时间复杂度
2.4 CACOB算法实验结果及讨论
2.4.1 评价网络及评价指标
2.4.2 CACOB和ACOB的参数设置
2.4.3 CACOB和ACOB的3个指标的实验比较及讨论
2.4.4 CACOB与ACOB的n_(NSC)与f_(BDEu)的相关性分析
2.4.5 CACOB算法参数q_0和t_(step)的敏感性分析
2.5 基于CACOB算法的分类器
2.5.1 原理
2.5.2 仿真实验
2.5.3 讨论
2.5.4 CACOB分类器在房地产项目前期风险预测的应用
2.6 本章小结
第3章 自适应蜂群-蚁群算法
3.1 引言
3.2 ACOR算法
3.2.1 概率密度函数
3.2.2 ACOR算法的信息素
3.2.3 ACOR算法的框架
3.3 自适应ACOR算法
3.3.1 ACOR算法的缺陷
3.3.2 自适应ACOR算法的基本思想
3.3.3 自适应ACOB算法的高层框架
3.3.4 自适应ACOR算法的细节解释
3.4 实验及讨论
3.4.1 测试函数选择
3.4.2 算法参数设置
3.4.3 实验结果
3.4.4 讨论
3.5 本章小结
第4章 基于状态转移准则的差分进化算法
4.1 引言
4.2 基于状态转移准则的差分进化算法
4.2.1 多成员机制
4.2.2 基于状态转移准则的分散机制
4.2.3 伪码
4.2.4 两算法的区别
4.2.5 时间复杂度
4.3 实验及讨论
4.3.1 参数设置
4.3.2 实验结果及比较
4.3.3 参数敏感性分析
4.4 结论
第5章 核蚁群聚类算法及在房地产项目前期风险评价的应用
5.1 引言
5.2 核蚁群聚类算法
5.2.1 聚类问题
5.2.2 核函数
5.2.3 核蚁群聚类算法
5.3 实验及讨论
5.3.1 Benchmarks和试验设置
5.3.2 聚类错误计算
5.3.3 实验结果
5.4 核蚁群聚类算法在房地产项目前期风险评价的应用
5.4.1 数据描述
5.4.2 核蚁群聚类算法进行评价
5.5 本章小结
第6章 结论和展望
6.1 结论
6.2 展望
参考文献
攻读博士期间发表论文和科研项目情况
致谢
本文编号：3723375
本文链接：https://www.wllwen.com/jingjilunwen/hongguanjingjilunwen/3723375.html
