论文部分内容阅读
群体智能算法作为元启发式智能优化算法的一个重要分支,因其较强的自适应性并可用来解决传统确定性优化算法难以解决的复杂优化问题,而受到众多学者的青睐。灰狼优化算法作为一种2014年提出的新兴群体智能优化算法,虽然有诸如参数少、易于实现、局部寻优能力强等优点,但仍然存在着易早熟收敛,面对复杂问题时收敛精度不高,收敛速度不够快等缺点,而且目前其应用领域范围较窄。鉴于此,本文对标准灰狼优化算法做出了改进,并将改进的灰狼优化算法实际应用于FIR数字滤波器和阵列天线的设计领域上。论文的主要研究成果包括:1.从算法的基本原理和数学模型两方面深入地研究了标准灰狼优化算法,分析了算法的收敛性,并和粒子群算法、差分进化算法两种典型的智能优化算法进行了实验测试对比,指出了算法的不足,为后续改良提供思路。2.为进一步提高灰狼优化算法的寻优能力和收敛速度,本文对算法做出的主要改进如下:首先,运用佳点集理论初始化种群以保证初期均匀性。其次,融合差分进化算法以提升全局寻优能力,提出了一种新的自适应变异方法和外推策略。然后,在分析标准灰狼优化算法的位置更新机制后提出了一种分段更新步长的策略保持种群的多样性。此外,将算法的原始搜索空间映射至超球面做轻微扰动,避免算法早熟收敛。最后,对全局最优位置采用逐维更新策略,提高算法的寻优效率和全局寻优能力。利用标准测试函数验证了改进算法的有效性。3.将改进之后的灰狼优化算法应用于FIR数字滤波器系数的优化;4.将改进后的灰狼优化算法应用于阵列天线领域,经由实验测试可知,改进后的算法相对于传统解析方法和标准灰狼优化算法具有明显优势。