论文部分内容阅读
在科学研究与工程实践中,存在许多非连续、不可微、不可导等复杂优化问题,这些复杂优化问题涉及的决策变量不断增加,问题规模不断增大。比如,在物流服务中,存在一类复杂优化问题——库存路径问题(Inventory routing problem,IRP)。IRP涉及库存与运输之间的“效益背反”关系,属于NP难问题。对于这些问题,传统的优化方法往往无法有效地求解,而群智能优化算法可以有效地求解此类问题。头脑风暴优化算法(Brain Storm Optimization,BSO)是群智能优化算法中的“新星”。它受决策中头脑风暴法的启发而被提出,是一种基于人类智能的优化算法,在群智能优化算法中具有较强竞争能力。虽然BSO算法在处理优化问题时能得到较好的结果,但是它也和绝大多数群智能优化算法一样,存在收敛速度慢、易于陷入局部最优等不足。本文对BSO算法的不足展开研究,并将BSO算法应用于求解复杂优化问题、大规模优化问题和IRP。首先,研究提升BSO算法的性能。本文提出了基于角色扮演策略的头脑风暴优化算法(BSO with Role-playing Strategy,RPBSO)。RPBSO 设计“角色扮演”分组机制提高算法的全局搜索能力,使用想法差异策略加快算法的收敛速度并提升局部搜索能力,引入重新初始化使算法跳出局部最优。实验结果表明了RPBSO算法的有效性。其次,设计一种新颖的分布式BSO算法。为了提升算法的时间效率,利用云计算技术,提出一种分布式BSO算法。分布式BSO算法基于RDD模型,并使用了一种随机分组策略(Random grouping,RG)。通过在CEC 2010大规模优化基准函数上的实验,验证了分布式RGBSO算法的可行性,并验证了分布式RGBSO算法的加速比。最后,针对IRP开展应用研究。首先建立IRP问题的数学模型,然后分别利用RGBSO和分布式RGBSO算法进行求解。通过50个IRP实例对提出的两种BSO算法进行实验验证,实验结果表明两种算法均有效,且分布式设计方案的求解效果更佳。