粒子群算法自适应行为分析研究

发布时间：2017-11-18 06:08

  本文关键词：粒子群算法自适应行为分析研究

  更多相关文章： 粒子群算法 自适应 群体动态行为 信息熵 相对熵 相关性

【摘要】：现实世界,存在着各种各样的自适应行为,例如,生物在进化过程中不断调整自身结构以适应外界环境变化;人体的免疫系统在遇到抗原入侵时会自适应改变自身结构去维持人体的正常生理功能。无论在自然系统还是在人工系统中,其系统的环境适应能力以及系统演化通常都可以通过自适应来解释。因此,对自适应行为的研究越来越受到研究者们的关注。就计算机算法领域而言,近年来涌现出诸多模拟生物演化或者社会协作过程的算法,例如遗传算法、粒子群算法等。对算法自适应行为的群体动态行为分析和理解将有助于设计有效的指导原则来保证算法收敛性和提高收敛速度。而对自适应行为进行有效的度量刻画是我们深入理解自适应行为的前提。总的来说,现有的群体行为研究主要集中于算法是否收敛以及算法的收敛速度方面,而对算法自适应行为进行研究的侧重点应该注重于算法在演化过程中的动态行为刻画方面。本文主要针对粒子群算法运行过程中的群体动态行为进行研究,尝试分析与讨论粒子群算法在演化过程中所体现出来的自适应行为,对自适应行为进行度量,对自适应过程中的信息利用方式进行讨论。在深入分析已有演化算法群体动态行为研究方法的基础之上,提出了更为明确的刻画群体动态行为的方法,首先将信息熵引入到粒子群算法的自适应行为研究中。定义了Hit Counter、Hit Distance和Mean Fitness三个指标的信息熵,使用这三个信息熵来刻画群体在演化过程中的混乱和秩序程度,并结合群体半径,来观测定量的群体在演化过程中整体有序程度的变化。进一步的,本文又在信息熵的基础之上,提出了基于群体进化动力分布的相关分析方法—相对熵和相关性来刻画群体动态行为。该方法主要定义了4种指标,分别是:函数值增量与位置增量的相对熵、函数值增量与位置增量的相关系数、(70)和2)(70)相关指标。其中,相对熵和相关系数是用来对群体动态行为的进化过程进行分段的,(70)和2)(70)相关指标可以确定群体的收敛状态。为了说明本文提出的自适应行为研究方法的有效性,本文使用最具代表性的6种粒子群算法对21个极小值优化的标准测试函数进行了测试,并分别针对这些函数的2维、5维、10维和30维问题进行了实验。实验结果表明,信息熵的变化可以体现出群体在演化过程中整体有序程度的变化。同时,使用基于相对熵和相关性的相关指标,可以将群体的动态行为划分为三个阶段:随机搜索阶段、精细搜索阶段和收敛阶段。且基于相对熵和相关性相结合的方法可以刻画进化算法的进化特征以及分析不同类方法的优缺点,例如影响演化速度,收敛速度以及计算精度的具体因素。以上实验结果有效的验证了本文提出的相关指标能够精细的刻画粒子群算法进化过程中的群体状态转变以及相关行为特征,并且通过对比得到不同粒子群算法在收敛速度以及搜索能力方面的不同表现,为算法选择和群体行为分析提供了一种新的理论指导和解释方式。
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18

【相似文献】

中国期刊全文数据库 前10条

1 秦玉灵;孔宪仁;罗文波;;混沌量子粒子群算法在模型修正中的应用[J];计算机工程与应用;2010年02期

2 陈治明;;新型量子粒子群算法及其性能分析研究[J];福建电脑;2010年05期

3 牛永洁;;一种新型的混合粒子群算法[J];信息技术;2010年10期

4 全芙蓉;;粒子群算法的理论分析与研究[J];硅谷;2010年23期

5 刘衍民;赵庆祯;邵增珍;;一种改进的完全信息粒子群算法研究[J];曲阜师范大学学报(自然科学版);2011年01期

6 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[J];计算机工程与应用;2011年05期

7 熊智挺;谭阳红;易如方;陈赛华;;一种并行的自适应量子粒子群算法[J];计算机系统应用;2011年08期

8 孟纯青;;非线性粒子群算法[J];微计算机应用;2011年08期

9 任伟建;武璇;;一种动态改变学习因子的简化粒子群算法[J];自动化技术与应用;2012年10期

10 刘飞,孙明,李宁,孙德宝,邹彤;粒子群算法及其在布局优化中的应用[J];计算机工程与应用;2004年12期

中国重要会议论文全文数据库 前10条

1 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[A];中国科学院地质与地球物理研究所第11届（2011年度）学术年会论文集(上)[C];2012年

2 陈定;何炳发;;一种新的二进制粒子群算法在稀疏阵列综合中的应用[A];2009年全国天线年会论文集（上）[C];2009年

3 陈龙祥;蔡国平;;基于粒子群算法的时滞动力学系统的时滞辨识[A];第十二届全国非线性振动暨第九届全国非线性动力学和运动稳定性学术会议论文集[C];2009年

4 于颖;李永生;於孝春;;新型离散粒子群算法在波纹管优化设计中的应用[A];第十一届全国膨胀节学术会议膨胀节设计、制造和应用技术论文选集[C];2010年

5 刘卓倩;顾幸生;;一种基于信息熵的改进粒子群算法[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

6 熊伟丽;徐保国;;粒子群算法在支持向量机参数选择优化中的应用研究[A];2007中国控制与决策学术年会论文集[C];2007年

7 方卫华;徐兰玉;陈允平;;改进粒子群算法在大坝力学参数分区反演中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年

8 熊伟丽;徐保国;;单个粒子收敛中心随机摄动的粒子群算法[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

9 马向阳;陈琦;;以粒子群算法求解买卖双方存货主从对策[A];第十二届中国管理科学学术年会论文集[C];2010年

10 赵磊;;基于粒子群算法求解多目标函数优化问题[A];第二十一届中国（天津）’2007IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2007年

中国博士学位论文全文数据库 前10条

1 王芳;粒子群算法的研究[D];西南大学;2006年

2 安镇宙;家庭粒子群算法及其奇偶性与收敛性分析[D];云南大学;2012年

3 刘建华;粒子群算法的基本理论及其改进研究[D];中南大学;2009年

4 黄平;粒子群算法改进及其在电力系统的应用[D];华南理工大学;2012年

5 胡成玉;面向动态环境的粒子群算法研究[D];华中科技大学;2010年

6 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年

7 张宝;粒子群算法及其在卫星舱布局中的应用研究[D];大连理工大学;2007年

8 刘宏达;粒子群算法的研究及其在船舶工程中的应用[D];哈尔滨工程大学;2008年

9 杨轻云;约束满足问题与调度问题中离散粒子群算法研究[D];吉林大学;2006年

10 冯琳;改进多目标粒子群算法的研究及其在电弧炉供电曲线优化中的应用[D];东北大学;2013年

中国硕士学位论文全文数据库 前10条

1 张忠伟;结构优化中粒子群算法的研究与应用[D];大连理工大学;2009年

2 李强;基于改进粒子群算法的艾萨炉配料优化[D];昆明理工大学;2015年

3 付晓艳;基于粒子群算法的自调节隶属函数模糊控制器设计[D];河北联合大学;2014年

4 余汉森;粒子群算法的自适应变异研究[D];南京信息工程大学;2015年

5 梁计锋;基于改进粒子群算法的交通控制算法研究[D];长安大学;2015年

6 杨伟;基于粒子群算法的氧乐果合成过程建模研究[D];郑州大学;2015年

7 李程;基于粒子群算法的AS/RS优化调度方法研究[D];陕西科技大学;2015年

8 樊伟健;基于混合混沌粒子群算法求解变循环发动机数学模型问题[D];山东大学;2015年

9 陈百霞;考虑风电场并网的电力系统无功优化[D];山东大学;2015年

10 戴玉倩;基于混合动态粒子群算法的软件测试数据自动生成研究[D];江西理工大学;2015年

，

本文编号：1198775