基于多群体融合的群集智能优化算法研究及应用

发布时间：2020-08-14 14:07

【摘要】：智能优化算法通过揭示或模拟某些自然现象及过程,从生物群体的智能行为发展而来的。由于算法结果不依赖于初值的选取,并且对优化的目标函数没有连续、可微等要求,具有全局、并行高效、较强的鲁棒性和通用性等优点,所以,对群智能算法的研究成为当今具有重要理论意义与实用价值的课题之一。本文对近年来群智能优化算法在全局函数优化方面的做了详细研究,工作安排如下:首先,在磷虾觅食优化算法(KH)的基础上,提出一种改进的磷虾觅食优化算法。通过利用蛙跳算模因(MA)分组的思想,使磷虾算法进行更仔细、更全面的搜索。最后选取6个基准函数进行仿真实验,为了验证改进算法的搜索性能,仿真结果表明参数对KH-SFLA的优化性能有一定影响,混合算法极大地提高了函数优化的求解精度和收敛速度。其次,花粉授粉算法通过参数实现了全局搜索和局部搜索之间相互转换动态控制的进程,较好地解决了全局搜索和局部搜索之间的平衡,并且算法采用Levy飞行,使其具有良好的全局寻优能力;同时提出了五种改进的优化算法MFPA、MFPAS、CFPA、BFA-FPA、BFA-FPAS。多种群算法有着比较强的寻优能力,相比较之下性能也非常稳定,可以使抑制速率得到有效提升,同时解的精准性也明显增加。最后,在蝙蝠算法的基础上,对其基本原理、算法流程加以论述。BA算法具有简单、参数少、鲁棒性强、易于实现等优点受到了极大的关注。因此,提出了蝙蝠算法的改进算法IBA、SBA、LBA和CBA并对七种优化算法IBA、SBA、LBA、CBA、SBAS、LBAS、CBAS进行了仿真比较。结果显示多种群算法IBA、SBAS、LBAS和CBAS无论是在寻优能力还是收敛速度上,都比原算法要好并且性能相对稳定,可以灵活地提高算法的抑制率,提高解决方案的准确性。总之,通过仿真表明了三种群智能算法参数设置以及与其他算法结合进行函数优化取得的良好寻优效果。同时,多种群算法在性能上优于原有算法,对于求解复杂问题及其实际应用具有重大意义。
【学位授予单位】：辽宁科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18

【参考文献】