论文部分内容阅读
优化问题在我们生活中随处可见,其核心思想是在特定的条件下,通过设计合适的方案,在可行解范围内探索最优解。随着新技术的发展,问题的约束条件逐渐复杂,传统的求解方法心有余而力不足,群智能优化算法的诞生弥补了以上不足,该类算法可以更好的解决复杂、非线性、大规模的问题,具有灵活性好、鲁棒性强、求解效率高等优势,因此自从其被提出以来便受到国内外学者的研究和探索,并被广泛应用于各个领域。随着研究的不断深入,群智能优化算法的种类得到了不断的扩充以解决新的复杂问题,果蝇优化算法、花授粉算法、鲸鱼优化算法便是近10年被提出的新型的群智能优化算法,三种算法结构简单,易于理解且便于实现,但由于提出时间较晚,缺乏数学理论基础,算法具有收敛速度慢、易于陷入局部极值点、求解精度低等缺陷。为了解决上述缺陷,国内外学者分别从搜索半径、寻优公式、参数选择等多个方面对算法进行完善,提高了算法的寻优性能并扩充了应用领域,但是随着优化问题的日益复杂,算法的寻优能力需要不断地提升。因此,为了进一步提高算法的寻优性能,本文在结合前人研究的基础上,提出了三种新型改进算法,改进措施如下:(1)动态调整搜索策略的果蝇优化算法:首先,通过混沌映射改善初始位置分布,从而提升初始解的质量;其次,通过预测种群进化方向提高收敛速度;然后,通过随机选择动态调整的搜索半径,增强算法的搜索能力;最后,通过动态调整搜索策略,从而跳出局部最优点。(2)基于动态调整和协同搜索的花授粉算法:首先,通过霍尔顿序列改善初始位置分布,从而提高初始解质量;其次,通过细化种群内个体分工提高收敛速度;最后,通过动态调整转换概率及寻优公式平衡算法全局探索和局部开发能力,提升算法寻优精度。(3)动态搜索和协同进化的鲸鱼优化算法:首先,通过等价替换和Faure序列提高初始解的质量;其次,通过精英个体指导种群进化方向,通过变异策略跳出局部最优;最后,通过动态调整收敛因子和搜索方程,从而改善算法搜索能力。为了更好的验证以上改进措施的有效性,本文选取了多个测试函数在多种维度下对算法进行仿真实验:一是通过固定实验的迭代次数,分析比较各类算法的寻优精度和收敛速度;二是通过固定实验的收敛精度,分析比较各类算法的平均迭代次数和实验成功率。结果表明,本文提出的新型改进算法相比部分改进算法,具有更好的寻优性能。