改进的适应性差分进化算法及其应用
发布时间：2022-12-04 10:40
差分进化算法（Differential Evolution,DE）是一种群体智能优化算法,近年来被广泛应用于解决生产生活中的优化问题。DE算法具有参数少、优化能力较强等优点,但在处理一些复杂优化问题时依旧存在收敛速度慢、易陷入局部最优的不足,影响求解效果。针对以上不足,本文主要从加快算法收敛速度、降低陷入局部最优的概率等方面改进DE算法,并将改进的算法应用于解决化工参数辨识问题。具体工作如下:（1）综述了DE算法和其它几种群智能优化算法的基本思想、主要操作。针对传统DE算法存在的不足,讨论了DE算法的研究现状和改进方向。（2）针对传统DE算法在解决复杂优化问题时容易出现收敛速度慢的不足,本文提出了一种余弦适应性骨架差分进化算法（adaptive bare-bones differential evolution based on cosine,CABDE）。CABDE算法引入了一个新的变异策略适应性机制,该机制通过余弦适应性因子融合高斯变异策略和DE/current-to-best/1变异策略。余弦适应性因子在进化过程中随迭代次数的增加而波动性调整,为不同进化阶段适应性地选择变异策略,...
【文章页数】：74 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题研究的背景与意义
1.2 几种常见的群智能优化算法
1.2.1 粒子群优化算法
1.2.2 人工蜂群算法
1.3 差分进化算法及其研究现状
1.3.1 差分进化算法
1.3.2 差分进化算法研究现状
1.3.3 骨架差分进化算法研究现状
1.4 本文主要研究内容和结构安排
第二章 余弦适应性骨架差分进化算法
2.1 引言
2.2 变异策略的适应性机制
2.3 算法描述与复杂性分析
2.4 算法收敛性分析
2.5 CABDE算法的性能分析
2.5.1 测试函数与实验设置
2.5.2 适应性策略的有效性分析
2.5.3 参数c_1动态变化的有效性
2.5.4 与骨架差分进化算法比较
2.5.5 与DE算法变体比较
2.5.6 与粒子群优化算法变体比较
2.5.7 与新近人工蜂群算法比较
2.5.8 算法运行时间分析
2.6 本章小结
第三章 组合三角变异差分进化算法
3.1 引言
3.2 高斯变异策略
3.3 CTMDE算法的变异策略机制
3.4 算法描述与复杂性分析
3.5 CTMDE算法的性能分析
3.5.1 测试函数与实验设置
3.5.2 变异策略选择因子Pt值敏感性分析
3.5.3 变异策略有效性分析
3.5.4 与新近的DE算法比较
3.5.5 算法运行时间分析
3.6 CABDE算法和CTMDE算法比较
3.7 本章小结
第四章 改进算法在化工参数辨识问题中的应用
4.1 引言
4.2 问题建模
4.3 模型求解
4.3.1 CABDE算法求解模型
4.3.2 CTMDE算法求解模型
4.4 与其他算法比较
4.5 本章小结
第五章 总结与展望
5.1 总结
5.2 展望
参考文献
附录
致谢
攻读学位期间的研究成果
【参考文献】：
期刊论文
[1]一种改进的粒子群算法的路径规划研究[J]. 王文丰,宋勇,韩龙哲,包学才,刘天元,徐灯. 小型微型计算机系统. 2019(12)
[2]一种求解无约束优化问题的新混合共轭梯度法[J]. 唐天国. 西南师范大学学报(自然科学版). 2019(09)
[3]一种阶段性策略自适应差分进化算法[J]. 倪洪杰,彭春祥,周晓根,俞立. 计算机科学. 2019(S1)
[4]集成两变异策略的差分进化算法[J]. 汪慎文,谢承旺,郭肇禄,王培崇,张翠军. 武汉大学学报(理学版). 2019(03)
[5]基于共享学习策略的微分进化算法[J]. 段美军,杨红雨,刘洪,陈俊逸,刘宇. 工程科学与技术. 2019(01)
[6]基于差分进化与优胜劣汰策略的灰狼优化算法[J]. 朱海波,张勇. 南京理工大学学报. 2018(06)
[7]基于粒子群算法和投影追踪分析的干气密封动态特性优化[J]. 刘蕴,刘全兴,殷鸣,殷国富. 工程科学与技术. 2019(01)
[8]基于粒子群优化的月球捕获制动方法研究[J]. 郭继峰,白成超,贺国平. 载人航天. 2018(03)
[9]基于适应策略差分进化算法的化工反应动力学参数估值[J]. 徐斌,陈旭,陶莉莉,张海峰. 化工进展. 2018(06)
[10]带认知因子的交叉鸽群算法[J]. 陶国娇,李智. 四川大学学报(自然科学版). 2018(02)
硕士论文
[1]大规模全局优化问题的算法研究[D]. 郭思.西安电子科技大学 2019
[2]基于三角形变异的约束差分进化算法研究及其应用[D]. 粟朝阳.桂林理工大学 2019
[3]基于分解的自适应多目标粒子群算法[D]. 朱玉菲.青岛大学 2018
本文编号：3708098
【文章页数】：74 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题研究的背景与意义
1.2 几种常见的群智能优化算法
1.2.1 粒子群优化算法
1.2.2 人工蜂群算法
1.3 差分进化算法及其研究现状
1.3.1 差分进化算法
1.3.2 差分进化算法研究现状
1.3.3 骨架差分进化算法研究现状
1.4 本文主要研究内容和结构安排
第二章 余弦适应性骨架差分进化算法
2.1 引言
2.2 变异策略的适应性机制
2.3 算法描述与复杂性分析
2.4 算法收敛性分析
2.5 CABDE算法的性能分析
2.5.1 测试函数与实验设置
2.5.2 适应性策略的有效性分析
2.5.3 参数c_1动态变化的有效性
2.5.4 与骨架差分进化算法比较
2.5.5 与DE算法变体比较
2.5.6 与粒子群优化算法变体比较
2.5.7 与新近人工蜂群算法比较
2.5.8 算法运行时间分析
2.6 本章小结
第三章 组合三角变异差分进化算法
3.1 引言
3.2 高斯变异策略
3.3 CTMDE算法的变异策略机制
3.4 算法描述与复杂性分析
3.5 CTMDE算法的性能分析
3.5.1 测试函数与实验设置
3.5.2 变异策略选择因子Pt值敏感性分析
3.5.3 变异策略有效性分析
3.5.4 与新近的DE算法比较
3.5.5 算法运行时间分析
3.6 CABDE算法和CTMDE算法比较
3.7 本章小结
第四章 改进算法在化工参数辨识问题中的应用
4.1 引言
4.2 问题建模
4.3 模型求解
4.3.1 CABDE算法求解模型
4.3.2 CTMDE算法求解模型
4.4 与其他算法比较
4.5 本章小结
第五章 总结与展望
5.1 总结
5.2 展望
参考文献
附录
致谢
攻读学位期间的研究成果
【参考文献】：
期刊论文
[1]一种改进的粒子群算法的路径规划研究[J]. 王文丰,宋勇,韩龙哲,包学才,刘天元,徐灯. 小型微型计算机系统. 2019(12)
[2]一种求解无约束优化问题的新混合共轭梯度法[J]. 唐天国. 西南师范大学学报(自然科学版). 2019(09)
[3]一种阶段性策略自适应差分进化算法[J]. 倪洪杰,彭春祥,周晓根,俞立. 计算机科学. 2019(S1)
[4]集成两变异策略的差分进化算法[J]. 汪慎文,谢承旺,郭肇禄,王培崇,张翠军. 武汉大学学报(理学版). 2019(03)
[5]基于共享学习策略的微分进化算法[J]. 段美军,杨红雨,刘洪,陈俊逸,刘宇. 工程科学与技术. 2019(01)
[6]基于差分进化与优胜劣汰策略的灰狼优化算法[J]. 朱海波,张勇. 南京理工大学学报. 2018(06)
[7]基于粒子群算法和投影追踪分析的干气密封动态特性优化[J]. 刘蕴,刘全兴,殷鸣,殷国富. 工程科学与技术. 2019(01)
[8]基于粒子群优化的月球捕获制动方法研究[J]. 郭继峰,白成超,贺国平. 载人航天. 2018(03)
[9]基于适应策略差分进化算法的化工反应动力学参数估值[J]. 徐斌,陈旭,陶莉莉,张海峰. 化工进展. 2018(06)
[10]带认知因子的交叉鸽群算法[J]. 陶国娇,李智. 四川大学学报(自然科学版). 2018(02)
硕士论文
[1]大规模全局优化问题的算法研究[D]. 郭思.西安电子科技大学 2019
[2]基于三角形变异的约束差分进化算法研究及其应用[D]. 粟朝阳.桂林理工大学 2019
[3]基于分解的自适应多目标粒子群算法[D]. 朱玉菲.青岛大学 2018
本文编号：3708098
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3708098.html
