改进的水循环算法研究与应用

发布时间：2020-04-03 01:21

【摘要】：水循环算法是一种抽象于自然界水循环过程的智能优化算法,算法一方面基于河流的引导式前进,能有效避免个体进入非优区域,另一方面存在蒸发的变异过程,有利于算法在寻优时跳出局部最优解,更易寻找全局最优。然而算法的收敛速度和精度仍有一定缺陷,本文以此对水循环算法进行改进研究。针对基本水循环算法的缺陷,本文提出了三点改进思想:首先是基于初始种群的改进,在水循环算法初始化解时,使用反向学习替代传统的随机初始化,用以提高初始种群的均匀性及多样性,提高初始解的质量;其次是基于迭代步长的改进,在迭代过程中,使用指数下降的迭代步长替代原有的固定步长,使算法在迭代前期快速缩小寻优邻域,到了寻优后期,在较小邻域内进行微调,更易获取较优解;最后是基于蒸发过程的改进,使用高斯变异和混沌变异的组合形成自适应降雨过程,实现全局和局部相结合的搜索模式,克服了原有算法多样性较低,收敛速度慢等缺陷。使用基准函数对比测试了改进后的水循环算法与其他算法的性能,通过实验验证了改进后的水循环算法稳定性更好、收敛速度更快、寻优精度更高,总体上该算法寻优效果能力有所提高,且较为明显。针对K-means聚类算法对初值敏感且求解聚类中心的收敛速度慢等问题,利用改进后的水循环算法与其他智能算法对K-means算法的聚类效果进行对比试验,进一步验证了改进后的水循环算法对K-means聚类效果有着较为明显的提升。
【图文】：

图 2.1 蚁群算法的流程图基于鸟类群体活动规则的智能算法，主体思想采适应度值大小作为操作依据。在粒子群算法中，和体积大小的微粒，而这些粒子以一定速度向最优之间不会发生碰撞，其速度是根据个体历史最优位粒子飞行的速度和方向，起着平衡个体和群体的功近。如下所示是粒子群算法的数学模型：空间维度为S维，若随机生成粒子个数为m 的群体，则第i个粒子的位置可表示成1 2( , , , ), 1,2, ,i i i iSx x x x i m度，也是S 维向量，记为1 2( , , , ), 1,2, ,i i i iSV V V V i m程中，会产生两个极值点，其中之一是个体的历史

西安科技大学硕士学位论文12图 2.1 蚁群算法的流程图2.2.2 粒子算法粒子群算法[14]是基于鸟类群体活动规则的智能算法，主体思想采用了“群体”与“进化”两个概念，都是以适应度值大小作为操作依据。在粒子群算法中，群体中的个体是搜索空间内没有质量和体积大小的微粒，而这些粒子以一定速度向最优粒子飞行，在飞行过程中，各个粒子之间不会发生碰撞，其速度是根据个体历史最优位置和群体最优位置做动态调整，决定粒子飞行的速度和方向，，起着平衡个体和群体的功能，有利于粒子朝着较优解的方向靠近。如下所示是粒子群算法的数学模型：设优化问题的解空间维度为S维，若随机生成粒子个数为m 的群体，所有粒子的位置是解空间的潜在解，则第i个粒子的位置可表示成1 2( , , , ), 1,2, ,i i i iSx x x x i m(2.5)初始化其飞行速度，也是S 维向量，记为1 2( , , , ), 1,2, ,i i i iSV V V V i m(2.6)在粒子的迭代过程中，会产生两个极值点，其中之一是个体的历史最优位置，
【学位授予单位】：西安科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：O224;TP18

【参考文献】

相关期刊论文 前2条

1 章纯;刘锋;廖国维;李丽娟;;基于WCA优化算法的空间桁架结构优化设计[J];建筑钢结构进展;2014年01期

2 张存禄,王子萍,黄培清,骆建文;基于风险控制的供应链结构优化问题[J];上海交通大学学报;2005年03期

相关博士学位论文 前9条

1 刘振军;结构全局优化设计的混沌优化算法研究[D];大连理工大学;2016年

2 孔翔宇;几类优化问题的人工蜂群算法[D];西安电子科技大学;2016年

3 张超群;混合爆炸式人工蜂群算法及应用研究[D];东华大学;2015年

4 赵鸣;简洁式群智能计算及应用研究[D];哈尔滨工业大学;2015年

5 卢金娜;基于优化算法的径向基神经网络模型的改进及应用[D];中北大学;2015年

6 吴沛锋;智能优化算法及其应用[D];东北大学;2012年

7 张雪锋;混沌序列生成技术及其若干应用研究[D];西安电子科技大学;2011年

8 杨剑峰;蚁群算法及其应用研究[D];浙江大学;2007年

9 张梅凤;人工鱼群智能优化算法的改进及应用研究[D];大连理工大学;2008年

相关硕士学位论文 前10条

1 母传伟;基于线性规划单纯形法优化矿山岩石运输调配[D];燕山大学;2016年

2 乔石磊;启发式水循环算法及应用研究[D];广西民族大学;2016年

3 袁帆;确定水质水量模型参数的单纯形—粒子群混合算法研究[D];长安大学;2016年

4 刘佳;求解全局优化问题的眺望算法[D];长春工业大学;2016年

5 赵挺;蜂群算法及其仿生策略研究[D];浙江大学;2016年

6 黄媛媛;一种改进的人工蜂群算法及其在k均值聚类中的应用[D];安徽大学;2015年

7 王昊雷;K均值聚类算法研究与应用[D];哈尔滨工程大学;2015年

8 叶秋菊;粒子群算法研究及在NoC低功耗映射中的应用[D];西安电子科技大学;2014年

9 鲁姝颖;粒子群优化算法的几种改进算法及应用[D];中国矿业大学;2014年

10 章纯;水循环算法在结构优化设计中的应用及其在多目标中的改进[D];广东工业大学;2014年

本文编号：2612725