论文部分内容阅读
群智能优化算法由于其实现简单,灵活性强,鲁棒性高等优点,得到了很多研究者的关注,并被广泛的应用于各种领域的优化问题。近年来,有很多新颖的群智能算法被提出,其中包括灰狼优化算法(GWO)、鲸鱼优化算法(WOA)和蚱蜢优化算法(GOA)。这些算法都是通过模拟动物的捕食和迁移行为实现的。虽然这些群智能算法与经典的群智能算法(如遗传算法,粒子群算法等)相比具有明显的优势,但是在优化实际问题时依然有着收敛速度慢,容易陷入局部最优的问题。本文针对这三种群智能优化算法各自存在的问题分别提出了改进方法,并将这些改进算法成功应用到现实优化问题。本文的主要研究内容如下:(1)在GOA的基础上,通过引入反向学习机制、Levy飞行机制和高斯变异机制提高算法的全局和局部搜索能力,提出了一种改进蚱蜢优化算法(IGOA)。在IGOA算法中,高斯变异机制首先被用来增加种群多样性,提高局部搜索能力。其次,利用Levy飞行提高GOA的随机性和跳出局部最优的能力。最后,反向学习机制被用来加快算法的收敛速度。基准函数优化实验的结果表明,IGOA与其他群智能算法相比,具有更强的全局优化能力。基于IGOA优化的混合模型IGOA-KELM在预测公司财务压力的实验中也取得了理想的结果。(2)针对WOA存在的问题,本文提出了一种基于混沌初始化策略,高斯变异和混沌局部搜索策略的改进鲸鱼优化算法(CCMWOA)。在CCMWOA算法中,混沌初始化策略首先被用来生成高质量的初始种群,这有利于提高算法的收敛速度。其次,高斯变异机制被用来保证算法在迭代过程中的种群多样性。最后,具有收缩性质的混沌局部搜索被用来提高WOA的局部探索能力。在基准函数优化实验中,与WOA相比,CCMWOA的全局优化性能得到了显著的提升。在CCMWOA优化三个具有约束条件的工程设计问题实验中,CCMWOA获得的设计方案明显优于其他算法。(3)为了更好的平衡GWO的全局搜索能力和局部搜索能力,本文提出了基于新层级结构的改进灰狼优化算法(IGWO)。在新层级结构中,Beta狼会围绕当前最优解(Alpha狼)进行局部搜索,提高算法的局部搜索能力。Omega对整个解空间进行随机全局搜索,避免了整个种群陷入局部最优的风险。在基准函数上的实验表明,IGWO的整体优化性能明显优于GWO以及其他常用的群智能算法。此外,基于IGWO构建了一种混合机器学习模型IGWO-KELM,并将该模型应用于诊断甲状腺癌。实验结果表明该模型可以达到86.11%的诊断精度,78.43%的敏感度和92.43%的特异度。