论文部分内容阅读
随着工程技术领域和科学计算规模的日益增长,传统数值计算方法不能解决复杂的优化问题。近年来,学者们发现模拟自然界生物习性的智能优化算法可以有效解决传统数值计算方法在面临复杂问题时的缺陷,并能广泛应用到许多领域中。蚁狮优化算法(Ant Lion Optimizer,ALO)是2015年澳大利亚学者Seyedali Mirjalili提出的一种群智能优化算法,因其调节参数少,低维收敛精度高,易于实现等优点,引起了诸多学者的关注。目前该算法已成功用于解决杠杆结构优化、电力系统的无功优化调度和无人机航线规划等许多问题。但蚁狮算法其本身还存在着易陷入局部极值、探索和开发能力不平衡等不足,尤其是高维求解性能较差,影响其大范围的应用。为了避免这些问题的产生,本文在查阅大量文献和多次实验测试后,对蚁狮算法进行改进,并将改进后的算法应用于函数优化和船舶航路规划问题中。主要工作如下:(1)为了解决蚁狮算法高维求解性能较差的问题,提出了一种优选策略的自适应蚁狮优化算法(PSALO)。首先,在蚂蚁围绕蚁狮游走的过程中引入自适应边界机制,增加蚂蚁种群活跃性,防止算法陷入局部极值;然后,在通过轮盘赌选择蚁狮中加入优选轮盘赌策略,保持蚁狮个体多样性的同时加快算法的收敛速度;最后,在蚂蚁位置更新公式中加入动态比例系数,提高了算法前期的探索能力和后期的开发能力。分析证明了PSALO的时间复杂度,实验结果表明PSALO受维度变化影响很小,高维求解能力更强更稳定。(2)针对基本蚁狮优化算法求解船舶航路规划问题时存在易陷入局部极值、寻优精度较低的不足,提出一种具有扰动和变异策略的混沌初始蚁狮算法(DMCALO)。首先,通过Chebyshev映射对蚁狮算法的初始化进行改进,提高了蚁狮算法的种群多样性;然后,引入一个具有随机小幅震荡递减特性的扰动项,将其加入到蚂蚁位置确定公式中,不但增加了蚂蚁的活跃性和多样性,而且提高了算法的全局搜索能力;最后,在蚁狮位置对比更新公式加入变异操作,对适应度值较差的蚂蚁进行beta变异,防止算法陷入局部极值。分析证明了DMCALO算法的时间复杂度,实验结果显示,DMCALO具有较好的求解能力,高维度求解适应能力强。(3)把DMCALO与船舶航路规划问题进行转化,建立二维船舶航路规划数学模型,构建合理的目标函数与编码方式。通过简单环境、一般环境和复杂环境与其它4种算法进行船舶航路对比实验,证明了DMCALO算法在求解船舶航路规划问题中的有效性。