论文部分内容阅读
优化是应用数学和计算科学领域中的重要研究分支,元启发式算法已经成为优化领域最热门的研究方向之一。随着计算机技术的不断发展,越来越多新颖高效的元启发式算法已经被广泛应用于多个工程应用领域。回溯搜索优化算法(BSA)是一种基于种群的新兴元启发式算法,其独具特色的记忆历史种群功能使得该算法在每次进化过程中能够同时利用当代信息和历史信息,此外BSA还拥有较强随机性的变异算子和依概率调用的双交叉机制,这些优点使得BSA具有强大的全局勘探能力。然而,BSA仍然存在不足:一方面,BSA的变异控制参数波动范围过大,易造成算法局部开采能力的不足,影响了收敛速度;另一方面,当历史信息和当代信息趋于相同时,算法易陷入局部最优。为此,本文在对BSA的改进和应用研究进行了全面地综述后,提出了两种基于自然启发的改进BSA以提高算法的优化性能,并将改进算法应用于实际约束工程优化问题的求解中,主要研究工作如下:1.介绍了BSA的设计原理和算法框架,分析了该算法的优缺点,并系统地综述了BSA的改进及其应用研究,为后续的算法改进研究提供了一定的基础;为检验BSA的性能,提出了基于BSA不等距节点分割的数值积分方法并用于求解复杂数值积分算例,算例的结果说明了BSA的性能较同类算法具有更强竞争力。2.针对BSA的变异控制参数(F)波动幅度较大从而影响收敛速度这一不足,提出了一种受模拟退火启发的改进回溯搜索优化算法(BSAISA)。通过学习模拟退火中的接受概率特性,重新设计了一种能够自适应减小的F值,该策略能够为算法在迭代前期的全局勘探和后期局部开采提供一个有效权衡。在两套约束优化测试集上的实验结果验证了改进算法的优秀性能。3.为进一步提高算法的性能,在BSAISA的改进研究基础上,又引入了一种新的自然启发改进策略,即物种进化规则,进而,提出了受模拟退火思想和物种进化规则而启发的新改进回溯搜索优化算法(SSBSA)。新的改进策略借鉴了物种进化规则中的指定保留机制,利用适应度反馈信息的指导,保留前代指定的历史种群oldP和参数F到下次迭代中,这种独特的保留机制可以提高BSA的局部开采能力并有效避免了算法陷入局部最优。SSBSA在若干约束工程优化问题上进行了仿真实验,实验结果验证了SSBSA的性能优于BSAISA和BSA;而且,其与其他同类算法的对比结果,验证了该算法在收敛速度方面更具竞争力。