论文部分内容阅读
在我们的生活中,有很多问题需要优化去解决,那么群智能(Swarm Intelligence)优化算法是一种经常被人们研究和利用的优化方法。群智能优化算法多是以仿生学为模型进行优化的,在整个群中有多个解或是多个个体组成,他们通过某种特殊方式进行信息的交互和传递,最终实现寻优的。如今被人们经常研究的也是比较成熟的优化算法有粒子群算法,蚁群算法,遗传算法,神经网络算法。随着科技不断的进步和工业的不断发展,优化算法的重要性逐渐地体现出来,随之而来的,对于优化算法的计算效果和精准程度也要求得越来越高。在最近几年的研究中,人们对智能优化算法进行不断地改进,加快它的收敛速度,提高它的寻优精度,减少环境因素对其产生的重大影响,以便更好地应用在实际问题上。粒子群算法(Particle Swarm Optimization Algorithm)是一种被广泛研究的算法,它的思想简单,编程较为容易实现,而且能够更好地应用在实际的工程问题中。粒子群算法通过模拟鸟群的觅食行为进行问题的寻优的。如今,人们对于粒子群算法的研究主要在于算法本身的改进和汲取算法的优点并融入到其它算法中。对算法的改进主要集中在参数的选取,收敛性的分析,对初值条件的限制,对生物活动行为的探究。在融合方面,粒子群算法可以与蚁群算法,遗传算法,模拟退火算法进行适当的融合研究。人工鱼群算法(AFSA)是一种新兴的算法,它的形成和运用比较晚,它是模拟鱼群在生活行为而衍生的一种优化算法。目前,人们集中对鱼群算法的理论性进行研究。该算法的实现较为容易,约束条件较少。所以,人工鱼群算法在实际问题上的应用有着很大的潜力。本论文主要完成了以下三项工作:第一个工作是对粒子群进行适当地改进,对惯性权值进行重新构造,让其以非线性的形式缓慢地下降。这样惯性权值较好的改变会提高全局的寻优效果,加快了寻优的速度。再对学习因子进行改变,让其有一个随寻优的需要而改变的形式。在每个时段有着不同的学习能力,增强寻优效果。最后将改进的粒子群算法与混沌优化算法进行适当地融合,能更好避免算法陷入局部极小值。这部分的内容为本文第二章。第二个工作是介绍了新兴的智能优化算法—人工鱼群算法。对人工鱼群算法的形成原因、工作原理、算法描述、相关参数对其产生的影响、算法的本身的优劣性和研究现状都进行了详细的描述。针对人工鱼群算法的问题做了适当的改进,保留原算法的优势加入鱼群的吞食能力,最后将改进后的算法与第二章中改进的粒子群算法进行融合,这样形成了一种新的改进型鱼群算法—MCP-AFSA。用测试函数对其进行仿真测试,结果证明这种新算法收敛速度快,搜索精度高,而且能够更好地寻找出全局最优值。这部分内容在本文的第三章,第四章。第三项工作是将这种算法应用在水下潜器的路径规划中,对水下三维空间进行三维建模,提取真实水深数据,将三维空间转化为二维平面,通过实验结果可以看出,MCP-AFSA算法可以找出一条较优的前进路线。