狼群算法的优化研究与应用

发布时间：2020-05-25 09:27

【摘要】：最优化问题一直以来在工程技术和科学研究等领域占据着很重要的地位,人们从未停止过对最优化问题解决办法的研究。但随着系统工程问题复杂程度的提高和大量非线性组合优化问题的出现,对解决最优化问题的方法要求也随之提高。受大自然中生物捕猎行为的启发,仿生智能算法开始慢慢的出现在世人面前,最为典型的仿生智能算法为遗传算法(Genetic Algorithm,GA)、模拟退火算法(Simulated Annealing,SA)、粒子群算法(Particle Swarm Optimization,PSO)、蚁群算法(Ant Colony Optimization,ACO)等等,并且有些算法现已非常成熟,特别是在解决最优化问题上尤为突出,并且在相关领域已经得到了实际的应用,本文介绍的狼群算法(Wolf Pack Algorithm,WPA)也属于仿生智能算法的一种,因其相比其他的仿生智能算法在解决复杂问题时展现出良好的性能,因此也受到了国内外很多专家和学者的密切关注。狼群算法(Wolf Colony Algorithm,WCA)最初是Liu等人根据对狼群捕猎行为进行研究,提出的一种群智能算法,2013年,吴虎胜等人根据狼群的分工协作的捕猎以及猎物分配的特点,抽象出人工狼的三种智能行为(即游走行为、召唤行为和围攻行为)和两种智能规则(即“胜者为王”的头狼产生规则和达尔文生物进化论的“优胜劣汰”的狼群更新规则),提出了一种全新的狼群算法(Wolf Pack Algorithm),并基于马尔科夫链理论证明了WPA算法的收敛性。狼群算法(WPA)虽然问世时间不足5年,但因其性能较好,已经在多个领域得到应用,如无人机航迹规划、三维传感器的优化布置方法以及水电站水库优化调度等等,也更好地说明了狼群算法有很好的前景。但算法也有很多不足之处,如耗时较长,收敛精度低,参数太多和易陷入局部最优等缺点,使得狼群算法的进一步的发展受到了阻碍。本课题主要以狼群算法为研究对象,并针对WPA算法容易陷入局部最优、且精度低和收敛速度慢等缺点进行改进,最后又将遗传算法和狼群算法进行融合,并应用于解决旅行商问题(TSP)中。具体研究内容如下:一、本文提出了基于高斯扰动和混沌初始化的狼群算法(GCWPA)。该算法引用了混沌立方映射初始化狼群,使狼群在搜索空间分布更加均匀,有利于狼群对解空间的覆盖;通过对头狼进行高斯扰动,使得算法具有跳出局部最优的能力,仿真实验结果表明,改进后的算法的具有良好的寻优性能。二、提出了基于交叉变异算子和模拟退火的混合的狼群算法(GASAWPA)。在WPA算法的基础上,引入了遗传算法中的交叉和变异操作,增加种群多样性的同时,还有利于加强算法的全局搜索能力,在围攻行为后,加入模拟退火算法中的Metropolis判别准则对头狼附近进行局部寻优,仿真实验证明,改进后的算法相比较WPA算法优势明显,相比较DWPA算法,虽然其能找到最优值,但其稳定相对较差,而GASAWPA算法则更加稳定。然后将改进后的算法应用在求解TSP问题中,选取了两个典型的TSP算例进行了仿真实验,验证了改进后算法的具有良好的性能。
【图文】：

群体智能仿生算法流程图

狼群捕猎
【学位授予单位】：青岛理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18

【参考文献】

相关期刊论文 前8条

1 李国亮;魏振华;徐蕾;;基于改进搜索策略的狼群算法[J];计算机应用;2015年06期

2 周强;周永权;;一种基于领导者策略的狼群搜索算法[J];计算机应用研究;2013年09期

3 冯艳红;刘建芹;贺毅朝;;基于混沌理论的动态种群萤火虫算法[J];计算机应用;2013年03期

4 王秋安;;自然进化论与达尔文的生物进化论探析[J];湖北社会科学;2012年09期

5 杨卫波;赵燕伟;;求解TSP问题的改进模拟退火算法[J];计算机工程与应用;2010年15期

6 胡中功;李静;;群智能算法的研究进展[J];自动化技术与应用;2008年02期

7 胡小兵,黄席樾;蚁群优化算法及其应用[J];计算机仿真;2004年05期

8 潘宝平;生物进化理论的新进展[J];生物学通报;2002年02期

，

本文编号：2679941