混合群智能优化算法研究及应用

发布时间：2024-10-17 12:43

　　优化问题广泛地存在于科学研究和工程实践中。群智能优化算法是优化算法中最新的一个分支,也是最热门的发展方向。群智能优化算法是通过模拟自然界中生物间相互合作、共享信息等群体行为而建立起来的随机搜索算法,相较于经典优化算法具有结构简单、易于实现等优点。不同的群智能优化算法是模拟不同生物行为形成的,所以它们各具特点和适用场景。然而,单一的群智能优化算法均有其局限性,如搜索精度不够高、收敛速度慢、性能受参数影响较大和容易陷入局部最优等。将不同群智能优化算法有机结合,设计混合群智能优化算法是一种提高算法性能的有效方法,具有重要的研究意义。本文的主要研究内容及创新点包括以下几个方面:(1)针对单目标数值优化问题提出了一种基于跟随蜂搜索的自适应粒子群算法(Follower Bee Search Based Adapitve Particle Swarm Optimization,F-APSO)。首先在经典粒子群算法粒子飞行轨迹分析的基础上提出了一种自适应的粒子群算法(Adapitve Particle Swarm Optimization,APSO),提高了算法在求解单峰问题时的性能。然后提出了一种针对...

【文章页数】：138 页

【学位级别】：博士

【文章目录】：
致谢
摘要
Abstract
1 引言
    1.1 优化问题
        1.1.1 优化问题的要素
        1.1.2 优化问题的分类
    1.2 课题研究背景及意义
    1.3 优化算法
        1.3.1 经典优化算法
        1.3.2 智能优化算法
        1.3.3 群智能优化算法
        1.3.4 混合群智能优化算法
    1.4 本文的主要工作及内容安排
    1.5 小结
2 经典群智能优化算法简介
    2.1 经典粒子群算法
        2.1.1 经典粒子群算法基本思想及起源
        2.1.2 经典粒子群算法基本概念及实现
        2.1.3 粒子群算法的已有改进与应用
    2.2 经典人工蜂群算法
        2.2.1 经典人工蜂群算法基本思想及起源
        2.2.2 经典人工蜂群算法基本概念及实现
    2.3 经典蚁群算法
        2.3.1 经典蚁群算法基本思想及起源
        2.3.2 经典蚁群算法基本概念及实现
        2.3.3 蚁群算法已有改进与应用
    2.4 本文所提混合算法的必要性
    2.5 小结
3 基于跟随蜂搜索的自适应粒子群算法及其应用
    3.1 一种自适应粒子群算法
        3.1.1 自适应加速因子
        3.1.2 稳定性分析
        3.1.3 仿真应用
    3.2 基于跟随蜂搜索的自适应粒子群算法
        3.2.1 跟随蜂搜索的引入
        3.2.2 仿真应用
    3.3 混合粒子群算法在矿山生产排程优化中的应用
        3.3.1 问题概况
        3.3.2 数学描述
        3.3.3 优化结果
    3.4 小结
4 基于跟随蜂搜索的自适应多目标粒子群算法及其应用
    4.1 多目标优化问题简介
        4.1.1 多目标优化问题的定义
        4.1.2 多目标优化问题的特点
    4.2 基于跟随蜂搜索的自适应多目标粒子群算法
    4.3 仿真应用
        4.3.1 测试函数
        4.3.2 评价指标
        4.3.3 仿真结果
    4.4 混合多目标粒子群算法在矿山生产排程优化中的应用
        4.4.1 问题描述
        4.4.2 优化结果
        4.4.3 实际应用
    4.5 小结
5 带混沌序列的粒子群参数优化蚁群算法及其应用
    5.1 TSP问题
        5.1.1 TSP问题简介
        5.1.2 TSPLIB标准库
    5.2 粒子群参数优化蚁群算法
    5.3 带混沌序列的粒子群参数优化蚁群算法
        5.3.1 混沌序列
        5.3.2 改进方法
    5.4 仿真应用
    5.5 改进混合蚁群算法在垃圾场巡查机器人路径规划中的应用
        5.5.1 问题概况
        5.5.2 数学描述
        5.5.3 实验结果
    5.6 小结
6 结论
    6.1 论文的创新点
    6.2 工作展望
参考文献
作者简历及在学研究成果
学位论文数据集



本文编号：4008022