基于膜系统的微粒群优化算法研究及应用

发布时间：2017-09-25 05:14

  本文关键词：基于膜系统的微粒群优化算法研究及应用

  更多相关文章： 膜计算 微粒群算法 二进制微粒群 动态惯性权重选择

【摘要】：膜计算是一种分布式、并行计算模型,是生物计算的新热点,又被称为P系统。膜指生物膜,膜计算是从生命细胞的结构和功能;细胞组织、细胞器官和高级生物组织中细胞群的协作等现象,抽象提取出来的一种全新的计算模型。膜计算具有分布式、极大并行性、非确定性等特点,因此其在智能计算中有优势。早期大量对P系统的研究都是与膜计算的计算性能相关,大量P系统研究已证明P系统有与图灵机相当的优良性能。虽膜计算应用研究起步较晚,然而截至目前膜计算应用研究已经相当活跃,涉及众多领域。微粒群算法是是一个生物模仿型算法,模拟鸟群觅食过程的迁徙和群体移动。传统微粒群优化算法主要用于解决一些连续空间优化问题,算法存在早熟收敛和对离散问题难以应用的弱点。经改进得到的二进制微粒群优化算法可成功用于求解离散空间的优化问题。基于膜计算的非确定性和极大并行性等特点,本文以膜计算模型为基础的计算框架,分别将改进微粒群算法和二进制微粒群算法引入P系统中,在膜计算框架下实现算法,借助膜系统的高度并行性可以提高运算速度,并行计算是未来趋势。本文的主要工作如下:第一章为绪论,介绍课题来源、背景、研究意义,阐述了膜计算和微粒群算法的国内外研究现状,并综述了到目前为止微粒群膜算法的发展,为以后的研究者提供参考。第二章为基本理论,介绍膜计算及微粒群算法理论的基本理论。对于膜计算主要介绍基本概念、膜计算模型、膜计算对象和规则。微粒群算法部分主要阐述算法基本原理,基本微粒群算法和算法的流程、特点。第三章采用动态选择惯性权重曲线的方式改进微粒群算法,对微粒群算法的惯性权重进行分析改进,提出惯性权重曲线动态选择策略。根据实验结果,设置可行的惯性权重变化曲线数量和迭代间隔次数,运用膜计算你规则的执行来控制惯性权重曲线的动态选择,提出基于动态膜规则的微粒群膜算法。根据带有活性膜的P系统具有膜运算规则的特性,将微粒群算法与膜计算进行有机结合,并对系统的计算复杂度和精度进行分析论证。第四章介绍了二进制微粒群膜算法。首先对原始二进制微粒群算法进行介绍,提出算法不收敛的问题。针对二进制膜算法不收敛的问题,调整二进制微粒群位置更新的方式,提出线性概率映射函数,对二进制微粒群算法进行改进。使用新的线性概率映射函数,保证收敛的前提下,可以提高算法的全局寻优能力。最后对算法的计算性能和可行性进行分析讨论。第五章给出了动态惯性选择惯性权重曲线微粒群膜算法和二进制微粒群膜算法的应用。第六章是本文的总结展望,给出本文中存在的不足,提出可以进一步研究的问题。
【关键词】：膜计算 微粒群算法 二进制微粒群 动态惯性权重选择
【学位授予单位】：山东师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18
【目录】：

• 摘要6-8
• Abstract8-10
• 第1章 绪论10-17
• 1.1 研究背景及意义10-11
• 1.2 国内外研究现状11-15
• 1.2.1 膜计算的研究现状11-13
• 1.2.2 微粒群算法的研究现状13-14
• 1.2.3 基于微粒群膜算法的研究现状14-15
• 1.3 论文的结构内容及创新点15-17
• 第2章 膜计算与微粒群的基本理论17-26
• 2.1 膜计算基本理论17-20
• 2.1.1 细胞型膜系统计算模型18-19
• 2.1.2 膜对象和规则设计19-20
• 2.2 微粒群算法基本理论20-25
• 2.2.1 微粒群优化算法基本原理20-24
• 2.2.2 离散微粒群算法24-25
• 2.3 本章小结25-26
• 第3章 基于活性膜规则的微粒群膜算法26-44
• 3.1 动态选择惯性权重曲线微粒群算法26-30
• 3.1.1 微粒群的惯性权重26-28
• 3.1.2 Sugeno函数确定的惯性权重曲线28-30
• 3.2 动态选择惯性权重曲线微粒群算法30-37
• 3.2.1 本文改进的惯性权重曲线30-32
• 3.2.2 算法惯性权重选取策略及参数确定32-37
• 3.3 基于活性膜P系统的动态选择惯性权重曲线微粒群算法37-41
• 3.3.1 活性膜P系统37-38
• 3.3.2 动态选择惯性权重微粒群活性膜算法过程38
• 3.3.3 动态选择惯性权重曲线微粒群活性膜P系统创建38-40
• 3.3.4 系统规则计算过程40-41
• 3.4 算法性能分析41-42
• 3.5 本章小结42-44
• 第4章 二进制微粒群膜算法44-53
• 4.1 二进制微粒群算法44-45
• 4.2 改进二进制微粒群算法45-47
• 4.3 二进制微粒群膜算法47-51
• 4.3.1 酶细胞型P系统47-48
• 4.3.2 BPSOEPS系统的设计48-49
• 4.3.3 微粒群膜系统计算过程49-51
• 4.4 算法性能分析51-52
• 4.5 本章小结52-53
• 第5章 微粒群膜算法应用53-62
• 5.1 新微粒群膜算法优化基准测试函数53-57
• 5.1.1 基准测试函数53-54
• 5.1.2 算法优化基准测试函数描述54-55
• 5.1.3 实验与分析55-57
• 5.2 二进制微粒群膜算法求解背包问题57-60
• 5.2.1 背包问题描述57-58
• 5.2.2 求解背包问题的离散微粒群算法描述58-59
• 5.2.3 实验与分析59-60
• 5.3 本章小结60-62
• 第6章 总结与展望62-64
• 6.1 论文的主要研究工作62-63
• 6.2 未来工作展望63-64
• 参考文献64-68
• 攻读学位期间的论文发表及项目参与情况68-69
• 发表论文68
• 参与项目68-69
• 致谢69

【参考文献】

中国期刊全文数据库 前4条

1 WANG Jun;PENG Hong;TU Min;Prez-Jimnez J. Mario;SHI Peng;;A Fault Diagnosis Method of Power Systems Based on an Improved Adaptive Fuzzy Spiking Neural P Systems and PSO Algorithms[J];Chinese Journal of Electronics;2016年02期

2 王启付,王战江,王书亭;一种动态改变惯性权重的粒子群优化算法[J];中国机械工程;2005年11期

3 李炳宇,萧蕴诗,吴启迪;一种基于粒子群算法求解约束优化问题的混合算法[J];控制与决策;2004年07期

4 李宁,邹彤,孙德宝;带时间窗车辆路径问题的粒子群算法[J];系统工程理论与实践;2004年04期

，

本文编号：915551