搜尋者優(yōu)化算法及其應(yīng)用研究.pdf

1、優(yōu)化是科學(xué)研究、工程實踐和經(jīng)濟管理等諸多領(lǐng)域十分關(guān)心的課題，其目的是建立目標(biāo)函數(shù)并找到使目標(biāo)函數(shù)最小或最大的解。隨著人類生存空間的擴大以及認(rèn)識與改造世界的不斷深入與發(fā)展，各個領(lǐng)域，特別是人工智能與控制領(lǐng)域，存在大量具有多模態(tài)、非線性以及建模困難等特點的復(fù)雜系統(tǒng)；因此，人們對高效優(yōu)化技術(shù)和智能計算顯示出與日俱增的熱情和關(guān)注，尋求適合大規(guī)模并行且具有智能特征的算法已成為許多學(xué)科的一個重要研究方向。 社會性動物的個體遵循簡單的規(guī)則，通

2、過個體與個體之間、個體與環(huán)境之間的交流，往往能產(chǎn)生驚人的自組織行為。在過去的20年里，社會性動物的這些行為受到越來越多的研究人員的關(guān)注，并受其啟發(fā)，提出了用于解決分布式優(yōu)化問題的群體智能算法。優(yōu)化問題出現(xiàn)在人類生活的方方面面，針對每個問題搜索優(yōu)化解成了人類的一種基本行為。本文圍繞對人類搜索行為的模擬，用于求解優(yōu)化問題。本文的主要研究成果歸納如下。 (1)提出了云自適應(yīng)遺傳算法(CAGA)。將AGA的作用機理轉(zhuǎn)化為人類特有的自然語

3、言描述：高于種群平均適應(yīng)度的個體，隨著適應(yīng)度的增加，交叉、變異概率逐漸減小；而低于種群適應(yīng)度的個體采用最大交叉、變異概率。然后，引入正態(tài)云模型，對上述語言描述進行建模，用于自適應(yīng)確定交叉、變異概率。由于正態(tài)云模型的隨機性和穩(wěn)定傾向性特點，使交叉、變異概率既具有傳統(tǒng)AGA的趨勢性，滿足快速尋優(yōu)能力：又具有隨機性，提高了算法避免陷入局部極值的能力。典型函數(shù)優(yōu)化和TSP問題驗證了CAGA的有效性。 (2)提出了云進化算法(CEA)?；?/p>

4、于連續(xù)函數(shù)“介值定理”思想和模擬人類的聚焦搜索行為，利用云運算實現(xiàn)交叉、變異操作，提出了CEA。由于正態(tài)云模型具有隨機性和穩(wěn)定傾向性的特點，隨機性可以保持種群多樣性從而避免搜索陷入局部極值，穩(wěn)定傾向性又可以很好地保護較優(yōu)個體并對全局最優(yōu)值進行自適應(yīng)定位，從而較大程度克服了遺傳算法局部搜索能力差、收斂速度慢和進化無記憶性等問題。典型函數(shù)優(yōu)化和FIR數(shù)字濾波器設(shè)計驗證了CEA的有效性。 (3)提出了搜尋者優(yōu)化算法(SOA)。對人類搜

5、索行為進行深入研究，將優(yōu)化視為搜尋隊伍在搜索空間對最優(yōu)解的搜索，以搜尋隊伍為種群，以搜尋者所處位置為優(yōu)化問題的候選解，提出了SOA。SOA利用“經(jīng)驗梯度”確定搜索方向、不確定性推理確定步長，完成搜尋者在搜索空間中的位置更新，實現(xiàn)解的優(yōu)化。 (4)對本文提出的SOA作為一種新的群體智能算法的有效性進行了理論分析，闡述了SOA相對于其它智能優(yōu)化算法的相同點和不同點，研究了SOA參數(shù)對性能的影響：將SOA應(yīng)用于CEC05的benchm

6、ark函數(shù)優(yōu)化，驗證了SOA的有效性。 (5)將本文提出的SOA應(yīng)用于神經(jīng)網(wǎng)絡(luò)(ANN)訓(xùn)練。由于ANN性能對網(wǎng)絡(luò)結(jié)構(gòu)敏感，為了保持網(wǎng)絡(luò)復(fù)雜度和泛化能力間的平衡，同時使用了權(quán)值訓(xùn)練、結(jié)構(gòu)進化和優(yōu)化的正則化性能函數(shù)。典型的模式識別和函數(shù)逼近問題驗證了算法的有效性和優(yōu)越性。 (6)將本文提出的SOA應(yīng)用于IIR數(shù)字濾波器優(yōu)化設(shè)計。將濾波器的優(yōu)化設(shè)計等價于系統(tǒng)辨識問題，利用SOA調(diào)整IIR數(shù)字濾波器的系數(shù)，使系統(tǒng)的輸出與IIR

7、數(shù)字濾波器的輸出間的均方誤差最小，從而將IIR數(shù)字濾波器設(shè)計的任務(wù)轉(zhuǎn)化為一個最小化優(yōu)化問題。典型實例驗證了算法的有效性。 (7)將本文提出的SOA應(yīng)用于質(zhì)子交換膜燃料電池(PEMFC)的優(yōu)化建模。根據(jù)PEMFC的極化曲線模型，采用SOA對該模型的參數(shù)進行優(yōu)化，實現(xiàn)了將SOA應(yīng)用于燃料電池模型優(yōu)化。仿真結(jié)果表明，SOA可有效用于PEMFC建模。 (8)將本文提出的SOA應(yīng)用于電力系統(tǒng)無功優(yōu)化。通過調(diào)整變壓器變比、補償電容器