论文部分内容阅读
随着社会和科技的高速发展,很多应用领域都会设计到优化问题。然而,很多需要被优化的问题都不满足连续可导等条件,因此我们需要寻找传统数学方法之外的其他算法进行研究。本文重心研究智能优化算法,针对他们的缺点进行改进,并将其应用到实际问题中来。在很多的传统智能优化算法中,粒子群算法(Particle Swarm Optimization)有很快的收敛速度,差分进化算法(Differential Evolution)相对而言收敛速度慢全局搜索能力强,而人工蜂群算法(Artificial Bee Colony)有更强的全局搜索能力,但是其收敛速度很慢且精度寻优能力不佳。为此,本文引用粒子群算法和差分进化算法的优点,对人工蜂群算法进行改进,并将其应用在实际应用领域。主要工作如下:(1)本文首先对粒子群算法,差分进化算法和人工蜂群算法的搜索公式特性进行分析,提取出粒子群算法和差分算法的优点,并将其运用于人工蜂群算法的雇佣蜂中,以提高搜索速度。此外,将全局最优的概念引入人工蜂群算法观察蜂的搜索公式中,以提高算法精度寻优的能力。对于侦查蜂的搜索机制,本文提出基于阈值的激活策略,并配合一个新的搜索公式使其在食物源附近进行搜索。最后,将改进的人工蜂群算法在标准测试函数上测试其搜索性能。(2)基于粒子群算法的优点,对人工蜂群算法中雇佣蜂和观察蜂的搜索公式进行改进,提出更为合理的搜索策略,以加快其收敛速度。此外,针对侦察蜂的特性,提出新的搜索机制,使其跳出局部最优的能力更强。最后,将此改进的人工蜂群算法应用到基于灰度的图像分割问题中,实验结果证明了算法的有效性。(3)针对人工蜂群算法收敛速度慢的特点,为雇佣蜂和观察蜂提出了智能学习的策略。在雇佣蜂中,为了更好的平衡全局和局部搜索,一个新的随机数生成方式也被提了出来。此外,为了克服在搜索过程中出现的震荡现象,一个新的方向搜索策略被应用于雇佣蜂的搜索过程中。对于最差的雇佣蜂,本文也提出了一种新的智能搜索策略以加强解的精度。最后,将此改进的人工蜂群算法应用与基于灰度的图像分割问题中,实验结果证明了算法的有效性。(4)细究PSO,DE和ABC的维数搜索策略,为人工蜂群算法的雇佣蜂引入更为智能的搜索方法。此外,提出从单维更新到全维更新转变的搜索策略,使得算法在初期具有强大的全局搜索能力,而在后期有更强的精度寻优能力,从而提高算法的搜索精度。最后,将此算法应用于特征选择问题上,以证明该算法在应用层面的有效性。