群體智能計算法的研究及應用.pdf

1、隨著國民經濟的快速發(fā)展,現代工業(yè)向著非線性、大型、綜合化方向發(fā)展,越來越需要有快速、高效、魯棒的優(yōu)化算法的支持。智能計算方法的出現,給這些復雜問題的解決帶來了希望。目前,智能計算方法已經成為國際上的一個研究熱點,研究領域主要包括粒子群算法、人工神經網絡算法、模擬退火算法、人工免疫算法、蟻群算法和蜂群算法等。如今,這些智能計算方法已經廣泛的應用于圖像處理、數據挖掘、智能控制、網絡優(yōu)化等領域。但是,這些算法也存在著一些共同的缺點,如精度不高

2、、收斂速度較慢、容易收斂到局部極小值、多樣性下降過快、參數敏感等問題,制約了算法的進一步應用。本文分析了這些算法存在的缺點,在繼承前人研究成果的基礎上進行了研究,主要做出了如下成果:
　　 (1).慣性權重在粒子群算法中起到重要的作用,本文綜合考慮了影響慣性權重的幾種因素,提出基于進化速度、聚集度和相似度動態(tài)改變慣性權重的粒子群算法。改進算法與待優(yōu)化算法的特點和范圍無關,參數不敏感,魯棒性較好,計算復雜度較低。同時由于考慮了進化

3、速度的影響,使得算法能夠更加智能的調整慣性權重,自適應地調整全局開發(fā)與局部開采之間的矛盾,更好的保持種群多樣性。實驗證明改進算法在收斂率、收斂精度和全局尋優(yōu)能力方面都優(yōu)于幾種有代表性的動態(tài)改變慣性權重的算法。
　　 (2).免疫理論是模仿生物免疫系統而提出的一種仿生算法,能夠有效地提高種群多樣性。目前已有多種文獻提出采用免疫算法提高粒子群算法的多樣性。為了克服粒子群算法易早熟、后期收斂慢的缺點,根據免疫優(yōu)化理論,本文提出一種改進

4、的個性化變異免疫粒子群算法。該算法通過對適應度較低的弱勢抗體群采用疫苗啟發(fā)式變異、柯西變異和對稱變異,加快了算法收斂速度,增強了算法逃離局部最優(yōu)的能力;通過對適應度較高的記憶抗體群采用正態(tài)變異和改進的混沌擾動,提高了算法的收斂精度。同時,算法中的交叉變異率均實行自適應調整。實驗結果表明本文算法優(yōu)于幾種典型的粒子群算法和基本免疫克隆算法。
　　 (3).利用多態(tài)蟻群算法和模擬退火算法的優(yōu)點提出了一種新的融合優(yōu)化算法。模擬退火用于優(yōu)

5、化每輪迭代后的路徑,使得信息素釋放更好的反映路徑的質量,退火思想同時用于信息素更新機制,避免算法早熟、停滯,較差的路徑按照退火競爭機制釋放信息素。由于每輪迭代最優(yōu)路徑釋放信息素最多,對其進行3-opt優(yōu)化,提高搜索效率。同時,新發(fā)現的最優(yōu)路徑允許釋放更多的信息素,使得螞蟻在后續(xù)迭代中能夠記住這條新路徑。實驗結果驗證了算法的有效性。
　　 (4).蜂群算法是最近提出的一種優(yōu)化算法,已被證明優(yōu)于傳統的優(yōu)化算法,但是對于不可分離變量的

6、函數則效果不佳。本文分析了蜂群算法的缺點,提出一種單維更新和整體更新交替進行的融合算法,通過計算單維開采成功率,動態(tài)地控制參數limit,達到平衡單維更新和整體更新的目的,避免算法在某一方面開采過深陷入局部最優(yōu)。整體更新階段采用基于試探機制的PSO算法,有效避免了傳統PSO算法中個體選擇方向的盲目性。在單維更新階段引入全局極值的影響,加強種群全局信息交流。實驗中將本文算法與國際上最新發(fā)表的幾種重要的粒子群變種和基本蜂群算法進行了對比,結

7、果表明本文算法在尋優(yōu)精度、收斂率和魯棒性上都優(yōu)于上述算法,對可分離變量和不可分離變量函數都有較好的效果。
　　 (5).研究了蜂群算法在模糊C均值聚類算法中的應用,提出了基于蜂群優(yōu)化的模糊核層次聚類算法。主要改進措施有:采用了核函數方法;增加了截集因子;采用本文改進的優(yōu)化算法對目標性能函數進行優(yōu)化;采用二叉樹分裂方式進行聚類,實驗結果證明了該算法能有效克服FCM算法的不足之處。
　　 (6)將基于蜂群優(yōu)化的模糊核層次聚類