混合群體智能優(yōu)化算法及應用研究.pdf

1、混合群體智能優(yōu)化算法及應用研究混合群體智能優(yōu)化算法及應用研究ResearchonHybridSwarmIntelligenceOptimizationAlgithmswithApplications一級學科：控制科學與工程學科專業(yè)：系統(tǒng)工程研究生：向萬里指導教師：馬壽峰教授天津大學管理與經濟學部二零一三年十一月摘要優(yōu)化問題在生產和生活系統(tǒng)中極為常見，因而研究高效率的優(yōu)化技術具有十分重要的理論和現(xiàn)實意義。作為求解復雜優(yōu)化問題的群體智能優(yōu)化

2、算法，因其具有簡單，易于并行及智能搜索等優(yōu)點，而得到了廣泛的關注和應用。為了進一步提升算法的收斂性能，組合不同算法的最好特性形成更強大的混合算法不失為一條捷徑。為此，本文針對優(yōu)化問題中的函數(shù)優(yōu)化、混沌系統(tǒng)參數(shù)辨識及數(shù)據(jù)聚類，以搜索能力均衡為導向設計了多種混合群體智能優(yōu)化算法。綜合而言，本文主要完成了以下工作：(1)針對函數(shù)優(yōu)化問題，首先，提出一種混合蜂群差分進化算法，通過在人工蜂群算法中引入多分量擾動和多解搜索方程及在差分進化算法中提供

3、多個交叉概率選擇，增強全局探索和局部開發(fā)能力，在算法進化后期，引入一種種群災變機制改善種群多樣性；然后，為了有效利用不同特征的差分變異策略，提出一種具有Pbest引導機制的適應性多策略差分進化算法：(a)根據(jù)前人研究的經驗，為差分變異策略、交叉概率和尺度參數(shù)構建專家?guī)欤?b)對于含有Pbest的差分變異策略，其向量改為從種群中適應度排序靠前的100%p((01]p?)個個體中隨機選擇，(c)均勻隨機選擇差分變異策略、交叉概率以及尺度參數(shù)

4、作為混合算法的3要素。(2)針對混沌系統(tǒng)參數(shù)辨識，提出一種交替迭代差分進化算法。受粒子群算法的啟發(fā)，提出一種新的差分變異策略DEpbest1bin，基向量pbest表示目標個體的歷史最好個體，用DEpbest1bin和DEbest1bin分別模擬自然界中小的進化時期和大的進化時期交替演化現(xiàn)象，同時使用一種新的貪婪選擇機制加快種群進化的速度。(3)針對數(shù)據(jù)聚類分析，設計了基于多步隨機采樣的動態(tài)洗牌差分進化算法。為提高初始種群分布質量，提出