云粒優(yōu)化模型及其應(yīng)用研究.pdf

1、優(yōu)化問題廣泛地存在于生產(chǎn)與生活之中，研究并設(shè)計優(yōu)化方法具有重要的理論意義和應(yīng)用價值。傳統(tǒng)的優(yōu)化方法由于計算效率低和局部搜索的局限性，很難滿足實際應(yīng)用中要求的求解精度和效率。大自然的啟示為解決優(yōu)化問題提供了新思路，模擬自然現(xiàn)象或生物演化機(jī)制而設(shè)計的智能優(yōu)化方法在解決優(yōu)化問題時表現(xiàn)出優(yōu)異的性能，智能優(yōu)化方法已成為解決復(fù)雜問題的一種新的研究熱點。
　　針對優(yōu)化問題，本文通過對智能優(yōu)化方法的探索和研究，從物態(tài)變化、動力氣象學(xué)、演化機(jī)制等多

2、個角度出發(fā)，提出了云粒優(yōu)化模型和相關(guān)算法，并進(jìn)行了相應(yīng)的數(shù)值實驗分析。具體而言，本文的主要研究工作包括以下幾個方面：
　　1．模擬自然界云的形成和物態(tài)變化過程，提出了云粒優(yōu)化計算模型。在算法設(shè)計中，以云發(fā)生器作為搜索引擎，引入相變機(jī)制實現(xiàn)算法的全局搜索；引入互惠機(jī)制提高算法的局部開發(fā)能力。相變機(jī)制與互惠機(jī)制的有效結(jié)合保證了算法全局搜索與局部開發(fā)的平衡，提高了算法的尋優(yōu)能力。在理論方面，分析了算法的計算復(fù)雜度，證明了云粒優(yōu)化計算模型

3、的全局收斂性。最后，通過大量數(shù)值實驗并與其它8個同類優(yōu)化算法相比，云粒優(yōu)化算法在求解的精度和收斂速度方面具有一定的優(yōu)勢。
　　2．針對云粒優(yōu)化算法在演化初期全局搜索能力弱的缺點，將差分機(jī)制引入云粒優(yōu)化算法，提出了差分一云粒優(yōu)化算法。算法初期利用差分機(jī)制提高算法的全局搜索能力，充分估計最優(yōu)解潛在的區(qū)域；設(shè)計液化操作和凝固操作對潛在最優(yōu)解區(qū)域進(jìn)一步進(jìn)行局部搜索，實現(xiàn)兩者的優(yōu)勢互補，從而有效地調(diào)節(jié)局部開發(fā)和全局搜索之間的動態(tài)平衡。差分一

4、云粒優(yōu)化算法較好地解決了多數(shù)高維測試問題，但是針對低維優(yōu)化問題，算法的計算代價較大。為了有效地提高低維優(yōu)化問題的計算效率，提出了競爭一協(xié)同式云粒優(yōu)化方法。該方法引入優(yōu)勝劣汰的競爭機(jī)制加快找到最優(yōu)解的速度；設(shè)計子種群之間的協(xié)同機(jī)制，有效地維持了種群的多樣性，避免算法過早地陷入早熟收斂。實驗結(jié)果和分析表明了提出的差分一云粒優(yōu)化算法和競爭一協(xié)同式云粒優(yōu)化算法的有效性。
　　3．針對多目標(biāo)優(yōu)化問題，分別提出了基于非支配排序多目標(biāo)云粒優(yōu)化方

5、法和基于分解機(jī)制的多目標(biāo)云粒差分優(yōu)化方法。對于基于非支配排序多目標(biāo)云粒優(yōu)化方法，設(shè)計狀態(tài)轉(zhuǎn)換機(jī)制、熵和超熵的動態(tài)調(diào)整機(jī)制引導(dǎo)云粒實現(xiàn)全局搜索和局部開發(fā)；引入非支配選擇機(jī)制、擁擠距離以及外部精英存檔機(jī)制更新非支配解集。解決了經(jīng)典算法由于缺乏足夠的選擇壓力而使性能下降的缺點。對于基于分解的多目標(biāo)云粒差分優(yōu)化方法，在差分演化的基礎(chǔ)上引入繼承機(jī)制，加快算法的收斂速度；設(shè)計云變異操作和動態(tài)調(diào)整變異步長，增強了種群的多樣性，加強算法對稀疏區(qū)域的搜索

6、，解決了經(jīng)典分解算法丟失部分極端解的缺點。仿真實驗結(jié)果表明，提出的基于非支配排序多目標(biāo)云粒優(yōu)化方法和基于分解機(jī)制的多目標(biāo)云粒差分優(yōu)化方法具有較強的競爭力。
　　4．針對非線性系統(tǒng)辨識中的模型參數(shù)的估計問題，本文對云粒差分優(yōu)化方法進(jìn)行改進(jìn)，用于解決非線性混沌系統(tǒng)預(yù)測問題。在演化初期，利用差分機(jī)制保證種群多樣性，提高算法的全局搜索能力以解決算法可能出現(xiàn)的早熟現(xiàn)象；在演化后期，加大父代對子代的引導(dǎo)作用，提高算法的收斂速度。改進(jìn)的云粒差分