求解全局优化问题的人工蜂群算法的改进研究及应用
发布时间：2021-05-20 01:37
优化是许多科学和工学范畴中的一个重要研究领域。目前,用于解决该类问题的方法有很多种,人工蜂群算法（Artificial Bee Colony,ABC）是其中之一。该算法是一种新型的群智能优化算法,于2005年由土耳其著名专家Karaboga研究发明。由于开采与开发并行、控制参数少、实现简单、易于理解等优点,而被广泛关注。与粒子群优化算法（Particle Swarm Optimization,PSO）、蚁群算法（Ant Colony Optimization,ACO）等其他群智能优化算法相比,人工蜂群算法已被证明性能更优良,是一种具有竞争力的方法。但是,该算法仍然存在局部搜索能力弱、易早熟、解质量有待提高等问题。文中在深入理解人工蜂群算法原理以及对现有改进方案分析的基础上,针对以上不足展开后续内容,对基本的人工蜂群算法进行改进,用于解决单目标优化问题和多目标优化问题,并应用在环境经济调度问题（Environment/Economic Dispatch Problem,EED）中。论文的主要研究工作概括如下:1)提出一种增强局部搜索能力的单目标人工蜂群优化算法。该算法首先在种群初始化阶段...
【文章来源】：华侨大学福建省
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 课题背景及课题意义
1.2 国内外研究现状
1.2.1 单目标人工蜂群优化算法的研究现状
1.2.2 多目标人工蜂群优化算法的研究现状
1.2.3 环境经济调度问题的研究现状
1.3 本文主要研究内容
1.4 本文结构安排
第2章 基本人工蜂群算法概述
2.1 人工蜂群算法基本行为描述
2.2 人工蜂群算法基本原理及流程
2.2.1 初始化阶段
2.2.2 采蜜蜂阶段
2.2.3 观察蜂阶段
2.2.4 侦查蜂阶段
2.2.5 算法流程
2.3 本章小结
第3章 增强局部搜索能力的单目标人工蜂群优化算法
3.1 引言
3.2 算法描述
3.2.1 混沌初始化策略
3.2.2 新的搜索方程
3.2.3 学习概率L
3.2.4 算法步骤
3.3 实验仿真与结果分析
3.3.1 测试函数和参数设置
3.3.2 参数L的影响
3.3.3 实验结果分析
3.4 本章小结
第4章 平衡搜索能力的单目标人工蜂群优化算法
4.1 引言
4.2 算法描述
4.2.1 广义反向学习策略
4.2.2 搜索机制改进
4.2.3 算法步骤
4.3 实验仿真与结果分析
4.3.1 测试函数
4.3.2 与基本ABC的实验比较
4.3.3 与ABC变体的实验比较
4.4 本章小结
第5章 多目标人工蜂群优化算法改进及应用
5.1 MOP相关理论
5.1.1 MOP问题描述
5.1.2 Pareto相关定义
5.2 EED问题的数学模型
5.2.1 目标函数
5.2.2 约束条件
5.2.3 优化问题
5.2.4 优化目标
5.3 算法描述
5.3.1 分解方法
5.3.2 种群搜索策略
5.3.3 外部档案策略
5.3.4 约束处理方法
5.4 实验仿真与结果分析
5.4.1 测试函数和参数设置
5.4.2 算法评价指标
5.4.3 在测试函数的实验结果
5.4.4 在EED实验结果分析
5.5 本章小结
第6章 总结与展望
6.1 研究工作总结
6.2 未来的工作展望
参考文献
致谢
个人简历、在学期间发表的学术论文及研究成果
【参考文献】：
期刊论文
[1]一种用于多目标约束优化的改进进化算法[J]. 俞国燕,李鹏,何真,孙延明. 计算机集成制造系统. 2009(06)
[2]进化多目标优化算法研究[J]. 公茂果,焦李成,杨咚咚,马文萍. 软件学报. 2009(02)
博士论文
[1]电力系统环境经济优化调度研究[D]. 朱永胜.郑州大学 2016
[2]复杂问题的多目标进化优化算法研究[D]. 王晗丁.西安电子科技大学 2015
[3]电力系统非平滑和多目标经济调度优化方法研究[D]. 詹俊鹏.浙江大学 2014
硕士论文
[1]基于人工蜂群算法的多目标问题优化[D]. 刘奇奇.深圳大学 2016
本文编号：3196827
【文章来源】：华侨大学福建省
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 课题背景及课题意义
1.2 国内外研究现状
1.2.1 单目标人工蜂群优化算法的研究现状
1.2.2 多目标人工蜂群优化算法的研究现状
1.2.3 环境经济调度问题的研究现状
1.3 本文主要研究内容
1.4 本文结构安排
第2章 基本人工蜂群算法概述
2.1 人工蜂群算法基本行为描述
2.2 人工蜂群算法基本原理及流程
2.2.1 初始化阶段
2.2.2 采蜜蜂阶段
2.2.3 观察蜂阶段
2.2.4 侦查蜂阶段
2.2.5 算法流程
2.3 本章小结
第3章 增强局部搜索能力的单目标人工蜂群优化算法
3.1 引言
3.2 算法描述
3.2.1 混沌初始化策略
3.2.2 新的搜索方程
3.2.3 学习概率L
3.2.4 算法步骤
3.3 实验仿真与结果分析
3.3.1 测试函数和参数设置
3.3.2 参数L的影响
3.3.3 实验结果分析
3.4 本章小结
第4章 平衡搜索能力的单目标人工蜂群优化算法
4.1 引言
4.2 算法描述
4.2.1 广义反向学习策略
4.2.2 搜索机制改进
4.2.3 算法步骤
4.3 实验仿真与结果分析
4.3.1 测试函数
4.3.2 与基本ABC的实验比较
4.3.3 与ABC变体的实验比较
4.4 本章小结
第5章 多目标人工蜂群优化算法改进及应用
5.1 MOP相关理论
5.1.1 MOP问题描述
5.1.2 Pareto相关定义
5.2 EED问题的数学模型
5.2.1 目标函数
5.2.2 约束条件
5.2.3 优化问题
5.2.4 优化目标
5.3 算法描述
5.3.1 分解方法
5.3.2 种群搜索策略
5.3.3 外部档案策略
5.3.4 约束处理方法
5.4 实验仿真与结果分析
5.4.1 测试函数和参数设置
5.4.2 算法评价指标
5.4.3 在测试函数的实验结果
5.4.4 在EED实验结果分析
5.5 本章小结
第6章 总结与展望
6.1 研究工作总结
6.2 未来的工作展望
参考文献
致谢
个人简历、在学期间发表的学术论文及研究成果
【参考文献】：
期刊论文
[1]一种用于多目标约束优化的改进进化算法[J]. 俞国燕,李鹏,何真,孙延明. 计算机集成制造系统. 2009(06)
[2]进化多目标优化算法研究[J]. 公茂果,焦李成,杨咚咚,马文萍. 软件学报. 2009(02)
博士论文
[1]电力系统环境经济优化调度研究[D]. 朱永胜.郑州大学 2016
[2]复杂问题的多目标进化优化算法研究[D]. 王晗丁.西安电子科技大学 2015
[3]电力系统非平滑和多目标经济调度优化方法研究[D]. 詹俊鹏.浙江大学 2014
硕士论文
[1]基于人工蜂群算法的多目标问题优化[D]. 刘奇奇.深圳大学 2016
本文编号：3196827
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3196827.html
