论文部分内容阅读
群智能优化算法是一类受自然现象和生物行为启发的仿生随机方法,由于其计算性能好,模型简单,能够处理某些高维复杂多变的优化问题,已成为一个很有前景的课题。蝴蝶优化(Monarch Butterfly Optimization,MBO)算法是群智能优化算法之一,其模拟了自然界中黑脉金斑蝶的迁移行为。由于MBO算法参数少并且易于实现,已经被广泛应用到很多领域,如0-1背包问题、神经网络训练、动态路径规划问题、骨质疏松症的分类问题等。本文介绍了MBO算法的产生,描述了MBO算法的步骤,对MBO算法的国内外研究现状进行了简单概述,分析了MBO算法存在的缺陷。为了进一步提升MBO算法的性能并拓展其应用,本文针对MBO算法存在的问题,提出了两种改进的MBO算法,并将其中一种改进的MBO算法应用于聚类优化问题。主要研究内容如下:(1)针对MBO算法易陷入局部最优和收敛速度慢的问题,提出了一种基于交叉迁移和共享调整的改进蝴蝶优化算法(MBO with Cross Migration and Sharing Adjustment,CSMBO)。首先,将MBO算法的迁移算子改为基于维度垂直交叉操作的交叉迁移算子,克服原始迁移算子更新方式单一的缺陷,而且增加种群的多样性,这在一定程度上能够避免算法陷入局部最优;其次,用具有信息分享功能的共享调整算子替换原始调整算子,加快算法的收敛速度;最后将MBO算法中的精英保留策略改为贪婪选择策略,减少精英参数的设置,最终得到CSMBO算法。为了验证CSMBO算法的优化能力,在一组多维度的基准函数上进行了对比实验,实验结果表明与其他三种对比算法相比,CSMBO算法在解决函数优化问题时具有更好的全局搜索能力和局部搜索能力。(2)针对MBO算法在处理复杂优化问题上性能不佳的问题,提出了一种基于反向学习和随机局部扰动的改进蝴蝶优化算法(MBO based on opposition-based learning and random local perturbation,OPMBO)。首先,反向学习作为一种广泛使用的技术被引入MBO算法,反向学习生成的候选解比原始解有更好的机会接近全局最优,该过程可以有效地避免算法陷入局部最优。其次,定义了一种新的随机局部扰动并引入迁移算子。该操作共享了优秀个体的信息,有助于引导一些较差个体向最优解方向移动,从而可以有效地消除算法过早收敛的现象。同时,采用贪婪选择策略代替精英保留策略,以适者生存的原则保留最优候选解。该操作消除了精英参数的设置,减少一次排序操作并提高计算效率。在不同维度的基准函数上进行了大量实验,结果表明,OPMBO算法具有较高的优化效率。(3)为了更好地验证改进MBO算法的性能,将OPMBO算法应用于处理聚类优化问题。在13个聚类数据集上进行了仿真实验,实验结果验证了OPMBO算法的普适性,表明OPMBO算法在处理聚类优化问题上具有良好的性能。