改进群智能优化算法研究及应用

发布时间：2021-03-17 11:56

　　群智能优化算法由于其实现简单,灵活性强,鲁棒性高等优点,得到了很多研究者的关注,并被广泛的应用于各种领域的优化问题。近年来,有很多新颖的群智能算法被提出,其中包括灰狼优化算法（GWO）、鲸鱼优化算法（WOA）和蚱蜢优化算法（GOA）。这些算法都是通过模拟动物的捕食和迁移行为实现的。虽然这些群智能算法与经典的群智能算法（如遗传算法,粒子群算法等）相比具有明显的优势,但是在优化实际问题时依然有着收敛速度慢,容易陷入局部最优的问题。本文针对这三种群智能优化算法各自存在的问题分别提出了改进方法,并将这些改进算法成功应用到现实优化问题。本文的主要研究内容如下:（1）在GOA的基础上,通过引入反向学习机制、Levy飞行机制和高斯变异机制提高算法的全局和局部搜索能力,提出了一种改进蚱蜢优化算法（IGOA）。在IGOA算法中,高斯变异机制首先被用来增加种群多样性,提高局部搜索能力。其次,利用Levy飞行提高GOA的随机性和跳出局部最优的能力。最后,反向学习机制被用来加快算法的收敛速度。基准函数优化实验的结果表明,IGOA与其他群智能算法相比,具有更强的全局优化能力。基于IGOA优化的混合模型IGOA-... 

【文章来源】：温州大学浙江省

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

改进蚱蜢优化算法流程图

IGOA-KELM的流程图

0种算法在四个测试函数上的收敛曲线

【参考文献】：
期刊论文
[1]基于EBGWO算法的入侵检测特征选择研究[J]. 童坤,钮焱,李军.  计算机与数字工程. 2019(02)
[2]基于改进灰狼优化算法的分布式电源优化配置[J]. 蔡国伟,刘旭,张旺,孟涛,郑天宇.  太阳能学报. 2019(01)
[3]非线性权重和收敛因子的鲸鱼算法[J]. 王涛,Ryad Chellali.  微电子学与计算机. 2019(01)
[4]基于混沌搜索策略的鲸鱼优化算法[J]. 王坚浩,张亮,史超,车飞,丁刚,武杰.  控制与决策. 2019(09)
[5]混合蝗虫优化算法求解作业车间调度问题[J]. 闫旭,叶春明.  计算机工程与应用. 2019(06)
[6]Hybridizing grey wolf optimization with differential evolution for global optimization and test scheduling for 3D stacked SoC[J]. Aijun Zhu,Chuanpei Xu,Zhi Li,Jun Wu,Zhenbing Liu.  Journal of Systems Engineering and Electronics. 2015(02)



本文编号：3087096