多元优化过程记忆算法及动静条件下多模态寻优研究

发布时间：2017-06-24 19:14

  本文关键词：多元优化过程记忆算法及动静条件下多模态寻优研究，由笔耕文化传播整理发布。

【摘要】：计算机技术为智能优化奠定了基础,世界各国把智能优化作为发展战略之一。具有多个最优解以及次优解的多模态优化问题不断出现在生产生活中,然而传统智能优化算法难以同时提供多个最优以及次优解,导致多模态优化技术需求急剧增加,新型多模态智能优化算法逐渐成为一个较热的研究方向。近十多年来,已有部分多模态优化策略用于解决多模态寻优问题,但均存在一定的局限性,导致其无法在计算资源有限或者动态条件下对多模态优化问题进行有效寻优。针对该问题,本论文提出了多元优化过程记忆算法(Multivariant Optimization Process Memorise Algorithm, MOA),并证明了动静态条件下算法的多模态寻优有效性。 论文通过研究多模态寻优策略、分析多模态寻优研究热点,提出并建立了MOA算法。对算法基本思想、程序流程和算例进行了详细地描述。 为了证明MOA算法多模态寻优有效性,奠定MOA算法理论基础。首先,估计算法的复杂度,阐明了MOA算法计算复杂度低的特点；然后,基于Markov链模型,证明了算法的收敛性：接着,介绍了MOA算法多元化结构、全局局部交替寻优方式和记忆寻优过程思想在多模态寻优中的特点；最后,展示了MOA算法在静态和动态条件下的多模态寻优过程,形象地说明了MOA算法多模态寻优有效性。 设计并实现了多模态寻优算法性能对比实验平台,对比分析六算法对五十五个动静态多模测试函数和动静态路径规划问题的寻优性能。 以IEEE群智能会议(SIS)和文献中提出的四十一个常用多模态寻优测试函数为对象,测试MOA算法在静态多模态优化问题中的全局寻优和多解寻优性能,并用MOA算法给出静态多模态最短路径规划问题寻优解。实验结果表明,全局寻优问题中MOA算法在复杂性、渐近性、可达性、收敛性方面表现较好,多解寻优问题中MOA算法成功率高,适应度评价次数少,最短路径规划测试中的最优性、稳定性及效率方面表现出色。证明了MOA算法静态多模态寻优有效性。 以八个移动峰测试函数集和IEEE进化计算会议提供的六个十维动态多模态函数为测试对象,研究MOA算法动态多模态全局寻优和多解寻优性能,并用MOA算法给出动态最短路径规划问题寻优解,测试MOA算法提供实时最短路径的最优性和综合离线性能。实验结果表明,MOA算法能够在多个局部陷阱中,同时发现并实时跟踪多个最优解以及次优解,在对全局最优解的发现及实时跟踪性能、综合离线性能和实时最短路径最优性方面表现出色。证明了MOA算法动态多模态寻优有效性。
【关键词】：多元优化过程记忆算法 多模态优化 动态多模态 路径规划 动态路径规划
【学位授予单位】：云南大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP18
【目录】：

• 摘要3-5
• Abstract5-11
• 第一章 绪论11-26
• 1.1 研究背景与意义11-13
• 1.1.1 研究背景11-13
• 1.1.2 研究意义13
• 1.2 研究现状13-19
• 1.2.1 常用多模态寻优算法14-17
• 1.2.2 动态条件下多模态寻优17
• 1.2.3 收敛性分析方法17-18
• 1.2.4 多模态优化研究热点18-19
• 1.3 论文主要工作与结构安排19-25
• 1.3.1 论文主要工作19-22
• 1.3.2 结构安排22-25
• 1.4 本文的创新点25-26
• 第二章 多元优化过程记忆算法的基本原理26-44
• 2.1 本章引言26
• 2.2 MOA算法多模态寻优基本思想26-29
• 2.2.1 算法框架26-28
• 2.2.2 多元化结构28
• 2.2.3 全局和局部交替寻优方式28-29
• 2.2.4 记忆寻优过程29
• 2.3 算法基本流程29-31
• 2.4 动静态多模态寻优算例31-42
• 2.4.1 静态多模态寻优32-36
• 2.4.2 动态多模态寻优36-42
• 2.6 本章小结42-44
• 第三章 多元优化过程记忆算法的有效性研究44-66
• 3.1 本章引言44
• 3.2 算法复杂度分析44-47
• 3.2.1 计算复杂度44-47
• 3.2.2 空间复杂度47
• 3.3 MOA算法收敛性分析47-52
• 3.3.1 渐近性47-48
• 3.3.2 可达性48-50
• 3.3.3 收敛性50-52
• 3.4 MOA多模态寻优特点52-54
• 3.4.1 多元化结构53
• 3.4.2 全局局部交替寻优方式53-54
• 3.4.3 过程记忆思想54
• 3.5 MOA算法动静态多模态寻优演示54-65
• 3.5.1 静态多模态寻优54-60
• 3.5.2 动态多模态寻优60-65
• 3.6 本章小结65-66
• 第四章 多模态寻优算法性能对比实验平台的设计与实现66-83
• 4.1 本章引言66
• 4.2 软件简介66-67
• 4.3 软件基本功能67-69
• 4.4 操作说明69-78
• 4.4.1 初始化配置69-70
• 4.4.2 多模态寻优参数设置70-73
• 4.4.3 多模态寻优73-74
• 4.4.4 实验结果统计分析74-78
• 4.5 MOA算法实验平台应用例78-81
• 4.6 本章小结81-83
• 第五章 多元优化过程记忆算法静态条件下多模态优化研究83-117
• 5.1 本章引言83
• 5.2 多模态函数数值寻优研究83-104
• 5.2.1 低维多模态数值寻优83-98
• 5.2.2 十维组合多模态数值寻优98-103
• 5.2.3 实验结论103-104
• 5.3 MOA静态多模态路径规划研究104-115
• 5.3.1 MOA路径规划算法105-108
• 5.3.2 静态条件下多模态最短路径规划实验108-111
• 5.3.3 实验结果与分析111-114
• 5.3.4 实验结论114-115
• 5.4 本章小结115-117
• 第六章 多元优化过程记忆算法动态条件下多模态寻优研究117-144
• 6.1 本章引言117
• 6.2 动态多模态数值寻优研究117-136
• 6.2.1 移动峰多模态函数数值寻优117-126
• 6.2.2 组合动态多模态函数数值寻优126-134
• 6.2.3 实验结论134-136
• 6.3 MOA动态多模态路径规划研究136-143
• 6.3.1 MOA动态多模态路径规划算法136-138
• 6.3.2 动态条件下多模态最短路径规划实验138-140
• 6.3.3 实验结果与分析140-142
• 6.3.4 实验结论142-143
• 6.4 本章小结143-144
• 第七章 总结与展望144-148
• 7.1 总结144-147
• 7.2 未来工作展望147-148
• 附录一：相关定义148-150
• 附录二：标准测试函数150-161
• 附录三：对比优化算法161-163
• 参考文献163-175
• 攻读博士学位期间完成的科研成果175-179
• 致谢179-18

【参考文献】

中国期刊全文数据库 前7条

1 高晓光,杨有龙;基于不同威胁体的无人作战飞机初始路径规划[J];航空学报;2003年05期

2 任子晖;王坚;高岳林;;马尔科夫链的粒子群优化算法全局收敛性分析[J];控制理论与应用;2011年04期

3 恽为民，席裕庚;遗传算法的全局收敛性和计算效率分析[J];控制理论与应用;1996年04期

4 张军英,许进,保铮;遗传交叉运算的可达性研究[J];自动化学报;2002年01期

5 刘利强;汪相国;范志超;;基于小生境粒子群优化的船舶多路径规划方法[J];计算机工程;2013年09期

6 张艳;高晓光;魏小丰;;四维空间中的无人机动态路径规划及仿真[J];系统仿真学报;2009年24期

7 ;Multi-population and diffusion UMDA for dynamic multimodal problems[J];Journal of Systems Engineering and Electronics;2010年05期

  本文关键词：多元优化过程记忆算法及动静条件下多模态寻优研究，，由笔耕文化传播整理发布。

本文编号：479211