基于QPSO算法求解复杂优化问题的策略研究

发布时间：2025-01-01 02:36

　　很多工程、科学、管理等领域的实际问题都可以归结为复杂优化问题,因此有效的求解这类问题是至关重要。复杂优化问题通常是高维、多目标、动态、不确定和多约束的。群体智能算法包括粒子群优化(Particle Swarm Optimization,PSO)算法是解决复杂优化问题的常用算法,但随着维度、目标、约束等增多,算法的性能和效率会降低。因此,设计新的策略以应对算法的性能和效率瓶颈,是目前群体智能算法领域的研究热点。本文以量子行为粒子群优化算法(Quantum-behaved Swarm Optimization,QPSO)为基础,针对复杂问题的高维性和多约束性,特别是大规模优化问题,基于不同的解决方案提出以下几种新的策略和方法。(1)提出了一种新的资源分配的方法。由于大规模优化问题的维度过高,因此许多协同演化合作的算法(Cooperative Co-evolution,CC)首先会将大规模优化算法分解成为多个子问题,然后使用群体智能算法独立的优化各个子问题。将大规模优化问题的优化转化为求解低维度的优化问题能够减小问题求解的难度,然而,大部分算法都专注于设计问题的分解策略和群体智能算法的改进,但...

【文章页数】：114 页

【学位级别】：博士

【部分图文】：

图5-1层次竞争策略Figure5-1Hierarchicalcomprtitionstrategy

垦?宦畚?60（3）它使粒子群的多样性在搜索过程中缓慢甚至线性下降;（4）让陷入局部最优区域的粒子可以以较高的概率从局部最优区域飞离。为了评价该框架的泛化性能，我们将该框架与标准PSO算法和QPSO算法相结合。分别称为基于层次竞争框架的粒子群优化（Hierachicalcompe....

图5-2二阶段等待策略

第五章基于多层次竞争框架的QPSO算法615.2.2二阶段等待策略图5-2二阶段等待策略Figure5-2Two-stagewaitingeffortstrategy如5.2.1节所述，本文提出的框架受到社会竞争的启发，它类似于一个阶梯式的管理系统。但是，我们之前只解释了竞争机制....

图6-1CMU高光谱人脸数据库的示例图

第六章基于QPSO算法的应用研究79图6-1CMU高光谱人脸数据库的示例图Figure6-1AnexamplefigureofCMUhyperspectralfacedatabase（2）图片预处理和参数设置首先，基于切割出的220×180的脸部轮廓计算KL散度，并得到波段的相关....

图6-2不同计算方式下获得

木劾?数进行了精度比较。我们随机选取了58个训练样本，其中包含29个类别的2个样本，剩下的67个样本首先用来测试我们的算法。然后，我们选择48个训练样本，其中包含48个类的一个样本，并且剩下的99个样本用作测试数据集。此外，所有实验结果均在10次交叉验证下获得。需要说明的是，后一....

本文编号：4021924