頭腦風(fēng)暴優(yōu)化算法及其應(yīng)用研究.pdf

1、優(yōu)化技術(shù)是以數(shù)學(xué)為基礎(chǔ)的計(jì)算機(jī)應(yīng)用技術(shù),用來求解各種工程問題的最優(yōu)解或滿意解。隨著現(xiàn)代經(jīng)濟(jì)迅速發(fā)展,優(yōu)化計(jì)算越來越受到社會(huì)的關(guān)注,已經(jīng)成為相關(guān)部門亟待解決的問題。受人類創(chuàng)造性解決問題過程—頭腦風(fēng)暴會(huì)議的啟發(fā),2011年史玉回老師在第二次群體智能國際會(huì)議(The Second International Conference on Swarm Intelligence(ICSI11))中提出一種新的群智能優(yōu)化算法—頭腦風(fēng)暴優(yōu)化算法,算法采

2、用聚類思想搜索局部最優(yōu),通過局部最優(yōu)的比較得到全局最優(yōu);采用變異思想增加了算法的多樣性,避免算法陷入局部最優(yōu),在這聚與散相輔相承的過程中搜索最優(yōu)解,思想新穎,適合于解決多峰高維函數(shù)問題。而不同的聚類和變異方法對算法會(huì)產(chǎn)生不同的影響,為了進(jìn)一步研究算法及其性能,論文主要完成以下幾個(gè)方面的工作:
　　首先,通過對頭腦風(fēng)暴優(yōu)化算法參數(shù)的分析,明確了各個(gè)參數(shù)對算法性能的影響,通過減少算法的參數(shù),降低了算法的復(fù)雜性,并且根據(jù)參數(shù)在不同迭代階

3、段對算法的影響,使各個(gè)參數(shù)在算法尋優(yōu)過程中呈線性變化,從而提高了算法的收斂效果。通過標(biāo)準(zhǔn)測試函數(shù)對算法的有效性進(jìn)行了驗(yàn)證;
　　其次,算法模仿了人類“頭腦風(fēng)暴”會(huì)議解決問題的過程,通過聚類方法將信息量分類,每個(gè)類中的聚類中心代表了局部最優(yōu)解,經(jīng)過向聚類中心學(xué)習(xí)從而搜索局部最優(yōu),向類中信息量的學(xué)習(xí)增加解的多樣性,向兩個(gè)信息量學(xué)習(xí)來跳出局部最優(yōu),通過對各個(gè)聚類方法優(yōu)缺點(diǎn)的分析,本文采用了OPTICS聚類方法來實(shí)現(xiàn)算法的這一功能。通過對

4、文獻(xiàn)中的標(biāo)準(zhǔn)測試函數(shù)仿真,結(jié)果表明,算法具有更好的收斂效果;
　　再次,算法模仿了人類“頭腦風(fēng)暴”會(huì)議解決問題的過程,采用對信息量變異實(shí)現(xiàn)學(xué)習(xí)并產(chǎn)生新的信息量的過程,通過對多種常用變異方法優(yōu)缺點(diǎn)分析,本文采用云模型中的X條件云發(fā)生器實(shí)現(xiàn)變異操作。理論分析結(jié)果表明算法的收斂性和高效性,通過對多個(gè)基準(zhǔn)測試函數(shù)的仿真結(jié)果表明,該算法對于求解多峰函數(shù)優(yōu)化問題具有很好的性能;
　　最后,將頭腦風(fēng)暴優(yōu)化算法及其改進(jìn)算法用于電力系統(tǒng)經(jīng)濟(jì)調(diào)