引入牵引机制的果蝇优化算法及其应用研究

发布时间：2020-11-08 13:06

　　 群体智能算法是解决复杂优化问题的一种重要方式。该方法主要通过模拟自然界中的某些生物行为,在可行解空间通过逐步迭代的方式得出待优化问题的结果。相比梯度下降等传统优化算法,群体智能优化算法具有较强的鲁棒性,在实际应用中也十分容易实现。群体智能算法为解决复杂的参数优化问题提供了新的思路,受到了相关学者的广泛关注并成功解决了许多优化难题。果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)是近年来提出的一种新型群体智能算法,有着计算量低,收敛速度快,流程简单的特点。目前果蝇优化算法已经在科研和生产领域中得到了较为广泛的应用,然而在实际算法应用中FOA也存在着容易陷入局部最优,不能完整遍历可行域,搜索方式不灵活等问题,这些缺陷限制了FOA的应用范围,成为FOA算法研究中亟待解决的问题。本文通过研究FOA算法的寻优过程,针对FOA的缺陷提出了一种引入牵引机制的果蝇优化算法(Traction Fruit Fly Optimization Algorithm,TFOA),并对TFOA分别在离散和连续两种环境下进行了寻优能力测试,以验证算法的优化能力。同时,利用果蝇优化算法计算量低,寻优速度快的特点将改进之后的果蝇优化算法应用于无线传感器网络节点定位问题的研究,拓展了果蝇优化算法在无线传感器网络领域的应用范围。实验证明,相比传统定位算法,结合TFOA的定位算法定位精度更高,抗测距误差能力更强,相比粒子群算法和遗传算法,本文的定位算法收敛速度较快,定位效果更好。本文研究的主要内容总结如下。(1)从理论上证明了果蝇优化算法的缺陷并对算法的收敛性进行了详细的数学分析。针对FOA的缺陷在原始算法的基础上引入了牵引机制和新的搜索半径计算方式,解决了原有算法不能遍历实数域、容易陷入局部最优的问题。(2)为了验证算法改进之后的性能,首先将本文算法与四种改进的果蝇优化算法对12个标准测试函数进行极值求解以验证算法在连续环境下的寻优能力,然后通过对Web服务组合问题进行优化,进一步验证TFOA在离散环境下的有效性。(3)使用TFOA对无线传感器网络环境下的节点定位问题进行研究。通过将无线传感器网络节点定位问题转化为算法约束优化问题后,使用TFOA结合质心定位算法和最优解震荡策略对无线传感器网络节点进行定位,并在仿真环境下和传统基于测距的节点定位算法,粒子群算法以及遗传算法进行了对比实验,以验证本文算法的定位效果。
【学位单位】：安徽大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP18
【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文研究内容与组织结构
第二章 果蝇优化算法的研究
    2.1 群体智能算法综述
    2.2 果蝇优化算法
        2.2.1 算法原理与实现
        2.2.2 算法的理论分析
    2.3 果蝇优化算法与其他智能算法的比较
    2.4 果蝇优化算法的改进方向
        2.4.1 参数改进
        2.4.2 寻优策略改进
    2.5 本章小结
第三章 引入牵引机制的果蝇优化算法
    3.1 牵引种群产生算法
    3.2 动态搜索半径
    3.3 TFOA算法流程
    3.4 TFOA算法时间复杂度分析
    3.5 实验与分析
        3.5.1 TFOA在连续环境下的寻优性能测试
        3.5.2 TFOA在离散环境下的寻优性能测试
        3.5.3 实验结果分析总结
    3.6 本章小结
第四章 TFOA在WSN节点定位中的应用研究
    4.1 WSN节点定位方法综述
        4.1.1 基于测距的定位算法
        4.1.2 基于非测距的定位算法
        4.1.3 新型智能定位算法
    4.2 算法建模
    4.3 TFOA算法求解WSN节点定位问题步骤
    4.4 实验设计与结果分析
        4.4.1 实验环境及参数设置
        4.4.2 实验结果及分析
    4.5 本章小结
第五章 总结与展望
    5.1 工作总结
    5.2 未来展望
参考文献
附录A: 图索引
Appendix A: Figure Index
附录B: 表索引
Appendix B: Table Index
致谢
攻读硕士学位期间的科研成果

【相似文献】

相关期刊论文 前10条

1 杨彦红;;算法分析与设计(双语)课程实践教学模式探索[J];中国管理信息化;2017年19期

2 李绍静;许海洋;吕建波;;应用型人才培养中《算法分析与设计》课程教学方法研究[J];科技资讯;2017年04期

3 刘子旋;;中国古代算法的探究与模型建立[J];中华少年;2017年04期

4 曹千秋;;求离散点最小包围圆在算法初步教学中的案例分析[J];中华少年;2017年11期

5 郭亚玲;;算法初步的几个着力点[J];高中生学习(试题研究);2017年09期

6 杨波;肖自碧;;信息与计算科学专业“算法分析与设计”研究性教学探索[J];中国电力教育;2013年01期

7 郑大伟;董大南;;自回归谱估计的Marple算法及其在天文资料分析中的应用[J];天文学报;1987年04期

8 郑卓嘉,吴佑寿,李叔梁;计算机三维逼真图形显示的一种改进算法[J];计算机学报;1988年01期

9 廖先湜;赵先铭;张赤红;;分布式计算机系统容错互斥算法[J];计算机研究与发展;1988年07期

10 李玉忱;徐恭学;;特殊数据的排序方法[J];山东工业大学学报;1988年03期

相关博士学位论文 前10条

1 谢刚;免疫思维进化算法及其工程应用[D];太原理工大学;2006年

2 于滨;城市公交系统模型与算法研究[D];大连理工大学;2006年

3 陈耿;面向中观审计的规则发现算法研究[D];东南大学;2005年

4 李宁;粒子群优化算法的理论分析与应用研究[D];华中科技大学;2006年

5 黄训诚;基于蚁群算法的超大规模集成电路布线研究[D];西安电子科技大学;2007年

6 王文东;结构化稀疏数据重构的若干理论及算法研究[D];西南大学;2017年

7 徐为;基于熵理论的混沌序列复杂度算法研究[D];黑龙江大学;2017年

8 杜世强;基于维数约简的无监督聚类算法研究[D];兰州大学;2017年

9 邢艳;复杂网络中重叠社区发现方法研究[D];中国矿业大学;2017年

10 李敬明;萤火虫群智能优化算法及其应用研究[D];合肥工业大学;2017年

相关硕士学位论文 前10条

1 常淮阳;基于改进蚁群算法的移动机器人路径规划问题研究[D];长春工业大学;2018年

2 张飞凡;应用IMU在床检测心率算法研究[D];电子科技大学;2018年

3 丁国绅;基于群体协作的改进果蝇优化算法及应用[D];安徽大学;2018年

4 柯冰清;保留方向信息的在线轨迹压缩算法研究[D];电子科技大学;2018年

5 张健;引入牵引机制的果蝇优化算法及其应用研究[D];安徽大学;2018年

6 厉伟;基于聚类的复杂网络中社团发现的算法[D];哈尔滨工程大学;2015年

7 张杰;基于龙芯3B平台的FFT算法向量化研究[D];中国科学技术大学;2014年

8 高兵兵;时态社会网络社团发现算法研究[D];哈尔滨工程大学;2015年

9 温春晖;网络拥塞控制中的自适应RED算法研究[D];江西理工大学;2018年

10 王旭;基于贪心策略的混合遗传蚁群算法研究与应用[D];湖南大学;2017年

本文编号：2874829