群智能算法及在大數(shù)據(jù)環(huán)境中的應(yīng)用研究.pdf

1、大數(shù)據(jù)是現(xiàn)代信息技術(shù)迅速發(fā)展的必然產(chǎn)物，實現(xiàn)對大數(shù)據(jù)的有效分析和處理不僅僅將帶來巨大的經(jīng)濟價值，同時也將推動社會的進步。大數(shù)據(jù)環(huán)境下，數(shù)據(jù)規(guī)模、涌現(xiàn)速度和其處理難點使得待優(yōu)化的問題也變得異常復雜，如具有大規(guī)模、高維、強約束、強動態(tài)和多目標等特點。面對這些特點，使用傳統(tǒng)優(yōu)化方法尋找全局最優(yōu)解就變得非常困難。由于群體智能的自組織性、并行、分布式控制和易于實現(xiàn)等特點，在解決復雜優(yōu)化問題時表現(xiàn)出了良好的性能。然而傳統(tǒng)的群體智能模型并不能滿足大數(shù)

2、據(jù)實際環(huán)境中出現(xiàn)的高維、強約束和多目標優(yōu)化等復雜問題，所以針對解決大數(shù)據(jù)環(huán)境下的復雜優(yōu)化問題而設(shè)計新型群智能優(yōu)化算法具有非常重要的意義。本文針對大數(shù)據(jù)環(huán)境下優(yōu)化問題存在的大規(guī)模、高維和強約束等問題，探索了一種基于動力學特征的群智能優(yōu)化算法。
　　本研究主要內(nèi)容包括：⑴針對大數(shù)據(jù)環(huán)境下優(yōu)化問題的特點及其解決方法進行了深入的分析與探討，并對現(xiàn)有的群智能優(yōu)化方法及其改進和應(yīng)用情況進行了研究。⑵基于Logistic種群動力學模型提出了一種

3、種群規(guī)模自適應(yīng)控制策略，實現(xiàn)了種群規(guī)模隨著進化過程動態(tài)的改變。該策略的實現(xiàn)不依賴于算法的具體操作步驟，本文將該策略應(yīng)用到傳統(tǒng)粒子群算法中，并采用經(jīng)典測試函數(shù)驗證其性能。測試結(jié)果表明，應(yīng)用了種群規(guī)模自適應(yīng)動態(tài)控制策略的粒子群算法，在求解精度和收斂速度方面較傳統(tǒng)算法有明顯提升。⑶生物動力學優(yōu)化算法是將群集動力學的概念和理論結(jié)合到經(jīng)典群智能算法中的一種新型生物進化動力學優(yōu)化算法。以標準測試函數(shù)為例，測試并分析了此算法的特性。通過對大規(guī)模及高維