蝗虫优化算法及其应用研究
发布时间：2021-08-12 19:58
随着社会的发展,工程应用和能源管理等诸多领域所呈现出来的优化问题越来越复杂,传统优化方法处理这些问题变得越来越困难,而具有仿生行为的群智能优化算法具有实现简单、效率高、鲁棒性强等优点被广泛应用在各个领域。蝗虫优化算法是近年来新提出的一种群智能优化算法,已被成功应用在许多现实领域中,但该算法存在易陷入局部最优、收敛速度慢等缺点。因此,针对蝗虫优化算法的这些问题,以提高该算法的性能为研究目标并将其应用在数据聚类中,本文主要提出以下有效的改进算法:（1）提出一种基于差分进化的反向学习蝗虫优化算法。该方法对蝗虫优化算法中每次迭代未能找到更好位置的蝗虫与其它蝗虫进行差分进化,使其增大跳出当前劣势位置,寻找更优位置的概率。最后,蝗虫通过反向学习,增强算法的全局搜索能力。（2）提出一种基于曲线自适应和模拟退火的蝗虫优化算法。该方法首先对蝗虫优化算法中关键参数(8进行改进,然后利用模拟退火算法很强的局部搜索能力和跳出局部最优的能力来加强蝗虫优化算法的局部搜索,避免算法陷入局部最优。（3）为了加强第（1）种改进方法的局部搜索能力,提出基于双差分进化的反向学习蝗虫优化算法。该方法根据每次迭代的蝗虫能否找到...
【文章来源】：南京邮电大学江苏省
【文章页数】：68 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 论文的主要研究内容
1.4 论文的组织结构
第二章 蝗虫优化算法及其应用概述
2.1 蝗虫优化算法(GOA)
2.1.1 GOA算法的数学模型
2.1.2 GOA算法的迭代模型
2.1.3 GOA算法的基本流程
2.1.4 GOA算法的缺点
2.2 GOA算法应用概述
2.2.1 工业领域上的应用
2.2.2 函数优化上的应用
2.2.3 数据聚类上的应用
2.3 本章小结
第三章 基于差分进化的反向学习蝗虫优化算法
3.1 本章算法改进的动机
3.2 基于差分进化的反向学习蝗虫优化算法(DOGOA)
3.2.1 差分进化的基本原理
3.2.2 反向学习的基本原理
3.2.3 DOGOA算法的基本思想
3.2.4 DOGOA算法的基本流程
3.3 函数优化应用实验
3.3.1 测试函数与评估标准
3.3.2 算法中参数设置
3.3.3 实验结果及分析
3.4 本章小结
第四章 基于曲线自适应和模拟退火的蝗虫优化算法
4.1 本章算法改进的动机
4.2 基于曲线自适应的蝗虫优化算法(CAGOA)
4.3 基于曲线自适应和模拟退火的蝗虫优化算法(SA-CAGOA)
4.3.1 Metropolis准则
4.3.2 模拟退火中蝗虫位置更新策略
4.3.3 SA-CAGOA算法的实现步骤及流程图
4.4 实验及分析
4.4.1 测试函数与评估标准
4.4.2 算法中参数的设置
4.4.3 CAGOA算法实验结果及分析
4.4.4 SA-CAGOA算法实验结果及分析
4.4.5 算法运行时间比较
4.5 本章小结
第五章 基于DOGOA算法的改进及其在聚类算法上的应用
5.1 本章算法改进的动机
5.2 基于双差分进化的反向学习蝗虫优化算法(D-DOGOA)
5.2.1 双差分进化策略
5.2.2 改进反向学习策略
5.2.3 D-DOGOA算法的实现步骤
5.3 D-DOGOA算法在聚类上的应用
5.3.1 基本思路
5.3.2 实现步骤
5.4 实验及分析
5.4.1 评估指标与参数设计
5.4.2 函数优化上的实验结果及分析
5.4.3 聚类应用上的实验结果及分析
5.5 本章小结
第六章 总结与展望
6.1 论文总结工作
6.2 进一步工作展望
参考文献
附录1 攻读硕士学位期间撰写的论文
附录2 攻读硕士学位期间参加的科研项目
致谢
【参考文献】：
期刊论文
[1]人工蜂群算法研究综述[J]. 何尧,刘建华,杨荣华. 计算机应用研究. 2018(05)
[2]粒子群优化算法综述[J]. 赵乃刚,邓景顺. 科技创新导报. 2015(26)
[3]布谷鸟搜索算法研究综述[J]. 兰少峰,刘升. 计算机工程与设计. 2015(04)
[4]萤火虫优化算法理论研究综述[J]. 程美英,倪志伟,朱旭辉. 计算机科学. 2015(04)
[5]群智能算法的理论及应用综述[J]. 王水花,张煜东,吉根林. 南京师范大学学报(工程技术版). 2014(04)
[6]布朗运动模拟退火算法[J]. 傅文渊,凌朝东. 计算机学报. 2014(06)
[7]基于改进人工蜂群算法的K均值聚类算法[J]. 喻金平,郑杰,梅宏标. 计算机应用. 2014(04)
[8]人工蜂群算法研究综述[J]. 秦全德,程适,李丽,史玉回. 智能系统学报. 2014(02)
[9]改进的细菌觅食优化算法求解0-1背包问题[J]. 杜明煜,雷秀娟. 计算机技术与发展. 2014(05)
[10]K-means聚类算法研究综述[J]. 王千,王成,冯振元,叶金凤. 电子设计工程. 2012(07)
博士论文
[1]基于生物行为机制的粒子群算法改进及应用[D]. 程军.华南理工大学 2014
[2]蜂群算法及在图像处理中的应用研究[D]. 肖永豪.华南理工大学 2011
[3]群智能优化算法及其应用[D]. 冯春时.中国科学技术大学 2009
[4]人工鱼群智能优化算法的改进及应用研究[D]. 张梅凤.大连理工大学 2008
[5]智能优化方法及其应用研究[D]. 钟一文.浙江大学 2005
硕士论文
[1]改进的粒子群算法及其在聚类算法中的应用[D]. 刘文凯.广东工业大学 2017
本文编号：3338974
【文章来源】：南京邮电大学江苏省
【文章页数】：68 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 论文的主要研究内容
1.4 论文的组织结构
第二章 蝗虫优化算法及其应用概述
2.1 蝗虫优化算法(GOA)
2.1.1 GOA算法的数学模型
2.1.2 GOA算法的迭代模型
2.1.3 GOA算法的基本流程
2.1.4 GOA算法的缺点
2.2 GOA算法应用概述
2.2.1 工业领域上的应用
2.2.2 函数优化上的应用
2.2.3 数据聚类上的应用
2.3 本章小结
第三章 基于差分进化的反向学习蝗虫优化算法
3.1 本章算法改进的动机
3.2 基于差分进化的反向学习蝗虫优化算法(DOGOA)
3.2.1 差分进化的基本原理
3.2.2 反向学习的基本原理
3.2.3 DOGOA算法的基本思想
3.2.4 DOGOA算法的基本流程
3.3 函数优化应用实验
3.3.1 测试函数与评估标准
3.3.2 算法中参数设置
3.3.3 实验结果及分析
3.4 本章小结
第四章 基于曲线自适应和模拟退火的蝗虫优化算法
4.1 本章算法改进的动机
4.2 基于曲线自适应的蝗虫优化算法(CAGOA)
4.3 基于曲线自适应和模拟退火的蝗虫优化算法(SA-CAGOA)
4.3.1 Metropolis准则
4.3.2 模拟退火中蝗虫位置更新策略
4.3.3 SA-CAGOA算法的实现步骤及流程图
4.4 实验及分析
4.4.1 测试函数与评估标准
4.4.2 算法中参数的设置
4.4.3 CAGOA算法实验结果及分析
4.4.4 SA-CAGOA算法实验结果及分析
4.4.5 算法运行时间比较
4.5 本章小结
第五章 基于DOGOA算法的改进及其在聚类算法上的应用
5.1 本章算法改进的动机
5.2 基于双差分进化的反向学习蝗虫优化算法(D-DOGOA)
5.2.1 双差分进化策略
5.2.2 改进反向学习策略
5.2.3 D-DOGOA算法的实现步骤
5.3 D-DOGOA算法在聚类上的应用
5.3.1 基本思路
5.3.2 实现步骤
5.4 实验及分析
5.4.1 评估指标与参数设计
5.4.2 函数优化上的实验结果及分析
5.4.3 聚类应用上的实验结果及分析
5.5 本章小结
第六章 总结与展望
6.1 论文总结工作
6.2 进一步工作展望
参考文献
附录1 攻读硕士学位期间撰写的论文
附录2 攻读硕士学位期间参加的科研项目
致谢
【参考文献】：
期刊论文
[1]人工蜂群算法研究综述[J]. 何尧,刘建华,杨荣华. 计算机应用研究. 2018(05)
[2]粒子群优化算法综述[J]. 赵乃刚,邓景顺. 科技创新导报. 2015(26)
[3]布谷鸟搜索算法研究综述[J]. 兰少峰,刘升. 计算机工程与设计. 2015(04)
[4]萤火虫优化算法理论研究综述[J]. 程美英,倪志伟,朱旭辉. 计算机科学. 2015(04)
[5]群智能算法的理论及应用综述[J]. 王水花,张煜东,吉根林. 南京师范大学学报(工程技术版). 2014(04)
[6]布朗运动模拟退火算法[J]. 傅文渊,凌朝东. 计算机学报. 2014(06)
[7]基于改进人工蜂群算法的K均值聚类算法[J]. 喻金平,郑杰,梅宏标. 计算机应用. 2014(04)
[8]人工蜂群算法研究综述[J]. 秦全德,程适,李丽,史玉回. 智能系统学报. 2014(02)
[9]改进的细菌觅食优化算法求解0-1背包问题[J]. 杜明煜,雷秀娟. 计算机技术与发展. 2014(05)
[10]K-means聚类算法研究综述[J]. 王千,王成,冯振元,叶金凤. 电子设计工程. 2012(07)
博士论文
[1]基于生物行为机制的粒子群算法改进及应用[D]. 程军.华南理工大学 2014
[2]蜂群算法及在图像处理中的应用研究[D]. 肖永豪.华南理工大学 2011
[3]群智能优化算法及其应用[D]. 冯春时.中国科学技术大学 2009
[4]人工鱼群智能优化算法的改进及应用研究[D]. 张梅凤.大连理工大学 2008
[5]智能优化方法及其应用研究[D]. 钟一文.浙江大学 2005
硕士论文
[1]改进的粒子群算法及其在聚类算法中的应用[D]. 刘文凯.广东工业大学 2017
本文编号：3338974
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3338974.html
