群智能優(yōu)化算法及其應(yīng)用.pdf

1、群智能優(yōu)化算法是一種近年來新興的優(yōu)化方法，是受到關(guān)注最多的優(yōu)化研究領(lǐng)域之一，其模擬社會性動物的各種群體行為，利用群體中的個體之間的信息交互和合作來實現(xiàn)尋優(yōu)的目的。與其它類型的優(yōu)化方法相比，其實現(xiàn)較為簡單、效率較高。盡管對群智能優(yōu)化的研究已經(jīng)取得了一定的成果，但是從整體上來說，這一新興的領(lǐng)域仍然處于開放狀態(tài)，尚有大量的問題需要解決，如怎樣進一步提高尋優(yōu)效率，怎樣將其它優(yōu)秀的社會性動物系統(tǒng)應(yīng)用于優(yōu)化算法中等等。 本論文對群智能優(yōu)化算

2、法的算法改進及應(yīng)用進行了研究。第二章至第五章從參數(shù)選取、參數(shù)更新策略、多算法混合設(shè)計、新算法的提出等算法層面進行了研究，第六章和第七章以二自由度并聯(lián)機構(gòu)的標(biāo)定為應(yīng)用平臺，對群智能算法的應(yīng)用進行了研究，標(biāo)定出了二自由度并聯(lián)機構(gòu)的全部運動學(xué)參數(shù)。 第二章針對蟻群算法的參數(shù)選取主要依靠經(jīng)驗和試湊而導(dǎo)致的算法性能不穩(wěn)定的不足，將正交試驗的方法引入到蟻群算法的參數(shù)選取中，以典型的組合優(yōu)化問題—-TSP問題為例，對蟻群算法最主要的四個參數(shù)進

3、行了兩次逐級的三水平正交試驗，實驗表明，這種參數(shù)選取方法能夠以較少的實驗次數(shù)較為準(zhǔn)確地優(yōu)選參數(shù)；接著，針對蟻群算法信息素正反饋抑制了群體多樣性的問題，引入了信息素負(fù)反饋更新策略，路徑較好的螞蟻留下正信息素，而路徑較差的螞蟻留下負(fù)信息素，TSP實驗結(jié)果表明引入了負(fù)反饋的信息素更新策略比一般的蟻群算法能更好地保持多樣性。 第三章針對在典型的粒子群算法中慣性權(quán)重因子僅是迭代次數(shù)的函數(shù)，忽略了個體本身的搜索狀態(tài)(包括當(dāng)前位置和速度)這一

4、問題，基于力學(xué)的基本原理，提出了一種自適應(yīng)慣性權(quán)重策略，這一策略根據(jù)粒子當(dāng)前的搜索狀態(tài)來調(diào)整個體在不同方向的慣性權(quán)重的大小?；谶@一策略，結(jié)合巴特沃茲濾波函數(shù)設(shè)計了個體在不同方向上的慣性權(quán)重函數(shù)。連續(xù)優(yōu)化標(biāo)準(zhǔn)測試函數(shù)實驗證明了提出的自適應(yīng)慣性權(quán)重策略可以提高搜索的速度和精度。接著，將粒子群算法搜索步長較大而進化策略搜索步長較小的特點結(jié)合起來，提出了基于這兩種算法的混合優(yōu)化算法，即對群體中較優(yōu)的個體進行進化策略式的個體變異操作，而對群體中

5、較差的個體進行粒子群式的更新操作。優(yōu)化實驗證明，混合設(shè)計可以改進算法性能。 為了提高差分演化算法的多模優(yōu)化能力，第四章在處理多模優(yōu)化的擁擠聚類方法的基礎(chǔ)上，引入了不穩(wěn)定全局最小值的概念，在擁擠聚類方法中加入精英策略，提出了改進的擁擠聚類方法，在理論上證明了在此改進的方法下不穩(wěn)定全局最小值不會被任何父代個體所清除并且會進入下一代、局部穩(wěn)定最小值將有更大概率進入下一代這兩個性質(zhì)。將此改進的擁擠聚類方法與差分演化算法結(jié)合，提出了改進擁

6、擠聚類差分演化算法，并對所提出的算法在多模函數(shù)優(yōu)化上的性能進行了實驗研究，結(jié)果證明了改進擁擠聚類差分演化算法能夠更好地找到多模函數(shù)的多個極值。 第五章首先總結(jié)了前面三章研究的各種群智能算法的整體框架，總結(jié)了設(shè)計群智能算法時應(yīng)該遵循的一些原則。在此基礎(chǔ)上，將生物行為學(xué)家所研究的魚群行為特征應(yīng)用于群智能連續(xù)優(yōu)化算法的設(shè)計，提出了一種新魚群算法。該算法模擬魚群在空間的游動行為，以個體魚之間的實空間歐式距離為量度，將個體魚感知范圍內(nèi)的鄰

7、域空間分為吸引、排斥和中性區(qū)域，使對應(yīng)區(qū)域中的其它個體分別對此個體魚有吸引、排斥及隨機的吸引或排斥作用，并同時考慮所有個體魚都有向食物源運動的趨勢。通過標(biāo)準(zhǔn)測試函數(shù)實驗對所提出的新魚群算法和人工魚群算法以及粒子群算法進行了對比分析。實驗結(jié)果表明了新魚群算法的優(yōu)越性。最后，在基本算法的基礎(chǔ)上提出了線性變化權(quán)重因子策略，測試函數(shù)的實驗證明此策略可以進一步提升算法性能。 第六章基于平面二自由度并聯(lián)機構(gòu)的閉鏈約束方程，構(gòu)造了一個誤差函數(shù)

8、。進一步通過運動學(xué)推導(dǎo)，消除了其中的被動關(guān)節(jié)角度參數(shù)，給出了形式更為簡潔的表達，并且減少了參數(shù)個數(shù)。接著，利用變量替換，將誤差函數(shù)中的相乘項分開，使誤差函數(shù)變得簡單。在固定三個基座坐標(biāo)以固定坐標(biāo)系的基礎(chǔ)上，將粒子群算法、差分演化算法等群智能優(yōu)化算法應(yīng)用于優(yōu)化誤差函數(shù)，對平面二自由度并聯(lián)機構(gòu)的自標(biāo)定進行了仿真研究。在仿真研究確定了最適合的誤差函數(shù)和優(yōu)化算法之后，對實際平面二自由度并聯(lián)機構(gòu)系統(tǒng)標(biāo)定進行了實際實驗研究，標(biāo)定出了實際系統(tǒng)的12個

9、運動學(xué)參數(shù)。 第七章以標(biāo)定第六章中所研究的二自由度并聯(lián)機構(gòu)的所有參數(shù)為目的，基于平面幾何分析方法，提出了系統(tǒng)在沒有基座坐標(biāo)固定情況下會產(chǎn)生的三種位形變換，分析了由這些位形變換所產(chǎn)生的多解問題，解釋了在完全依靠內(nèi)部信息的自標(biāo)定下固定三個基座坐標(biāo)的必要性。接著，基于外部測量手段，提出了去除多解的策略和基于自標(biāo)定和外部標(biāo)定的混合標(biāo)定方法。利用差分演化算法通過仿真實驗對平面二自由度并聯(lián)機構(gòu)無基座坐標(biāo)同定下的混合標(biāo)定進行了研究。針對無基座