改进人工鱼群算法研究与应用

发布时间：2017-09-08 22:04

  本文关键词：改进人工鱼群算法研究与应用

  更多相关文章： 智能优化算法 人工鱼群算法 组合优化 支持向量机

【摘要】：人工鱼群算法是自然界以鱼为模板而衍生出来的一种新型群智能优化算法,为大量工程难题的分布式计算提供了有效的工具。该算法不依赖问题数学性质,具有对初值不敏感、优良的鲁棒性能,已经被广泛应用于国民经济的各个领域,由解决连续性优化问题发展到解决各种离散组合问题的优化,一维静态优化问题发展到解决多维动态组合优化。人工鱼群算法已经成为优化技术领域内一个非常热门前沿性的课题。人工鱼群算法采用自下而上的搜索机制,模仿鱼的“觅食行为”、“聚群行为”、“追尾行为”等主要行为而达到全局寻优。受拥挤度因子的影响,当算法逼近极值时,人工鱼却只能在极值近邻徘徊,不能求得精确解。由于粒子群算法具有趋向、快速的收敛特性,可以弥补人工鱼群算法在局部搜索能力及算法后期收敛速度慢的弱势,因此提出了粒子群优化人工鱼群算法,该算法在人工鱼群的“觅食行为”、“聚群行为”、“追尾行为”数学模型上做了优化,此外,引入粒子的飞行速度和非线性动态惯性权重因子。通过Sphere函数、Ackley函数、Levy函数和Griewank函数对算法的性能进行了验证,从算法的迭代速度、收敛精度和惯性权重等方面进行了综合的对比考察,通过仿真数据证实了改进的算法较人工鱼群算法和粒子群算法有着更加良好的收敛性能。TSP问题是属于典型NP难题,采用现代智能算法对旅行商问题的研究有着很重要的实践意义和理论意义。TSP问题即旅行商问题,它求解旅行商去N个城市推销自己的商品,使得所走的城市只经过一次并且返回该起点所走的最短距离。针对此问题,提出了交叉变异人工鱼群优化算法,并将其用于旅行商问题的求解。该算法在人工鱼群算法的基础上引入交叉变异算子,并介绍了该算法的距离、邻域及中心概念解决旅行商问题。引用数据库51城市为实例,实现了路径最短问题的寻优,仿真结果表明,该算法在组合优化问题的求解,表现出了极强的寻优能力和较好的性能。核函数的类型、核参数以及惩罚因子的选取直接影响着支持向量机癌细胞识别效果。然而,直到现在,支持向量机的核函数、核参数及惩罚因子的选取还没有科学的方法,人们只能根据经验、大量的反复实验进行对比等方法来进行选择,带有很大的局限性。本文利用改进的粒子群优化人工鱼群算法对核参数、惩罚因子的优化,并在癌细胞识别,取得了良好的效果。
【关键词】：智能优化算法 人工鱼群算法 组合优化 支持向量机
【学位授予单位】：江西理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18
【目录】：

• 摘要4-5
• Abstract5-9
• 第一章 绪论9-16
• 1.1 课题研究的目的与意义9-10
• 1.2 群体智能10-12
• 1.2.1 群体智能的概念10-11
• 1.2.2 群体智能的的特点11-12
• 1.2.3 群体智能算法的算法流程12
• 1.3 人工鱼群算法研究背景12-13
• 1.4 人工鱼群算法研究现状13-14
• 1.5 论文的研究内容14-16
• 第二章 人工鱼群算法16-25
• 2.1 引言16
• 2.2 鱼类的感觉16
• 2.3 人工鱼群算法原理16-21
• 2.3.1 人工鱼模型17-18
• 2.3.2 定义18
• 2.3.3 行为描述18-20
• 2.3.4 算法描述20-21
• 2.4 算法全局收敛基础21-22
• 2.5 算法参数对收敛性的影响分析22-23
• 2.5.1 视野范围Visual22
• 2.5.2 步长Step22
• 2.5.3 拥挤度因子22-23
• 2.5.4 人工鱼的规模23
• 2.5.5 人工鱼的探索次数23
• 2.6 人工鱼群算法与其他智能算法的异同23-24
• 2.7 小结24-25
• 第三章 粒子群优化人工鱼群算法25-34
• 3.1 引言25
• 3.2 粒子群优化人工鱼群算法25-28
• 3.2.1 算法的改进25-26
• 3.2.2 觅食行为26
• 3.2.3 聚群行为26
• 3.2.4 追尾行为26-28
• 3.3 公告板28
• 3.4 算法流程28
• 3.5 算法仿真28-33
• 3.5.1 基准测试函数28-30
• 3.5.2 三种算法仿真比较30-32
• 3.5.3 惯性权重对算法的影响32-33
• 3.6 结论33-34
• 第四章 交叉变异人工鱼群算法TSP问题求解34-43
• 4.1 引言34
• 4.2 旅行商问题描述34
• 4.3 旅行商问题数学模型34-35
• 4.4 遗传算法35-36
• 4.5 交叉变异人工鱼群算法描述36-39
• 4.5.1 编码36
• 4.5.2 人工鱼的邻域和中心36-37
• 4.5.3 觅食行为37
• 4.5.4 聚群行为37-38
• 4.5.5 追尾行为38
• 4.5.6 交叉操作38-39
• 4.5.7 变异操作39
• 4.6 程序设计与实验仿真39-42
• 4.6.1 实验测试环境39
• 4.6.2 程序设计39
• 4.6.3 实验仿真39-42
• 4.7 仿真分析42
• 4.8 结论42-43
• 第五章 粒子群优化人工鱼群算法对SVM参数优化及其应用43-57
• 5.1 支持向量机基础43
• 5.2 支持向量机的发展43-44
• 5.3 支持向量机分类44-48
• 5.3.1 线性可分支持向量机44-46
• 5.3.2 线性不可分的SVM46-48
• 5.4 支持向量机模型参数选择48-50
• 5.4.1 支持向量机核函数48
• 5.4.2 支持向量机与参数的关系48-50
• 5.5 算法对SFM参数优化及其对乳腺肿瘤细胞的识别应用50-56
• 5.5.1 粒子群算法对SVM参数优化51-52
• 5.5.2 人工鱼群算法对SVM参数优化52-54
• 5.5.3 粒子群优化人工鱼群算法对SVM参数优化54-55
• 5.5.4 三种算法优化SVM仿真分析55-56
• 5.6 本章小结56-57
• 第六章 总结与展望57-59
• 6.1 总结57
• 6.2 展望57-59
• 参考文献59-62
• 附录62-69
• 致谢69-70
• 攻读学位期间的研究成果70-71

【参考文献】

中国期刊全文数据库 前10条

1 孙健;王成华;洪峰;王蕾;;基于人工鱼群优化支持向量机的模拟电路故障诊断[J];系统仿真学报;2014年04期

2 段其昌;唐若笠;徐宏英;李文;;粒子群优化鱼群算法仿真分析[J];控制与决策;2013年09期

3 戴上平;姬盈利;王华;;利用多群交叉变异人工鱼群算法生成分类规则[J];计算机工程与应用;2013年13期

4 田海雷;李洪儒;许葆华;;基于改进人工鱼群算法的支持向量机预测[J];计算机工程;2013年04期

5 张英杰;李志武;奉中华;;一种基于动态参数调整的改进人工鱼群算法[J];湖南大学学报(自然科学版);2012年05期

6 朱命昊;厍向阳;;求解旅行商问题的改进人工鱼群算法[J];计算机应用研究;2010年10期

7 姚祥光;周永权;李咏梅;;人工鱼群与微粒群混合优化算法[J];计算机应用研究;2010年06期

8 罗德相;周永权;黄华娟;;粒子群和人工鱼群混合优化算法[J];计算机与应用化学;2009年10期

9 唐忠;;粒子群算法惯性权重的研究[J];广西大学学报(自然科学版);2009年05期

10 刘彦君;江铭炎;;自适应视野和步长的改进人工鱼群算法[J];计算机工程与应用;2009年25期

，

本文编号：816569