论文部分内容阅读
近年来,现代启发式智能优化算法在生物学、物理学和人工智能的基础上得到了发展,这类算法普遍具有鲁棒性强、通用性强、高效的优化性能等优点,已经被广泛的应用在计算机科学、组合优化、优化调度、工程优化设计、运输问题等领域上。启发式优化算法是一个在直观或经验基础上构造的算法,即在可接受的空间或时间内给出组合优化问题的可行解,该可行解与最优解的偏离程度事先是不一定可以预估的。相对于基本的优化算法比如powell算法、牛顿迭代算法等,启发式优化算法具有求解时间已知,简单易行,速度快等优点。算法主要有模拟退火算法、禁忌搜索算法、蚁群算法、遗传算法、人工免疫算法、人工神经网络、差分进化算法、粒子群算法等,这些算法都具有称为“邻域搜索”的结构:算法从一个(组)初始解开始,在关键参数的控制下,首先通过邻域函数产生出若干个(组)邻域解,同时按接受条件更新当前的状态,然后再按照关键参数修改准则来调整参数变量,并且在满足算法的收敛准则条件下重复上述的搜索步骤,最终就会得到问题的最优解。在实际应用中,许多问题被证实为NP(Non-DeterministicPolynomial,非确定多项式)类问题,如旅行商问题(TravelingSalesman Problem,TSP),0-1背包问题(Knapsack Problem),加工调度问题(Scheduling Problem)以及装箱问题(Bin PackingProblem)等,我们常常不能给出解决该类问题的有效算法,但是其中有一个合理的求解办法就是寻找一种启发式算法。然后在允许的计算复杂性的条件下使用启发式算法,我们便可以得到该类问题的局部最优解或近似最优解。启发式算法的关键在于相关问题评价函数的选取,在这里我们通常根据实际问题的性质来选取评价函数。本篇论文主要分两大部分:(一)Xin-She Yang教授受到蝙蝠回声定位行为的启发,于2010年提出了一种新型的启发式算法,称为蝙蝠算法(BA),随着逐步深入的研究,算法逐渐应用于工程中的多目标优化问题中,但该算法也存在着收敛速度慢,易陷入局部最优,求解精度不高,出现震荡等缺点。这部分就基本蝙蝠算法提出了一种自适应变步长蝙蝠算法(VSABA算法),并使用这种新型的元启发式算法以及其改进算法来解决具体的NP应用问题(0-1背包问题)。(二)介绍了基于鸟群飞行觅食的一种启发式算法--粒子群优化算法,为了提高算法的优化能力,我们提出两种改进的粒子群算法,算法通过寻找潜在的最优点来实现优化,使每个粒子都朝这个方向作一些调整,从而使算法跳出局部极值。最后利用提出的改进粒子群算法解决投资组合模型中权重的选择问题,并且与传统的粒子群算法求解结果进行对比,结果表明改进的方法所得结果收敛效果更好、精度更高,为广大的投资者在资产选择上提供了理论支持。现代启发式算法的研究,在理论方面还处在不断发展中,由于目前的研究成果十分分散,所以还需要建立一个完整的理论体系;其次,我们需要利用各个启发式算法所具有的的优良性能,把它们完美的结合起来变成更好的算法来解决具体的应用问题。