处理LSGO问题的协同进化算法研究

发布时间：2021-06-26 13:55

　　现实世界中大量工程问题和数值问题等都存在大量的决策变量,当决策变量超过1000维时,称之为大规模全局优化（Large Scale Global Optimization简称LSGO）问题,并且随着科技发展,越来越多的伴随着越来越多决策变量的LSGO问题需要解决。LSGO问题的难点在于“维度灾难”,维度的增加导致搜索空间成指数倍增长,导致传统进化算法在解决LSGO问题时失效。协同进化算法是有效处理LSGO问题的方法之一,其基于分而治之的思想使协同进化算法在处理LSGO问题有非常大的优势。协同进化算法的实现主要分为3步,首先将一个大规模问题分解为多个低维子问题;然后在其它维度的协作下,分别对每个低维子问题进行优化;最后合并所有子问题的解。现有解决LSGO问题的算法在进化过程中易出现早熟收敛,多样性丢失,导致进化停滞。这些现象主要是由于种群陷入局部最优,以至于种群中多个个体出现重叠,导致维度缺失。由于已有分组策略不分小组重要性,平分计算资源,导致算法无法提高搜索质量。针对上述问题,本文的主要工作和研究内容如下:（1）介绍LSGO问题的基本概念以及LSGO问题的可分性,由于协同进化算法需要对L... 

【文章来源】：南昌航空大学江西省

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 LSGO问题研究现状
        1.2.1 协同进化算法
        1.2.2 进化计算
        1.2.3 群体智能
        1.2.4 局部搜索
        1.2.5 种群初始化
    1.3 本文研究的目的及意义
    1.4 本文研究的主要内容以及文章结构
第2章 协同进化算法的分组策略研究
    2.1 问题可分性
    2.2 静态分组
    2.3 动态分组
        2.3.1 随机动态分组
        2.3.2 动态学习分组
    2.4 关于分组策略的相关试验
    2.5 本章总结
第3章 基于维度缺失检测与恢复的协同进化算法
    3.1 综述
    3.2 维度缺失
    3.3 基于维度缺失检测与恢复的协同进化算法
        3.3.1 基于分组的维度缺失检测算子
        3.3.2 维度恢复算子
        3.3.3 基于维度缺失检测与恢复的协同进化算法
    3.4 实验数据与分析
        3.4.1 有效性分析
        3.4.2 多样性分析
        3.4.3 比例系数对算法影响分析
        3.4.4 收敛性结果分析
    3.5 本章总结
第4章 基于重要性与相关性度量的协同进化算法
    4.1 重要性和相关性度量概述
    4.2 灵敏度分析
    4.3 基于重要性与相关性度量的协同进化算法
        4.3.1 基于重要性与相关性度量的分组方法
        4.3.2 基于重要性与相关性度量的协同进化算法
    4.4 实验数据及分析
        4.4.1 实验设置
        4.4.2 分组有效性分析
        4.4.3 算法收敛结果对比
    4.5 本章总结
第5章 总结与工作展望
    5.1 总结
    5.2 工作展望
参考文献
硕士期间发表的论文和参与的科研项目
致谢


【参考文献】：
期刊论文
[1]面向混合变量和任意时间优化的蚁群算法[J]. 廖天俊,余赟.  系统工程与电子技术. 2017(03)
[2]合作型协同演化算法研究进展[J]. 张凯波,李斌.  计算机工程与科学. 2014(04)



本文编号：3251468