元启发式优化算法研究与应用

发布时间：2021-08-30 21:07

　　最优化问题是指在一定的约束条件下,在众多的可选方案中找到最佳方案,以提高系统整体收益的一类问题。最优化问题已广泛应用于工程技术、经济管理、公共管理、生物医学以及科学研究等诸多领域。传统求解最优化问题的方法,如单纯形法、梯度下降法等,在满足某些特定条件下,可以求得理论最优解,但对于实际应用中经常出现的大规模高维度非线性问题求解起来则比较困难,且容易陷入局部最优。因此,在仿生学的启发下,出现了元启发式优化算法。元启发式算法从自然界的随机现象中获取灵感,将随机算法与局部算法相结合,有一定概率跳出局部最优,更有可能得到全局最优解。而且,元启发式算法可以快速地求解那些不存在或者暂时未找到多项式时间内的求解算法的问题。另外,元启发式算法对目标函数不存在任何特殊要求（如可微或者凸优化）,不局限于具体问题,具有更加广泛的应用范围,成为了最优化问题研究的热点之一。但元启发式算法并不能保证一定能够获得全局最优解,经常在一些问题上陷入局部最优。因此,元启发式算法如何平衡探索（exploration）和挖掘（exploitation）之间的关系,为更多、更复杂的优化问题寻找更好、更稳定的算法便成了新的元启发式... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：125 页

【学位级别】：博士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题研究背景
    1.2 国内外研究现状
        1.2.1 演化算法类
        1.2.2 群智能优化算法
        1.2.3 基于物理原理的元启发式算法
        1.2.4 .其他元启发算法
    1.3 论文主要研究内容
    1.4 论文组织结构
第二章 基于伯努利原理的流体搜索优化算法
    2.1 伯努利原理
    2.2 流体搜索优化算法
    2.3 实验结果
        2.3.1 基准测试函数
        2.3.2 流体搜索优化算法测试实验
        2.3.3 FSO与其他算法的对比实验
    2.4 结论
第三章 基于核映射的核搜索优化算法
    3.1 核映射的数学原理
    3.2 核搜索优化算法流程
    3.3 实验结果
        3.3.1 基准测试函数
        3.3.2 高维测试函数优化结果
        3.3.3 高维测试函数符号秩检验结果
        3.3.4 高维测试函数运算时间结果
        3.3.5 高维测试函数迭代曲线
        3.3.6 低维测试函数统计结果
        3.3.7 低维测试函数符号秩检验结果
        3.3.8 低维测试函数运算时间结果
        3.3.9 低维测试函数迭代曲线
    3.4 结论
第四章 流体搜索与核搜索优化算法在经济排放调度中的应用
    4.1 引言
    4.2 经济排放调度问题
        4.2.1 经济排放调度问题的目标函数
        4.2.2 经济排放调度问题的约束条件
    4.3 流体搜索优化算法在经济排放调度中的应用
        4.3.1 FSO在IEEE-30节点系统的优化结果
        4.3.2 FSO在11发电机系统的优化结果
    4.4 核搜索优化算法在经济排放调度中的应用
        4.4.1 KSO在IEEE-30节点系统的优化结果
        4.4.2 KSO在10发电机系统的优化结果
        4.4.3 KSO在40发电机系统的优化结果
    4.5 结论
第五章 流体搜索优化算法在微阵列基因选择中的应用
    5.1 引言
    5.2 基于流体搜索算法的支持向量机优化
        5.2.1 支持向量机理论
        5.2.2 基于流体搜索优化算法的支持向量机优化框架
    5.3 实验结果
        5.3.1 微阵列数据集
        5.3.2 微阵列数据预处理
        5.3.3 对比结果
    5.4 结论
第六章 结论
参考文献
作者简介及在学期间所取得的科研成果
致谢


【参考文献】：
期刊论文
[1]增强性人工蜂群算法及在多阀值图像分割中的应用（英文）[J]. 高扬,李旭,董明,李鹤鹏.  Journal of Central South University. 2018(01)
[2]基于快速群体智能算法的毫米波天线设计[J]. 陈月云,简荣灵,赵庸旭.  电子与信息学报. 2018(02)
[3]一种新的群体智能算法——狼群算法[J]. 吴虎胜,张凤鸣,吴庐山.  系统工程与电子技术. 2013(11)
[4]改进的万有引力搜索算法在函数优化中的应用[J]. 张维平,任雪飞,李国强,牛培峰.  计算机应用. 2013(05)
[5]基于支持向量机分类的回归方法[J]. 陶卿,曹进德,孙德敏.  软件学报. 2002(05)



本文编号：3373504