论文部分内容阅读
优化问题存在于科学研究、工业技术等多个应用领域,现实的优化问题变得日益复杂,因此人们对高效的优化技术和新兴的优化算法的研究迫在眉睫。拟态物理学算法是一种受物理学规律启发通过模拟物体间虚拟力作用力及物体运动遵循牛顿第二定律的算法。该算法通过模拟物体间虚拟力作用力,适应值较优个体吸引适应值较差个体,适应值较差个体排斥适应值较优个体,适应值最优个体吸引其他所有个体,从而实现种群寻优。但是对于一些难优化的问题易受单一全局最优解的吸引,出现局部最优解。鉴于这一局限性,本文受机器学习理论启发,引入精英学习策略,给出基于精英学习的拟态物理学优化算法框架,让种群个体向多个精英个体进行学习以提高个体学习的多元性。针对该框架设计了不同的方案,该算法包括三个阶段,分组,组内学习,组间学习,本文分别对这三个阶段进行了设计,并且仿真实验对不同设计方案进行了对比分析,验证了该算法的可行性和有效性。随后,在该框架的基础上,结合反向学习,种群多样性等对算法作进一步的改进,分别提出了基于反向学习、种群多样性、自适应迭代概率选择的精英学习APO优化算法。经过理论分析和仿真实验分析验证,相较其他算法而言,改进的算法具有很强的优越性,寻优结果证明其搜索精度和速度获得了显著提高,体现了较强的寻优能力。最后,本文分别将APO算法与改进GEAPO_div算法应用于滚切剪剪切机构的优化设计中,在建立该机构模型的基础上,运用这两种算法进行优化求解,结果GEAPO_div算法得到了较为理想的轨迹曲线和机构设备的杆长参数,验证了模型的有效性。为了以可视化的界面为用户提供便利,运用MATLAB/GUI图形开发工具实现了滚切剪剪切机构仿真平台的设计与开发。