群智能優(yōu)化算法及其應(yīng)用.pdf

1、群智能優(yōu)化算法是一種近年來(lái)新興的優(yōu)化方法，是受到關(guān)注最多的優(yōu)化研究領(lǐng)域之一，其模擬社會(huì)性動(dòng)物的各種群體行為，利用群體中的個(gè)體之間的信息交互和合作來(lái)實(shí)現(xiàn)尋優(yōu)的目的。與其它類型的優(yōu)化方法相比，其實(shí)現(xiàn)較為簡(jiǎn)單、效率較高。盡管對(duì)群智能優(yōu)化的研究已經(jīng)取得了一定的成果，但是從整體上來(lái)說(shuō)，這一新興的領(lǐng)域仍然處于開(kāi)放狀態(tài)，尚有大量的問(wèn)題需要解決，如怎樣進(jìn)一步提高尋優(yōu)效率，怎樣將其它優(yōu)秀的社會(huì)性動(dòng)物系統(tǒng)應(yīng)用于優(yōu)化算法中等等。 本論文對(duì)群智能優(yōu)化算

2、法的算法改進(jìn)及應(yīng)用進(jìn)行了研究。第二章至第五章從參數(shù)選取、參數(shù)更新策略、多算法混合設(shè)計(jì)、新算法的提出等算法層面進(jìn)行了研究，第六章和第七章以二自由度并聯(lián)機(jī)構(gòu)的標(biāo)定為應(yīng)用平臺(tái)，對(duì)群智能算法的應(yīng)用進(jìn)行了研究，標(biāo)定出了二自由度并聯(lián)機(jī)構(gòu)的全部運(yùn)動(dòng)學(xué)參數(shù)。 第二章針對(duì)蟻群算法的參數(shù)選取主要依靠經(jīng)驗(yàn)和試湊而導(dǎo)致的算法性能不穩(wěn)定的不足，將正交試驗(yàn)的方法引入到蟻群算法的參數(shù)選取中，以典型的組合優(yōu)化問(wèn)題—-TSP問(wèn)題為例，對(duì)蟻群算法最主要的四個(gè)參數(shù)進(jìn)

3、行了兩次逐級(jí)的三水平正交試驗(yàn)，實(shí)驗(yàn)表明，這種參數(shù)選取方法能夠以較少的實(shí)驗(yàn)次數(shù)較為準(zhǔn)確地優(yōu)選參數(shù)；接著，針對(duì)蟻群算法信息素正反饋抑制了群體多樣性的問(wèn)題，引入了信息素負(fù)反饋更新策略，路徑較好的螞蟻留下正信息素，而路徑較差的螞蟻留下負(fù)信息素，TSP實(shí)驗(yàn)結(jié)果表明引入了負(fù)反饋的信息素更新策略比一般的蟻群算法能更好地保持多樣性。 第三章針對(duì)在典型的粒子群算法中慣性權(quán)重因子僅是迭代次數(shù)的函數(shù)，忽略了個(gè)體本身的搜索狀態(tài)(包括當(dāng)前位置和速度)這一

4、問(wèn)題，基于力學(xué)的基本原理，提出了一種自適應(yīng)慣性權(quán)重策略，這一策略根據(jù)粒子當(dāng)前的搜索狀態(tài)來(lái)調(diào)整個(gè)體在不同方向的慣性權(quán)重的大小。基于這一策略，結(jié)合巴特沃茲濾波函數(shù)設(shè)計(jì)了個(gè)體在不同方向上的慣性權(quán)重函數(shù)。連續(xù)優(yōu)化標(biāo)準(zhǔn)測(cè)試函數(shù)實(shí)驗(yàn)證明了提出的自適應(yīng)慣性權(quán)重策略可以提高搜索的速度和精度。接著，將粒子群算法搜索步長(zhǎng)較大而進(jìn)化策略搜索步長(zhǎng)較小的特點(diǎn)結(jié)合起來(lái)，提出了基于這兩種算法的混合優(yōu)化算法，即對(duì)群體中較優(yōu)的個(gè)體進(jìn)行進(jìn)化策略式的個(gè)體變異操作，而對(duì)群體中

5、較差的個(gè)體進(jìn)行粒子群式的更新操作。優(yōu)化實(shí)驗(yàn)證明，混合設(shè)計(jì)可以改進(jìn)算法性能。 為了提高差分演化算法的多模優(yōu)化能力，第四章在處理多模優(yōu)化的擁擠聚類方法的基礎(chǔ)上，引入了不穩(wěn)定全局最小值的概念，在擁擠聚類方法中加入精英策略，提出了改進(jìn)的擁擠聚類方法，在理論上證明了在此改進(jìn)的方法下不穩(wěn)定全局最小值不會(huì)被任何父代個(gè)體所清除并且會(huì)進(jìn)入下一代、局部穩(wěn)定最小值將有更大概率進(jìn)入下一代這兩個(gè)性質(zhì)。將此改進(jìn)的擁擠聚類方法與差分演化算法結(jié)合，提出了改進(jìn)擁

6、擠聚類差分演化算法，并對(duì)所提出的算法在多模函數(shù)優(yōu)化上的性能進(jìn)行了實(shí)驗(yàn)研究，結(jié)果證明了改進(jìn)擁擠聚類差分演化算法能夠更好地找到多模函數(shù)的多個(gè)極值。 第五章首先總結(jié)了前面三章研究的各種群智能算法的整體框架，總結(jié)了設(shè)計(jì)群智能算法時(shí)應(yīng)該遵循的一些原則。在此基礎(chǔ)上，將生物行為學(xué)家所研究的魚(yú)群行為特征應(yīng)用于群智能連續(xù)優(yōu)化算法的設(shè)計(jì)，提出了一種新魚(yú)群算法。該算法模擬魚(yú)群在空間的游動(dòng)行為，以個(gè)體魚(yú)之間的實(shí)空間歐式距離為量度，將個(gè)體魚(yú)感知范圍內(nèi)的鄰

7、域空間分為吸引、排斥和中性區(qū)域，使對(duì)應(yīng)區(qū)域中的其它個(gè)體分別對(duì)此個(gè)體魚(yú)有吸引、排斥及隨機(jī)的吸引或排斥作用，并同時(shí)考慮所有個(gè)體魚(yú)都有向食物源運(yùn)動(dòng)的趨勢(shì)。通過(guò)標(biāo)準(zhǔn)測(cè)試函數(shù)實(shí)驗(yàn)對(duì)所提出的新魚(yú)群算法和人工魚(yú)群算法以及粒子群算法進(jìn)行了對(duì)比分析。實(shí)驗(yàn)結(jié)果表明了新魚(yú)群算法的優(yōu)越性。最后，在基本算法的基礎(chǔ)上提出了線性變化權(quán)重因子策略，測(cè)試函數(shù)的實(shí)驗(yàn)證明此策略可以進(jìn)一步提升算法性能。 第六章基于平面二自由度并聯(lián)機(jī)構(gòu)的閉鏈約束方程，構(gòu)造了一個(gè)誤差函數(shù)

8、。進(jìn)一步通過(guò)運(yùn)動(dòng)學(xué)推導(dǎo)，消除了其中的被動(dòng)關(guān)節(jié)角度參數(shù)，給出了形式更為簡(jiǎn)潔的表達(dá)，并且減少了參數(shù)個(gè)數(shù)。接著，利用變量替換，將誤差函數(shù)中的相乘項(xiàng)分開(kāi)，使誤差函數(shù)變得簡(jiǎn)單。在固定三個(gè)基座坐標(biāo)以固定坐標(biāo)系的基礎(chǔ)上，將粒子群算法、差分演化算法等群智能優(yōu)化算法應(yīng)用于優(yōu)化誤差函數(shù)，對(duì)平面二自由度并聯(lián)機(jī)構(gòu)的自標(biāo)定進(jìn)行了仿真研究。在仿真研究確定了最適合的誤差函數(shù)和優(yōu)化算法之后，對(duì)實(shí)際平面二自由度并聯(lián)機(jī)構(gòu)系統(tǒng)標(biāo)定進(jìn)行了實(shí)際實(shí)驗(yàn)研究，標(biāo)定出了實(shí)際系統(tǒng)的12個(gè)

9、運(yùn)動(dòng)學(xué)參數(shù)。 第七章以標(biāo)定第六章中所研究的二自由度并聯(lián)機(jī)構(gòu)的所有參數(shù)為目的，基于平面幾何分析方法，提出了系統(tǒng)在沒(méi)有基座坐標(biāo)固定情況下會(huì)產(chǎn)生的三種位形變換，分析了由這些位形變換所產(chǎn)生的多解問(wèn)題，解釋了在完全依靠?jī)?nèi)部信息的自標(biāo)定下固定三個(gè)基座坐標(biāo)的必要性。接著，基于外部測(cè)量手段，提出了去除多解的策略和基于自標(biāo)定和外部標(biāo)定的混合標(biāo)定方法。利用差分演化算法通過(guò)仿真實(shí)驗(yàn)對(duì)平面二自由度并聯(lián)機(jī)構(gòu)無(wú)基座坐標(biāo)同定下的混合標(biāo)定進(jìn)行了研究。針對(duì)無(wú)基座