關(guān)于啟發(fā)式優(yōu)化算法及其應(yīng)用的研究.pdf

1、關(guān)于啟發(fā)式算法及實(shí)際應(yīng)用的研究近年來受到人們的廣泛關(guān)注，并獲得了良好的應(yīng)用效果。本文對(duì)差分進(jìn)化算法、和聲搜索算法、粒子群優(yōu)化算法及其應(yīng)用進(jìn)行了研究，主要工作如下：
　　(1)針對(duì)粒子群優(yōu)化算法的不足，提出了一種全局粒子群優(yōu)化算法(GPSO)。GPSO算法主要對(duì)基于慣性權(quán)重的IWPSO算法進(jìn)行了兩個(gè)方面的改進(jìn)。第一，GPSO算法將慣性權(quán)重設(shè)計(jì)成指數(shù)型函數(shù)與隨機(jī)數(shù)相乘的形式，這種慣性權(quán)重使算法在尋優(yōu)初期具有較強(qiáng)的全局搜索能力，而到了尋

2、優(yōu)后期具有較強(qiáng)的局部搜索能力。第二，GPSO算法對(duì)全局最優(yōu)解進(jìn)行了擾動(dòng)，這樣可以有效地防止算法早熟，提高算法對(duì)解空間的開發(fā)能力。
　　使用三種粒子群優(yōu)化算法來解決6個(gè)無約束優(yōu)化問題，仿真結(jié)果表明，與其他兩種粒子群優(yōu)化算法相比，GPSO算法具有更快的收斂速度和更強(qiáng)的逃離局部最優(yōu)的能力。
　　(2)針對(duì)差分進(jìn)化算法的基本原理進(jìn)行了深入的學(xué)習(xí)和探討，提出了一種擴(kuò)展變量維數(shù)的自適應(yīng)差分進(jìn)化算法(EVSDE)，該算法將DE算法的控制參

3、數(shù)作為解向量的一維分量，隨著差分進(jìn)化算法尋優(yōu)過程的運(yùn)行，最終可得到適應(yīng)不同尋優(yōu)階段的控制參數(shù)，提高了算法的尋優(yōu)能力。此外，還提出了一種新型的變異策略，更好的平衡了算法的全局搜索能力和局部搜索能力。
　　(3)描述了系統(tǒng)可靠性問題，并介紹了3種典型系統(tǒng)可靠性問題及其數(shù)學(xué)模型。通過對(duì)離散變量和約束條件的處理，將帶有約束條件的數(shù)學(xué)模型轉(zhuǎn)化為無約束模型。利用第三章提出的擴(kuò)展變量維數(shù)的自適應(yīng)差分進(jìn)化算法(EVSDE)，對(duì)三種典型系統(tǒng)的可靠性

4、問題進(jìn)行了優(yōu)化處理，并與DE算法和JADE算法進(jìn)行了比較。通過列出的優(yōu)化結(jié)果和算法的收斂曲線可知，對(duì)于上述3種典型系統(tǒng)可靠性問題，EVSDE算法尋優(yōu)能力要優(yōu)于其他兩種差分進(jìn)化算法，能夠滿足一些系統(tǒng)可靠性優(yōu)化問題的求解需要。
　　(4)引入了實(shí)用最優(yōu)點(diǎn)的概念，其本質(zhì)是約束條件下的最優(yōu)點(diǎn)，它更滿足實(shí)際問題的要求。為求取實(shí)用最優(yōu)點(diǎn)，提出了鄰域采樣的近似判斷方法，同時(shí)借鑒粒子群搜索的思想提出了一種快速搜索算法。仿真實(shí)驗(yàn)驗(yàn)證了所提出方法不僅

5、可以求出實(shí)用最優(yōu)點(diǎn)，而且具有良好的尋優(yōu)性能。
　　(5)針對(duì)現(xiàn)有和聲搜索算法存在的不足，提出了一種學(xué)習(xí)型和聲搜索算法(LHS)。該算法引入一種新的學(xué)習(xí)搜索機(jī)制，給出了參數(shù)HMCR和PAR新的更新策略。對(duì)16個(gè)測(cè)試函數(shù)的仿真實(shí)驗(yàn)表明，與其他4種和聲搜索算法相比，LHS算法能夠很好地改善HS算法的優(yōu)化性能。采用LHS算法求解0-1背包問題的結(jié)果表明，LHS算法與其他3種和聲搜索算法以及以往文獻(xiàn)中的啟發(fā)式優(yōu)化算法相比，具有更好的優(yōu)化效果