论文部分内容阅读
在求解复杂问题时,单一群智能优化算法表现出如下缺陷:精度不高、泛化能力弱、易陷入局部最优等。由于群智能混合优化算法综合利用各种群智能优化算法的差异性与互补性,能实现优势互补与信息增值,进而提高其求解复杂优化问题的整体性能。本文侧重于改进粒子群优化算法和人工蜂群算法,引入混沌优化算法、差分进化算法等多种智能优化算法,提出新的群智能混合优化算法以提高算法的收敛速度,避免算法陷入局部最优,并用于解决实际优化问题。本文的主要研究内容如下:(1)改进混沌粒子群优化算法及应用针对粒子群优化算法后期收敛速度慢、易陷入局部极小等问题,引入混沌优化算法和早熟收敛的判断及处理机制,提出了改进混沌粒子群优化算法(Improved Chaotic Particle Swarm Optimization, ICPSO)。算法分析及函数优化实验表明,该算法加快了收敛速度,避免了后期振荡。将ICPSO算法分别应用于支持向量机和动态模糊神经网络的参数组合寻优,并应用于煤与瓦斯突出预测。相关对比实验结果表明,ICPSO能有效地获取最优参数组合,具有精度高、收敛快、迭代次数少的特点,提高了支持向量机和动态模糊神经网络的建模效果和预测精度。(2)混沌差分进化粒子群的协同优化算法为有效地改善差分进化粒子群优化算法的寻优效率和全局搜索能力,引入混沌优化、反向学习策略和信息交互机制,提出了混沌差分进化粒子群的协同优化算法。该算法利用反向学习策略初始化种群,使得初始化个体尽可能均匀分布在搜索空间,接着将种群随机等分为双种群,并对双种群分别采用混沌差分进化算法和ICPSO进行协同寻优。算法分析及函数优化实验结果表明,与目前性能较好的同类算法比较,该算法在避免早熟收敛、寻优精度、收敛速度、全局搜索能力和鲁棒性方面效果更好。(3)自适应Tent混沌人工蜂群算法人工蜂群算法在接近全局最优时,其搜索速度变慢,且种群多样性减少,而陷入局部最优。同时,考虑到Tent混沌映射比Logistic混沌映射具有遍历均匀性和迭代速度快的优点,提出了一种自适应Tent混沌人工蜂群算法,改善人工蜂群算法的收敛速度和避免早熟收敛。该算法应用Tent混沌反向学习策略初始化种群,使得初始个体尽可能均匀分布;利用自适应调整混沌搜索空间,在最优解产生Tent混沌序列;并在跟随蜂阶段引入锦标赛选择策略。算法分析及仿真结果表明,该算法的收敛速度和寻优精度明显优于人工蜂群算法,尤其适合求解复杂的高维函数寻优。利用自适应Tent混沌人工蜂群算法优化支持向量回归模型的参数组合,并应用于电力负荷预测。相关对比实验结果表明,提出的算法能够有效地获取最优参数组合,且优化的SVR回归模型能获得良好的建模效果和更高的预测精度。(4) Tent混沌人工蜂群与粒子群混合算法考虑到入工蜂群算法的全局搜索能力(勘探)强、局部搜索能力(开采)弱,而粒子群优化算法的全局搜索能力弱、局部搜索能力强,结合自适应Tent混沌搜索、反向学习策略和重组算子,本文提出了Tent混沌人工蜂群与粒子群的混合算法。该算法使用Tent混沌反向学习策略初始化种群,使初始个体尽可能均匀分布。引入协同进化思想将初始种群划分为双种群,对双种群分别采用自适应Tent混沌人工蜂群算法与Tent混沌粒子群优化算法协同进化,再利用重组算子选择最优个体作为跟随蜂的邻域蜜源和粒子群的全局极值。将Tent混沌人工蜂群与粒子群的混合算法应用于复杂高维基准函数寻优。实验结果表明,该算法不仅能有效地避免早熟收敛,而且能有效地跳出局部极小值,与其它粒子群优化和人工蜂群的混合算法相比,具有更强的勘探能力和开采能力。最后将其应用于解决多序列比对问题。实验结果表明,提出的算法能有效地解决多序列比对问题,而且能获得良好的比对效果,鲁棒性强。(5)群智能混合优化算法在入侵检测中的应用核主成分分析(kernel principal component analysis, KPCA)是一种非线性特征提取方法,支持向量机(support vector machine, SVM)的泛化能力和拟合精度取决于其相关参数的选取,本文综合KPCA和群智能混合优化算法,提出了新的SVM入侵检测分类模型。在提出的模型中,KPCA对原始数据样本进行特征提取,以减少特征向量的维数和缩短训练时间;多SVM分类器用于判断是否为攻击行为;同时,为了减少不同特征引起的噪声和提高SVM的性能,在RBF核函数中引入特征属性的均值和均方差,以缩短SVM的训练时间;最后应用本文提出的四种群智能混合算法优化SVM的相关参数。实验结果表明,提出的SVM入侵检测模型具有更好的检测性能和良好的泛化能力。