论文部分内容阅读
文化算法提供了一种明确的机制来表示、存储和整合进化过程中的知识。其主要思想:在进化过程中,从进化的种群中获取待解决问题的经验知识,将这些经验知识存储在信念空间中,并用这些知识来指导种群进化过程,从而提高搜索效率。因此在一些问题上取得了比传统进化算法更好的结果,特别是在求解约束优化问题方面,全局优化能力和计算效率明显优于传统进化算法。目前文化算法应用于机器学习、自动控制、语义网络、生产调度等广泛领域。对于每一特定问题,文化算法的难点及其关键在于信念空间模型的设计和影响函数的实现。本文在深入研究文化算法基础上,将进化规划和差分算法纳入文化算法框架,并用改进的文化算法求解约束优化问题和Flow Shop调度优化问题。本文主要工作如下:(1)首先对文化算法的来源、基本原理、机制、特点及应用等进行了系统研究和详细阐述;(2)提出了一种基于进化规划的文化算法,该算法在基于自适应的文化算法中引入进化规划,有效利用进化过程中相关知识引导种群进化,在很大程度上提高了收敛速度。(3)提出一种基于文化算法和改进差分进化算法的混合优化算法,该算法将改进差分进化算法引入种群空间的进化操作,从而实现改进差分进化算法在进化过程中知识的动态获取和知识对改进差分进化种群空间进化的有效指导,保证了种群的多样性和收敛速度。(4)用benchmark函数对上述两种优化算法进行仿真,试验结果表明两种算法均优于传统的进化算法。(5)用CAEP和CAMDE算法求解丁烯烷化生产过程的约束优化问题,并用CAMDE算法求解Flow Shop调度优化问题。经仿真测试,两种算法都具有很好的搜索性能,同时证实了文化算法求解生产调度问题的可行性。