鸟群算法的改进及其应用
发布时间：2021-09-08 15:51
群智能算法的思想来源于模拟群居生物的某些习性和行为,因其具有高效的优化处理能力已成为优化算法中的一个研究重点。作为群智能算法的一种,鸟群算法（Bird Swarm Algorithm,BSA）因具有简单、收敛速度快和易实现的特点而被广泛研究与应用,但算法因为先天缺陷,不能有效解决陷入局部最优的问题,因此对鸟群算法进行研究改进具有重要的意义。本文主要研究内容包括:（1）基于聚集度改进的多过程搜索鸟群算法。鸟群算法在寻优后期,群体中的鸟会逐渐聚集在一起,致使鸟的位置难以准确辨别,从而使得鸟的多样性变弱而陷入局部最优。本文针对鸟群算法在寻优后期极易陷入局部最优和过早收敛问题,通过引进种群聚集度的概念来描述鸟群在觅食过程中位置的变化,增加鸟群觅食的可行性搜索范围,并在鸟群寻优之后依概率重新赋值寻优位置,从而增加鸟群多样性。通过引进学习机制以克服鸟群中个体信息交流的单一性,增加鸟群内部信息流动的多样化,进而改善算法后期易陷入局部最优的状况。（2）基于两类行为策略的改进鸟群算法。针对鸟群算法迭代后期多样性较少导致早熟收敛的问题,通过自我学习系数调整鸟群算法局部最优点和全局最优点的平衡,同时采用聚集...
【文章来源】：北方民族大学宁夏回族自治区
【文章页数】：52 页
【学位级别】：硕士
【部分图文】：
对f1寻优的效果图
北方民族大学2020届硕士学位论文第三章基于聚集度改进的多过程搜索鸟群算法16续表3.2函数测试结果函数算法全局最优值方差最好最差平均9fBSA5.316×10-191.982×10-122.985×10-141.686×10-14IBSA1.101×10-211.899×10-132.655×10-151.915×10-15ABSA7.668×10-262.891×10-173.424×10-192.891×10-1810fBSA-2.811×100-1.859×100-2.677×1001.861×10--1IBSA-2.811×100-1.859×100-2.683×1008.636×10-2ABSA-2.811×100-2.811×100-2.822×1001.528×10-511fBSA01.350×10-131.350×10-151.350×10-14IBSA0000ABSA000012fBSA09.930×10-11.566×10-13.417×10-1IBSA09.628×10-19.633×10-39.628×10-2ABSA01.596×10-111.596×10-131.596×10-12为了使本章研究更加直观清楚，特选取以上ABSA算法、BSA算法、BSA算法的寻优效果图，如图3.1至图3.12。图3.1对f1寻优的效果图图3.2对f2寻优的效果图图3.3对f3寻优的效果图图3.4对f4寻优的效果图
北方民族大学2020届硕士学位论文第三章基于聚集度改进的多过程搜索鸟群算法16续表3.2函数测试结果函数算法全局最优值方差最好最差平均9fBSA5.316×10-191.982×10-122.985×10-141.686×10-14IBSA1.101×10-211.899×10-132.655×10-151.915×10-15ABSA7.668×10-262.891×10-173.424×10-192.891×10-1810fBSA-2.811×100-1.859×100-2.677×1001.861×10--1IBSA-2.811×100-1.859×100-2.683×1008.636×10-2ABSA-2.811×100-2.811×100-2.822×1001.528×10-511fBSA01.350×10-131.350×10-151.350×10-14IBSA0000ABSA000012fBSA09.930×10-11.566×10-13.417×10-1IBSA09.628×10-19.633×10-39.628×10-2ABSA01.596×10-111.596×10-131.596×10-12为了使本章研究更加直观清楚，特选取以上ABSA算法、BSA算法、BSA算法的寻优效果图，如图3.1至图3.12。图3.1对f1寻优的效果图图3.2对f2寻优的效果图图3.3对f3寻优的效果图图3.4对f4寻优的效果图
【参考文献】：
期刊论文
[1]改进鸟群算法及其在发酵仿真建模中的研究[J]. 邵玉倩,刘登峰,刘以安. 计算机仿真. 2019(11)
[2]基于聚集度改进的多过程搜索鸟群算法[J]. 樊晓红,万仁霞. 科学技术与工程. 2019(16)
[3]基于改进鸟群算法的双资源约束离散智能车间调度问题研究[J]. 陈少,吉卫喜,仇永涛,姜凯博. 现代制造工程. 2019(04)
[4]基于鸟群算法优化的桥式吊车线性自抗扰控制[J]. 唐超,刘惠康,曹宇轩,柴琳. 高技术通讯. 2019(04)
[5]D2D中基于鸟群算法的资源分配和模式选择方案[J]. 李永吉,杨永立,王立栋,黄哲,郭启航. 自动化与仪表. 2019(03)
[6]基于鸟群算法的3D威亚系统自抗扰控制器的参数优化[J]. 李炜,万国北,葛振福,龚建兴. 兰州理工大学学报. 2019(01)
[7]改进鸟群算法在家电负荷分解中的应用[J]. 王慧娟,杨文荣,杨庆新. 电力系统及其自动化学报. 2019(10)
[8]基于鸟群算法的土壤水分特征曲线模型参数估算[J]. 吕棚棚. 水资源开发与管理. 2018(10)
[9]基于改进的鸟群算法求解农产品冷链物流配送路径优化问题[J]. 王进成,高岳林. 安徽农业科学. 2018(25)
[10]一种改进算的鸟群算法[J]. 李延延,万仁霞. 微电子学与计算机. 2018(09)
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]粒子群优化算法研究及其应用[D]. 王维博.西南交通大学 2012
[3]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]基于混沌鸟群算法的多目标优化算法研究[D]. 周丹.湖南大学 2016
本文编号：3391057
【文章来源】：北方民族大学宁夏回族自治区
【文章页数】：52 页
【学位级别】：硕士
【部分图文】：
对f1寻优的效果图
北方民族大学2020届硕士学位论文第三章基于聚集度改进的多过程搜索鸟群算法16续表3.2函数测试结果函数算法全局最优值方差最好最差平均9fBSA5.316×10-191.982×10-122.985×10-141.686×10-14IBSA1.101×10-211.899×10-132.655×10-151.915×10-15ABSA7.668×10-262.891×10-173.424×10-192.891×10-1810fBSA-2.811×100-1.859×100-2.677×1001.861×10--1IBSA-2.811×100-1.859×100-2.683×1008.636×10-2ABSA-2.811×100-2.811×100-2.822×1001.528×10-511fBSA01.350×10-131.350×10-151.350×10-14IBSA0000ABSA000012fBSA09.930×10-11.566×10-13.417×10-1IBSA09.628×10-19.633×10-39.628×10-2ABSA01.596×10-111.596×10-131.596×10-12为了使本章研究更加直观清楚，特选取以上ABSA算法、BSA算法、BSA算法的寻优效果图，如图3.1至图3.12。图3.1对f1寻优的效果图图3.2对f2寻优的效果图图3.3对f3寻优的效果图图3.4对f4寻优的效果图
北方民族大学2020届硕士学位论文第三章基于聚集度改进的多过程搜索鸟群算法16续表3.2函数测试结果函数算法全局最优值方差最好最差平均9fBSA5.316×10-191.982×10-122.985×10-141.686×10-14IBSA1.101×10-211.899×10-132.655×10-151.915×10-15ABSA7.668×10-262.891×10-173.424×10-192.891×10-1810fBSA-2.811×100-1.859×100-2.677×1001.861×10--1IBSA-2.811×100-1.859×100-2.683×1008.636×10-2ABSA-2.811×100-2.811×100-2.822×1001.528×10-511fBSA01.350×10-131.350×10-151.350×10-14IBSA0000ABSA000012fBSA09.930×10-11.566×10-13.417×10-1IBSA09.628×10-19.633×10-39.628×10-2ABSA01.596×10-111.596×10-131.596×10-12为了使本章研究更加直观清楚，特选取以上ABSA算法、BSA算法、BSA算法的寻优效果图，如图3.1至图3.12。图3.1对f1寻优的效果图图3.2对f2寻优的效果图图3.3对f3寻优的效果图图3.4对f4寻优的效果图
【参考文献】：
期刊论文
[1]改进鸟群算法及其在发酵仿真建模中的研究[J]. 邵玉倩,刘登峰,刘以安. 计算机仿真. 2019(11)
[2]基于聚集度改进的多过程搜索鸟群算法[J]. 樊晓红,万仁霞. 科学技术与工程. 2019(16)
[3]基于改进鸟群算法的双资源约束离散智能车间调度问题研究[J]. 陈少,吉卫喜,仇永涛,姜凯博. 现代制造工程. 2019(04)
[4]基于鸟群算法优化的桥式吊车线性自抗扰控制[J]. 唐超,刘惠康,曹宇轩,柴琳. 高技术通讯. 2019(04)
[5]D2D中基于鸟群算法的资源分配和模式选择方案[J]. 李永吉,杨永立,王立栋,黄哲,郭启航. 自动化与仪表. 2019(03)
[6]基于鸟群算法的3D威亚系统自抗扰控制器的参数优化[J]. 李炜,万国北,葛振福,龚建兴. 兰州理工大学学报. 2019(01)
[7]改进鸟群算法在家电负荷分解中的应用[J]. 王慧娟,杨文荣,杨庆新. 电力系统及其自动化学报. 2019(10)
[8]基于鸟群算法的土壤水分特征曲线模型参数估算[J]. 吕棚棚. 水资源开发与管理. 2018(10)
[9]基于改进的鸟群算法求解农产品冷链物流配送路径优化问题[J]. 王进成,高岳林. 安徽农业科学. 2018(25)
[10]一种改进算的鸟群算法[J]. 李延延,万仁霞. 微电子学与计算机. 2018(09)
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]粒子群优化算法研究及其应用[D]. 王维博.西南交通大学 2012
[3]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]基于混沌鸟群算法的多目标优化算法研究[D]. 周丹.湖南大学 2016
本文编号：3391057
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3391057.html
