论文部分内容阅读
自然科学和社会经济的诸多问题均可描述为优化问题,对优化问题高精度求解算法的研究一直吸引着众多的研究者。鲸鱼优化算法(WOA)是一种新型的基于种群的随机寻优方法,通过收缩环绕和螺旋更新趋于全局最优解,在众多领域表现优异,但是在处理复杂优化问题时,仍然存在收敛速度慢,计算精度低,陷入局部最优解等缺点,因此,针对这些问题,本文提出了三种改进的鲸鱼优化算法,并分别将其应用于特征选择、S-λ曲线降阶、水资源需求预测,具体研究内容如下:1.提出了一种基于自适应邻域和二次插值策略的鲸鱼优化算法(QINWOA)。新算法设计自身到其他鲸鱼的平均距离作为自适应邻域半径计算方法,选择向邻域中的最优解学习代替随机学习策略;利用二次插值函数的驻点逼近目标函数的最值点,在继承了原始算法全局搜索能力的同时,增强了开发能力,提高了整个种群的质量,进而提高了算法的收敛速度。提出了基于二值化QINWOA的封装特征选择方法。23个标准测试函数的数值实验验证了 QINWOA优于当前流行的9个对比算法。12个来自UCI知识库的标准数据集测试了 QINWOA用于特征选择的有效性。实验结果表明,QINWOA在提高分类准确性和减少特征数方面优于其他6个对比算法,确保了 QINWOA在搜索特征空间上具有较强的寻优能力。2.提出了一种基于偏正态云模型的鲸鱼优化算法(SNCWOA)。由于鲸鱼的觅食行为具有随机性和模糊性,而云模型是一种有效地描述认知不确定性的模型,能综合反映概念的随机性和模糊性,偏正态分布能更好的描述环境变化时生物的行为态势,所以将偏正态分布和云模型相结合,利用偏正态分布及偏正态隶属度函数建立新的云模型一偏正态云模型。利用偏正态云模型修正WOA算法的收缩环绕和螺旋更新机制,并设计偏正态云中的自适应的位置参数和偏度参数,增强WOA早期的探索能力和后期的开发能力,提出了基于偏正态云模型的鲸鱼优化算法。最新的CEC2017标准测试集的实验结果验证了不同维数下SNCWOA的有效性;S-λ曲线降阶约束优化问题,验证了算法的实用性。3.提出了一种基于社会学习和小波变异策略的鲸鱼优化算法(ASLWMWOA)。新算法设计了新的线性递增概率,增加了算法全局搜索的可能性;利用社会学习原理,根据社会地位和社会影响力为个体构建社会网络,建立基于网络关系的自适应邻域学习策略,实现群体间的信息交流与共享;融入Morlet小波变异机制实现变异空间的动态调整,增强了算法逃离局部最优解的能力。CEC2017标准测试集证实了新算法的优越性。水资源需求预测能够促进水资源的合理利用,缓解水资源需求压力。通过分析水资源的使用情形,建立了对数模型、线性和指数组合模型以及线性、指数和对数混合模型三种水资源需求预测模型。选取中国陕西省2004-2016年用水量进行实验,结果表明ASLWMWOA算法求解三种水资源需求预测模型的性能优于其他对比算法,其预测精度高达99.68%,验证了模型有效性的同时证实了新算法的实用性。