基于增强个体信息交流的蜻蜓算法研究与应用

发布时间：2020-10-08 23:07

　　群智能算法优化一直是科学和工程研究的热点问题,其蕴涵的仿生学机制和启发式思想使解决工程数学优化问题的方法变得非常快捷和优雅。蜻蜓算法(DA)是一种较为新颖的群智能算法,控制参数少,原理简单,能较好地应用于函数寻优。本文仔细研究了蜻蜓算法,并对基本蜻蜓算法的背景意义、研究现状、灵感来源、算法的设计和实现、仿真结果进行深入的分析和讨论,并给出蜻蜓算法的收敛性详细证明过程、伪代码和流程图。再次,根据蜻蜓算法的基本理论步骤和运行结果,分析算法的优点,也指出算法存在的缺点。在此基础上,运用三种策略(贪婪、平衡、组合)对蜻蜓算法进行改进,提出增强个体信息交流的蜻蜓算法(EIDA)。贪婪策略是对蜻蜓算法种群历史最优解的保留,平衡策略是对蜻蜓算法全局搜索和局部开发过渡的优化,组合策略是对蜻蜓算法种群位置更新的改进。本文详细描述了EIDA的参数选择、执行步骤和流程图,并分析了EIDA的种群多样性和收敛性。接着,本文使用七个基准测试函数对DA、EIDA、ABC和PSO进行了仿真实验测试,使用最优解、最差解、平均解、均方差四个指标去评价这四个群智能算法的性能,还画出了四个算法寻优时的平均收敛曲线图。仿真测试表明,EIDA能有效地改善原DA的性能,提高原DA的寻优能力,特别地,高维多峰函数的寻优结果体现了EIDA收敛速度更快,寻优精度更高,对抗局部极值的能力更强。最后,对传统的时间序列预测方法存在的不足之处进行说明,并尝试把群智能算法与神经网络相结合,以提高时间序列预测的精度。本文尝试把EIDA与Elman神经网络这两种单一的算法进行有机的融合,提出EIDA-Elman时间序列预测模型,最大程度地发挥两者的优点。引入EIDA是为了解决Elman神经网络在训练过程中权值和阀值容易陷入局部最优解的问题。在详细描述EIDA-Elman模型的原理、算法步骤的基础上,将其应用于微博话题热度预测问题,并进行仿真测试。使用均方误差和相对误差两个常用指标对EIDA-Elman预测模型进行评价。对微博话题的测试结果表明,EIDA-Elman预测模型的训练情况好,预测精度高。
【学位单位】：广东工业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP18
【部分图文】：

蜻蜓,行为

水中的其它昆虫甚至小型鱼类。蜻蜓有趣的地方是它们独特的、罕见的群集行为。蜻蜓在两种情况下会聚集成群：觅食和迁徙。前者称为静态（觅食）群体，后者称为动态（迁徙）群体。这两个群体的行为会在接下来的小节里给出其数学实现。2.2 蜻蜓个体的行为及其数学描述蜻蜓个体有五种行为需要受到特别关注，这些行为决定了蜻蜓飞行时的位置：（1）避撞行为，尽可能地不和环绕或紧挨着的蜻蜓个体产生碰撞；（2）结队行为，若干个蜻蜓结队飞行，个体之间以同等均速维系连接；（3）聚集行为，若干个蜻蜓向某个蜻蜓靠拢，个体之间以同等均间距飞行；（4）觅食行为，尽可能多地找到食物，且共同靠拢至食物所在的位置；（5）避敌行为，尽可能少地遇见天敌，且向天敌的四周散开。蜻蜓群体中的各个体根据这五种主要行为更新其自身所在位置，如图 2-1 所示。

蜻蜓,位置向量,计算使用,行为

广东工业大学硕士学位论文w 是惯性权重，t 是迭代的次数。有了避撞，结队，聚集，觅食和避敌因子（s, a, c, f, e），在算法演化过程中能实现不同的全局搜索和局部开发行为。蜻蜓的相邻个体是非常重要的，所以假设每个蜻蜓都有一个具有一定半径的相邻“个体”（2 维空间是一个圆，3 维空间是一个球面，n 维空间是一个超球面）。文献[14]展示了蜻蜓群聚行为及其邻域半径不断增长的例子，其中各因子取值为 w=0.9 0.2, s=0.1, a=0.1, c=0.7, f=1, e=1，如图 2-2。

流程图,蜻蜓,流程图,公式

始化蜻蜓种群 Xi(i = 1,2,...,n)始化步长向量i x(i = 1,2,...,n)ile 未达到最大迭代次数或未满足最小误差精度计算所有蜻蜓的目标值更新食物源和天敌更新 w, s, a, c, f 和 e使用公式(2.1)至(2.5)计算 S, A, C, F 和 E更新领域半径if 一个蜻蜓个体至少存在一个环绕或紧挨着的蜻蜓个体运用公式(2.6)计算和变更速度向量运用公式(2.7)计算和变更位置向量else运用公式(2.8)更新位置向量end if基于变量的边界，检查并纠正新的位置d while图 2-3 蜻蜓算法的伪代码Fig. 2-3 The pseudo code of the dragonfly algorithm

【参考文献】