论文部分内容阅读
在科学研究和工业设计中,很多现实问题常常被转化为优化问题。对于具有高维度、多参数等性质的问题,传统的优化方法求解是很困难的,因此,学者们相继提出具有自适应控制能力的元启发式群智能进化算法。和声搜索算法(Harmony Search,HS)是一种新开发的元启发式算法。该算法是一种无导数的实时参数优化算法,它从音乐即兴创作的过程中得到灵感,寻找一种完美的和声状态。和声搜索算法对数学要求较少,可以很容易地解决各种工程优化问题。但该算法在优化过程中容易陷入局部最优、收敛性差以及参数调整不灵敏等缺点。为了提高和声搜索算法的收敛性,避免早熟收敛和参数调整问题,改进的和声搜索算法不断被提出。本文阐述了和声搜索算法的研究背景,详细介绍了和声搜索算法的基本原理,同时在参数自适应、粒子群算法和差分进化算法的启发下,提出了两种不同的和声搜索算法改进策略,即半自适应和声搜索算法和融合差分变异的变规模和声搜索算法。并且在CEC 2014基准函数上与其它先进的改进和声搜索算法进行对比,结果表明,本文提出的改进和声搜索算法产生的结果更优,性能更好。文中第三章首先提出了一种半自适应和声搜索算法(SSaHS),该算法采用了带宽的自适应调整和粒子群精英学习优化策略。SSaHS算法采用和声记忆库中的最大值和最小值之间的差作为自适应调整的带宽。这样该算法它可以动态调整特定问题的带宽,增强局部开发能力,提高优化结果的准确性。为了验证所提出算法和学习策略的有效性,文中选用一套基准测试函数进行仿真实验。比较结果表明,半自适应和声搜索算法与基本的和声搜索算法和改进的和声搜索算法(IHS,GHS,NGHS)相比,它可以找到更好的解,有更高的性能。此外,根据差分进化策略以及莱曼均值,引入了差分算子以及算法参数自适应调整的概念,本文在第四章又提出了一种融合差分变异的变规模和声搜索算法(aHSDE)。利用差分变异的策略来对步长进行微调,这样可以给aHSDE算法提供一种有效的带宽调整方法,增强了和声搜索算法的性能。为了协调和声记忆库的多样性和收敛性,aHSDE算法对和声记忆的大小进行了线性调整。同时,利用周期学习和莱曼均值策略对微调概率PAR和变异率F进行自适应调整。aHSDE算法与基本的HS算法和先进的HS变种算法对CEC 2014基准函数上进行对比,表明aHSDE算法具有更强的竞争力和更好的收敛性。