螢火蟲(chóng)群智能優(yōu)化算法及其應(yīng)用研究.pdf

1、群智能優(yōu)化算法為最優(yōu)化問(wèn)題求解提供了一種新途徑，受到了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。螢火蟲(chóng)優(yōu)化(Glowworm Swarm Optimization，GSO)算法是一種新穎的群智能優(yōu)化算法，其模仿自然界螢火蟲(chóng)求偶與覓食原理設(shè)計(jì)的一種自然計(jì)算方法，由于算法的參數(shù)少、流程簡(jiǎn)單、易于實(shí)現(xiàn)且在解空間中能捕獲多極值等優(yōu)點(diǎn)，已廣泛用于生物、工程、管理、軍事及經(jīng)濟(jì)等多個(gè)應(yīng)用領(lǐng)域。但是，GSO算法難以回避早熟收斂、求解精度低及穩(wěn)定性差等群智能算法所具有的通病

2、與不足。另外，現(xiàn)實(shí)世界存在許多非連續(xù)的組合優(yōu)化問(wèn)題急需解決，迫切需要對(duì)連續(xù)型GSO算法進(jìn)行離散化改進(jìn)研究。
　　本文在分析現(xiàn)有GSO算法研究現(xiàn)狀的基礎(chǔ)上，從傳統(tǒng)連續(xù)型GSO離散化策略、種群初始化及移動(dòng)步長(zhǎng)等方面對(duì)算法進(jìn)行改進(jìn)，并將改進(jìn)后的算法應(yīng)用到屬性選擇與模式分類中。最后，將研究成果用于解決農(nóng)業(yè)旱情等級(jí)評(píng)估與預(yù)測(cè)問(wèn)題。具體研究工作與創(chuàng)新點(diǎn)如下:
　　(1)針對(duì)傳統(tǒng)連續(xù)型GSO算法不適合求解組合優(yōu)化問(wèn)題，即離散型問(wèn)題。在離散

3、二進(jìn)制螢火蟲(chóng)(Binary GSO，BGSO)算法基礎(chǔ)上，并提出了兩種概率映射函數(shù)作為離散化策略的改進(jìn)二進(jìn)制離散型GSO算法，其一，采用改進(jìn)Sigmoid函數(shù)作為概率映射函數(shù)，其二，以高斯變異函數(shù)作為概率映射函數(shù)，分別將螢火蟲(chóng)個(gè)體的位移轉(zhuǎn)化為個(gè)體的位變化概率，從理論上對(duì)算法的收斂性進(jìn)行了分析與證明，并通過(guò)Benchmark標(biāo)準(zhǔn)測(cè)試函數(shù)對(duì)其進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果表明改進(jìn)二進(jìn)制離散型GSO算法在穩(wěn)定性、收斂速度及求解精度等方面性能較優(yōu)。

4、　　(2)屬性選擇是機(jī)器學(xué)習(xí)與模式識(shí)別中進(jìn)行數(shù)據(jù)預(yù)處理的一個(gè)重要方法，特別是針對(duì)一些高維的數(shù)據(jù)集，其計(jì)算復(fù)雜度較高，對(duì)數(shù)據(jù)挖掘算法的性能影響較大。因此，提出一種基于修正Sigmoid函數(shù)的二進(jìn)制螢火蟲(chóng)優(yōu)化(Sigmoid Binary GSO，SBGSO)算法與分形理論相結(jié)合的屬性選擇方法。該方法以數(shù)據(jù)集分形維數(shù)作為屬性子集的評(píng)價(jià)準(zhǔn)則，以SBGSO算法作為搜索策略，通過(guò)對(duì)標(biāo)準(zhǔn)數(shù)據(jù)集UCI進(jìn)行一系列實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明了該方法的有效性與可行

5、性。最后，將提出的屬性選擇方法應(yīng)用于農(nóng)業(yè)氣象干旱數(shù)據(jù)中，采用皖北地區(qū)針對(duì)小麥作物的農(nóng)業(yè)氣象數(shù)據(jù)集作為仿真實(shí)驗(yàn)數(shù)據(jù)，以解決旱情等級(jí)評(píng)估與預(yù)測(cè)的干旱指標(biāo)體系構(gòu)建問(wèn)題。
　　(3)針對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network，BPNN)的隨機(jī)初始權(quán)值與閾值導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)速度慢、易陷入局部解及運(yùn)算精度低等缺陷，提出一種基于高斯變異函數(shù)的二進(jìn)制螢火蟲(chóng)(Gauss BGSO，GBGSO)算法的BPNN并行

6、集成學(xué)習(xí)算法，即GBGSO-BPNN算法。選用皖北地區(qū)十年農(nóng)業(yè)氣象數(shù)據(jù)作為實(shí)驗(yàn)仿真數(shù)據(jù)，其實(shí)驗(yàn)結(jié)果表明該算法在收斂速度及計(jì)算精度方面較傳統(tǒng)BPNN算法及BGSO-BPNN算法有較明顯優(yōu)勢(shì)，可以有效提高旱情等級(jí)評(píng)估與預(yù)測(cè)的準(zhǔn)確性，為科學(xué)合理的農(nóng)業(yè)旱情評(píng)估與預(yù)測(cè)提供了一種有效可行的方法。
　　(4)由于傳統(tǒng)連續(xù)型GSO優(yōu)化算法求解多模態(tài)函數(shù)時(shí)，存在穩(wěn)定性差、收斂速度慢及求解精度低等方面的缺陷，借鑒數(shù)論中佳點(diǎn)集理論生成初始均勻分布的螢火

7、蟲(chóng)種群，并引入慣性權(quán)重函數(shù)動(dòng)態(tài)修正移動(dòng)步長(zhǎng)，提出了一種基于佳點(diǎn)集的變步長(zhǎng)螢火蟲(chóng)優(yōu)化(Good Point Set GSO，GPGSO)算法，并從理論上證明了算法的收斂性。通過(guò)16個(gè)Benchmark標(biāo)準(zhǔn)測(cè)試函數(shù)對(duì)其進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果表明GPSGSO算法在穩(wěn)定性、收斂速度及尋優(yōu)精度等方面性能具有較明顯的提高。
　　(5)支持向量機(jī)(Support Vector Machine，SVM)分類效果的優(yōu)劣主要取決于模型的選擇，而模型的選擇