论文部分内容阅读
文化算法是在深入分析原有进化理论的优越性与不足的基础上,借鉴社会科学中的社会(文化)进化理论与已取得广泛共识的研究成果,而提出的一系列新的算法。文化算法是一种基于知识的双层进化系统,其包含两个进化空间:一个是由在进化过程中获取的经验和知识组成的信仰空间;另一个是由具体个体组成的种群空间。文化算法将种群知识和背景理论与己有的一些智能算法有机地结合起来,提高了算法的整体性能。文化算法在本质上属于优化技术范畴,故可以应用于自动控制、故障诊断、模式识别、图象识别、优化设计、机器学习和网络安全性等广泛领域。本文在这方面也做了一些初步的尝试。本文首先研究了进化计算理论发展现状,以及进化计算的主要分支及其之间的异同点,分析了进化算法的局限性。在此基础上,进行了以下研究工作:本文首先详述了文化算法的计算框架以及种群空间、信仰空间和各功能函数的设计。实际工程中的很多问题都可以转化为非线性约束或无约束优化问题,因此本文对用于解决此两类优化问题的文化算法分别进行深入的研究并利用标准的非线性约束或无约束函数集对其进行了性能仿真。仿真结果表明,引入信仰空间概念的文化算法能够有效地解决非线性无约束优化问题,不同类型的知识对解决不同类型的问题效果有所不同,但一般来说使用形势知识或者规范知识同时改变变量变化步长和前进方向的文化算法更具有通用性。而对于解决非线性约束优化问题,应用信仰元机制的文化算法可以表示、保存和整合约束知识和基于区域的知识信息,它提供了解决约束优化问题的一般方法,而且优化搜索开始前不需要或较少需要约束知识,必要的约束知识可以在进化计算的过程中获取。其次,本文以知识进化论为背景,根据波普尔著名的科学知识增长四段图式,提出了知识进化策略的基本框架,定义了知识进化策略有关的新概念并设计了各功能函数,然后提出一种用于求解无约束非线性优化问题的知识策略的具体实现步骤。知识进化策略的核心思想,就是假说集与知识集的协同进化,二者之间通过猜测与反驳法联系起来,其进化结果最终逼近真理,即待求解问题的最优解。仿真实验表明,知识进化策略算法具有优越的寻优性能。再次,本文对文化算法应用于聚类问题进行了尝试,针对基于目标函数的经典聚类算法容易陷入局部极小值和聚类准确率不高的缺点,提出了基于文化算法的硬C均值聚类算法、基于文化算法的模糊C均值聚类算法、基于文化算法的模糊C球壳聚类算法和基于文化算法的模糊C直线聚类算法。区别于一般启发式智能算法,文化算法的双层结构能够使搜索过程在经验知识的指导下进行,从而文化算法能以较快的速度收敛到全局最优解并且具有良好的鲁棒性。基于文化算法的聚类算法将文化算法的这种特点与经典硬C均值\模糊C均值\球壳\直线聚类算法的强局部寻优特点结合起来,从而克服了经典硬\模糊聚类算法的缺陷,提高了硬\模糊聚类算法的性能。仿真实验结果也证明了所提算法能够更有效、快速地解决聚类问题。最后,针对低副瓣阵列天线综合问题和宽零陷方向图综合问题,提出了相应的目标函数和基于文化算法的综合方法。仿真结果显示本文所提方法可以实现设计的要求,所设计的方向图相对于经典算法具有超低旁瓣电平和宽角度零陷。