论文部分内容阅读
智能优化算法利用群体中个体间的信息交互及合作来实现寻优的目的,具有概念简单、实现方便、效率较高等特点,在许多实际优化问题的求解上取得了成功.目前,智能优化算法已成为优化算法研究领域的一个热点.本文从智能优化算法的改进和应用两个方面进行了研究.首先对人工蜂群算法进行改进用来求解单目标优化问题.人工蜂群算法是近年来提出的一种新的群智能优化算法,该算法的控制参数少,求解多峰、高维的优化问题效果显著.本文在原人工蜂群算法的基础上,改进了采蜜蜂和观察蜂的搜索机制,主要表现在:(1)在采蜜蜂中引入了随机梯度搜索方法,增强其局部搜索能力,提高搜索效率;(2)观察蜂借鉴差分变异的思想,提出了一种新的搜索方法,增强全局搜索能力.通过和人工蜂群、差分进化、粒子群算法的数值实验比较,表明改进的人工蜂群算法求解精度高、收敛速度快、鲁棒性好,相比其他三个算法有更好的求解性能.其次通过分析研究几种比较经典的求解多目标优化问题的进化算法,提出了一种新的混合进化算法.新算法中不仅利用支配数定义适应值函数、拥挤算子维持解的多样性,而且采用了存档的思想,加快算法的收敛速度确保精英解不会流失.当目标的维数增加时,在非劣解之间按k-近邻算子,选择距离较大的个体保留下来.数值试验表明,该算法提高了求解速度,同时也保证了非劣解的均匀分布性.最后讨论了混沌系统控制与同步问题.首先将该问题转化为函数优化问题;其次提出了一种新的智能算法—CDEM算法,该算法将差分进化算法与细菌觅食算法相融合,提高差分进化算法的收敛性,并利用遗传变异算子保持种群多样性,提高搜索效率;最后利用CDEM算法求解典型的混沌系统Hénon Map的控制与同步问题.数值试验表明,CDEM算法不仅能有效的求解该问题,而且稳定性好.除此之外,还分析了CDEM算法中各个参数对结果的影响.