基于勘探和開采策略控制的智能優(yōu)化算法及其應(yīng)用研究.pdf

1、在科學(xué)和工程等領(lǐng)域的諸多實(shí)際問題最終都需轉(zhuǎn)化為數(shù)學(xué)模型和對模型的優(yōu)化求解，優(yōu)化理論和方法一直都是一個(gè)極具理論意義和應(yīng)用價(jià)值的熱點(diǎn)課題?，F(xiàn)代智能優(yōu)化算法的設(shè)計(jì)靈感源自于自然現(xiàn)象的運(yùn)行機(jī)制，具備簡單有效、普適性強(qiáng)的特點(diǎn)，為解決復(fù)雜優(yōu)化問題提供了新的思路和手段。合理的勘探和開采策略是調(diào)整智能優(yōu)化算法全局和局部搜索行為，增強(qiáng)其優(yōu)化問題求解性能的關(guān)鍵。論文基于智能優(yōu)化算法勘探和開采策略的調(diào)控機(jī)制，從優(yōu)化問題的變量關(guān)系、算法參數(shù)有效設(shè)置、和算法搜索

2、合理策略選擇三個(gè)方面研究了智能優(yōu)化算法的設(shè)計(jì)和應(yīng)用問題，設(shè)計(jì)了六種勘探和開采策略控制型智能優(yōu)化算法并應(yīng)用于理論或?qū)嶋H優(yōu)化問題。
　?。?）提出了基于變量關(guān)系的智能優(yōu)化算法勘探和開采能力增強(qiáng)策略
　　研究了優(yōu)化問題在最優(yōu)性條件下隱含的變量關(guān)系，并利用變量關(guān)系降低優(yōu)化問題的復(fù)雜度，提高智能優(yōu)化算法的勘探和開采能力。第一，根據(jù)無約束一階可導(dǎo)優(yōu)化問題的最優(yōu)性條件，發(fā)掘變量關(guān)系，提出一種變量約簡策略；第二，根據(jù)約束優(yōu)化問題中的等式約束

3、，發(fā)掘變量關(guān)系，提出一種等式約束和變量約簡策略；第三，根據(jù)約束優(yōu)化問題中的有效不等式約束，發(fā)掘變量關(guān)系，提出一種局部搜索策略，加速算法的搜索過程。將每一種基于變量關(guān)系的策略與智能優(yōu)化算法結(jié)合，應(yīng)用于基準(zhǔn)測試優(yōu)化問題，實(shí)驗(yàn)結(jié)果表明基于變量關(guān)系的策略能顯著增強(qiáng)智能優(yōu)化算法求解優(yōu)化問題的效率和質(zhì)量。
　?。?）提出基于變量約簡策略的智能優(yōu)化算法求解電力系統(tǒng)優(yōu)化問題
　　電力系統(tǒng)優(yōu)化問題（包括輸電定價(jià)優(yōu)化問題、靜態(tài)負(fù)荷優(yōu)化分配問題、

4、以及動態(tài)負(fù)荷優(yōu)化分配問題）含有復(fù)雜的目標(biāo)函數(shù)和約束條件。針對電力系統(tǒng)優(yōu)化問題中的等式約束，設(shè)計(jì)等式約束和變量約簡策略，并將該策略與智能優(yōu)化算法結(jié)合，提高算法的勘探和開采能力。仿真實(shí)驗(yàn)表明，等式約束和變量約簡策略能輔助智能優(yōu)化算法獲得各電力系統(tǒng)優(yōu)化問題的最好解。
　?。?）提出參數(shù)自適應(yīng)的跨鄰域搜索算法求解連續(xù)優(yōu)化問題
　　首先設(shè)計(jì)了一種新型的跨鄰域搜索算法（Across neighborhood Search Algorit

5、hm，ANS），在ANS中，一群個(gè)體能跨多個(gè)優(yōu)秀解鄰域在優(yōu)化問題的解空間中搜索。理論分析和仿真實(shí)驗(yàn)表明，ANS滿足三個(gè)標(biāo)準(zhǔn)：原理簡單和應(yīng)用方便、具備獨(dú)特優(yōu)化機(jī)制、求解多種類型優(yōu)化問題時(shí)性能突出。在應(yīng)用ANS于優(yōu)化問題時(shí)，算法的勘探和開采能力依賴于合理的參數(shù)設(shè)置。為了增強(qiáng)ANS的性能，設(shè)計(jì)了一種參數(shù)自適應(yīng)策略，得到參數(shù)自適應(yīng)跨鄰域搜索算法（Parameter Adapted Across Neighborhood Search，PAANS

6、）。該參數(shù)自適應(yīng)策略基于不同參數(shù)值歷史上對算法搜索性能的影響，即產(chǎn)生好解的參數(shù)值以較大的概率傳遞到算法的后續(xù)演化過程并擴(kuò)散到整個(gè)種群。將算法應(yīng)用于連續(xù)優(yōu)化問題，仿真實(shí)驗(yàn)表明，與ANS以及其它幾個(gè)優(yōu)秀的粒子群算法和差分進(jìn)化算法相比，PAANS的性能更加優(yōu)越。
　?。?）提出參數(shù)自適應(yīng)的模擬退火算法求解對地觀測資源協(xié)同規(guī)劃問題
　　研究了多類對地觀測資源包括衛(wèi)星、飛艇及無人機(jī)的協(xié)同規(guī)劃問題，將該協(xié)同規(guī)劃問題轉(zhuǎn)化為一個(gè)任務(wù)分配問題

7、，并設(shè)計(jì)自適應(yīng)模擬退火算法求解該問題，在模擬退火算法中結(jié)合了自適應(yīng)溫度調(diào)整策略和禁忌列表，以動態(tài)控制模擬退化算法的勘探和開采性能。仿真實(shí)驗(yàn)表明，該算法能有效求解對地觀測資源協(xié)同規(guī)劃問題。
　　（5）提出搜索策略動態(tài)選擇的粒子群算法求解連續(xù)優(yōu)化問題
　　為了確保粒子群算法的勘探能力，設(shè)計(jì)了一種優(yōu)秀解綜合學(xué)習(xí)策略和一種粒子層變異搜索策略；另外，為了提高算法的開采能力，算法結(jié)合了四種局部搜索策略，包括基于梯度的BFGS和DFP高斯

8、牛頓法，不依賴梯度的模式搜索（Pattern Search）法和單純形搜索（Nelder-Mead simplex Search）法。根據(jù)算法的搜索狀態(tài)，即判斷算法是否已經(jīng)陷入局部最優(yōu)或已進(jìn)入演化后期，而動態(tài)選擇不同的搜索策略，實(shí)現(xiàn)算法勘探和開采能力的動態(tài)控制。將該算法應(yīng)用于連續(xù)優(yōu)化問題，通過大量仿真實(shí)驗(yàn)，驗(yàn)證了算法的性能，比較了不同局部搜索策略對算法性能的影響。
　?。?）提出搜索策略動態(tài)選擇的蟻群優(yōu)化算法求解多星觀測調(diào)度問題<

9、br>　　提出了一種混合局部搜索策略的蟻群優(yōu)化算法解決衛(wèi)星觀測調(diào)度問題（SOSP）。把多星觀測調(diào)度過程分為兩個(gè)階段：任務(wù)聚類階段與任務(wù)調(diào)度階段。在聚類階段，構(gòu)造了一種任務(wù)聚類圖模型，并改進(jìn)最小團(tuán)劃分算法來獲得合理的聚類任務(wù)。在任務(wù)調(diào)度階段，綜合考慮初始任務(wù)和聚類任務(wù)，構(gòu)造了無環(huán)有向圖模型，并利用混合蟻群優(yōu)化算法（ACO-LS）來生成問題的最優(yōu)解或近似最優(yōu)解。蟻群優(yōu)化算法本身具有較強(qiáng)的勘探能力，為了提高算法的開采能力，對迭代過程中螞蟻生成