群體智能計(jì)算法的研究及應(yīng)用.pdf

1、隨著國(guó)民經(jīng)濟(jì)的快速發(fā)展,現(xiàn)代工業(yè)向著非線性、大型、綜合化方向發(fā)展,越來(lái)越需要有快速、高效、魯棒的優(yōu)化算法的支持。智能計(jì)算方法的出現(xiàn),給這些復(fù)雜問題的解決帶來(lái)了希望。目前,智能計(jì)算方法已經(jīng)成為國(guó)際上的一個(gè)研究熱點(diǎn),研究領(lǐng)域主要包括粒子群算法、人工神經(jīng)網(wǎng)絡(luò)算法、模擬退火算法、人工免疫算法、蟻群算法和蜂群算法等。如今,這些智能計(jì)算方法已經(jīng)廣泛的應(yīng)用于圖像處理、數(shù)據(jù)挖掘、智能控制、網(wǎng)絡(luò)優(yōu)化等領(lǐng)域。但是,這些算法也存在著一些共同的缺點(diǎn),如精度不高

2、、收斂速度較慢、容易收斂到局部極小值、多樣性下降過快、參數(shù)敏感等問題,制約了算法的進(jìn)一步應(yīng)用。本文分析了這些算法存在的缺點(diǎn),在繼承前人研究成果的基礎(chǔ)上進(jìn)行了研究,主要做出了如下成果:
　　 (1).慣性權(quán)重在粒子群算法中起到重要的作用,本文綜合考慮了影響慣性權(quán)重的幾種因素,提出基于進(jìn)化速度、聚集度和相似度動(dòng)態(tài)改變慣性權(quán)重的粒子群算法。改進(jìn)算法與待優(yōu)化算法的特點(diǎn)和范圍無(wú)關(guān),參數(shù)不敏感,魯棒性較好,計(jì)算復(fù)雜度較低。同時(shí)由于考慮了進(jìn)化

3、速度的影響,使得算法能夠更加智能的調(diào)整慣性權(quán)重,自適應(yīng)地調(diào)整全局開發(fā)與局部開采之間的矛盾,更好的保持種群多樣性。實(shí)驗(yàn)證明改進(jìn)算法在收斂率、收斂精度和全局尋優(yōu)能力方面都優(yōu)于幾種有代表性的動(dòng)態(tài)改變慣性權(quán)重的算法。
　　 (2).免疫理論是模仿生物免疫系統(tǒng)而提出的一種仿生算法,能夠有效地提高種群多樣性。目前已有多種文獻(xiàn)提出采用免疫算法提高粒子群算法的多樣性。為了克服粒子群算法易早熟、后期收斂慢的缺點(diǎn),根據(jù)免疫優(yōu)化理論,本文提出一種改進(jìn)

4、的個(gè)性化變異免疫粒子群算法。該算法通過對(duì)適應(yīng)度較低的弱勢(shì)抗體群采用疫苗啟發(fā)式變異、柯西變異和對(duì)稱變異,加快了算法收斂速度,增強(qiáng)了算法逃離局部最優(yōu)的能力;通過對(duì)適應(yīng)度較高的記憶抗體群采用正態(tài)變異和改進(jìn)的混沌擾動(dòng),提高了算法的收斂精度。同時(shí),算法中的交叉變異率均實(shí)行自適應(yīng)調(diào)整。實(shí)驗(yàn)結(jié)果表明本文算法優(yōu)于幾種典型的粒子群算法和基本免疫克隆算法。
　　 (3).利用多態(tài)蟻群算法和模擬退火算法的優(yōu)點(diǎn)提出了一種新的融合優(yōu)化算法。模擬退火用于優(yōu)

5、化每輪迭代后的路徑,使得信息素釋放更好的反映路徑的質(zhì)量,退火思想同時(shí)用于信息素更新機(jī)制,避免算法早熟、停滯,較差的路徑按照退火競(jìng)爭(zhēng)機(jī)制釋放信息素。由于每輪迭代最優(yōu)路徑釋放信息素最多,對(duì)其進(jìn)行3-opt優(yōu)化,提高搜索效率。同時(shí),新發(fā)現(xiàn)的最優(yōu)路徑允許釋放更多的信息素,使得螞蟻在后續(xù)迭代中能夠記住這條新路徑。實(shí)驗(yàn)結(jié)果驗(yàn)證了算法的有效性。
　　 (4).蜂群算法是最近提出的一種優(yōu)化算法,已被證明優(yōu)于傳統(tǒng)的優(yōu)化算法,但是對(duì)于不可分離變量的

6、函數(shù)則效果不佳。本文分析了蜂群算法的缺點(diǎn),提出一種單維更新和整體更新交替進(jìn)行的融合算法,通過計(jì)算單維開采成功率,動(dòng)態(tài)地控制參數(shù)limit,達(dá)到平衡單維更新和整體更新的目的,避免算法在某一方面開采過深陷入局部最優(yōu)。整體更新階段采用基于試探機(jī)制的PSO算法,有效避免了傳統(tǒng)PSO算法中個(gè)體選擇方向的盲目性。在單維更新階段引入全局極值的影響,加強(qiáng)種群全局信息交流。實(shí)驗(yàn)中將本文算法與國(guó)際上最新發(fā)表的幾種重要的粒子群變種和基本蜂群算法進(jìn)行了對(duì)比,結(jié)

7、果表明本文算法在尋優(yōu)精度、收斂率和魯棒性上都優(yōu)于上述算法,對(duì)可分離變量和不可分離變量函數(shù)都有較好的效果。
　　 (5).研究了蜂群算法在模糊C均值聚類算法中的應(yīng)用,提出了基于蜂群優(yōu)化的模糊核層次聚類算法。主要改進(jìn)措施有:采用了核函數(shù)方法;增加了截集因子;采用本文改進(jìn)的優(yōu)化算法對(duì)目標(biāo)性能函數(shù)進(jìn)行優(yōu)化;采用二叉樹分裂方式進(jìn)行聚類,實(shí)驗(yàn)結(jié)果證明了該算法能有效克服FCM算法的不足之處。
　　 (6)將基于蜂群優(yōu)化的模糊核層次聚類