论文部分内容阅读
萤火虫优化算法(Glowworm Swarm Optimization, GSO)是一种新型的群智能优化算法。该算法模拟自然界萤火虫的发光特性,通过比较荧光素值的大小达到交流信息的目的,从而实现问题的优化。该算法具有参数较少、操作简单且稳定性较好等优点。随着萤火虫优化算法理论研究的进展,其应用也越来越广泛,逐渐引起了国内外诸多学者的关注并加入到研究的热潮之中。但是,该算法的理论研究及应用研究刚刚起步,还有许多待改进之处。本文对萤火虫优化算法的理论基础、原理和实现方法等进行了详细的介绍,同时也分析了其存在的优缺点,在此基础上,对萤火虫优化算法进行了改进,提出了两种改进算法,提高了优化能力。本文的主要研究工作包括:(1)首先对群智能优化算法做了概述,介绍了几种比较常见的优化算法;然后对萤火虫优化算法进行研究分析,详细介绍萤火虫优化算法相关的理论基础知识,包括萤火虫算法的原理,实现步骤,以及目前的研究现状。(2)提出可自适应搜索的改进萤火虫算法。将自主随机搜索和步长自适应搜索机制引入萤火虫优化算法。改进算法的萤火虫个体可以在感知范围内自主寻找较优个体,对优秀个体的依赖程度减小,另外,通过比较邻域平均距离的大小,个体的移动步长可以在感知范围内适当调整,从而降低震荡现象,提高求解精度。通过实验结果的比较分析,改进算法的寻优能力更佳。(3)提出基于捕食搜索策略的萤火虫和粒子群混合优化算法。以捕食搜索作为寻优策略,在可自适应搜索的改进萤火虫算法基础上,融合粒子群优化算法,两种算法相互协作寻找优化问题的最优解。基于捕食搜索策略的萤火虫和粒子群混合优化算法采用粒子群优化算法进行全局搜索,寻找较优解,然后由可自适应搜索的改进萤火虫算法在较优解附近进行局部仔细搜索,找到最优解,这种搜索策略很好的平衡了全局搜索方法和局部搜索方法,提高了算法的整体寻优能力。实验结果表明,改进算法具有较好的优化能力。(4)对本文的研究以及相关工作进行了概括和总结,提出了下一步的研究方向。