混合群體智能優(yōu)化算法及應(yīng)用研究.pdf

1、混合群體智能優(yōu)化算法及應(yīng)用研究混合群體智能優(yōu)化算法及應(yīng)用研究ResearchonHybridSwarmIntelligenceOptimizationAlgithmswithApplications一級(jí)學(xué)科：控制科學(xué)與工程學(xué)科專業(yè)：系統(tǒng)工程研究生：向萬里指導(dǎo)教師：馬壽峰教授天津大學(xué)管理與經(jīng)濟(jì)學(xué)部二零一三年十一月摘要優(yōu)化問題在生產(chǎn)和生活系統(tǒng)中極為常見，因而研究高效率的優(yōu)化技術(shù)具有十分重要的理論和現(xiàn)實(shí)意義。作為求解復(fù)雜優(yōu)化問題的群體智能優(yōu)化

2、算法，因其具有簡單，易于并行及智能搜索等優(yōu)點(diǎn)，而得到了廣泛的關(guān)注和應(yīng)用。為了進(jìn)一步提升算法的收斂性能，組合不同算法的最好特性形成更強(qiáng)大的混合算法不失為一條捷徑。為此，本文針對(duì)優(yōu)化問題中的函數(shù)優(yōu)化、混沌系統(tǒng)參數(shù)辨識(shí)及數(shù)據(jù)聚類，以搜索能力均衡為導(dǎo)向設(shè)計(jì)了多種混合群體智能優(yōu)化算法。綜合而言，本文主要完成了以下工作：(1)針對(duì)函數(shù)優(yōu)化問題，首先，提出一種混合蜂群差分進(jìn)化算法，通過在人工蜂群算法中引入多分量擾動(dòng)和多解搜索方程及在差分進(jìn)化算法中提供

3、多個(gè)交叉概率選擇，增強(qiáng)全局探索和局部開發(fā)能力，在算法進(jìn)化后期，引入一種種群災(zāi)變機(jī)制改善種群多樣性；然后，為了有效利用不同特征的差分變異策略，提出一種具有Pbest引導(dǎo)機(jī)制的適應(yīng)性多策略差分進(jìn)化算法：(a)根據(jù)前人研究的經(jīng)驗(yàn)，為差分變異策略、交叉概率和尺度參數(shù)構(gòu)建專家?guī)欤?b)對(duì)于含有Pbest的差分變異策略，其向量改為從種群中適應(yīng)度排序靠前的100%p((01]p?)個(gè)個(gè)體中隨機(jī)選擇，(c)均勻隨機(jī)選擇差分變異策略、交叉概率以及尺度參數(shù)

4、作為混合算法的3要素。(2)針對(duì)混沌系統(tǒng)參數(shù)辨識(shí)，提出一種交替迭代差分進(jìn)化算法。受粒子群算法的啟發(fā)，提出一種新的差分變異策略DEpbest1bin，基向量pbest表示目標(biāo)個(gè)體的歷史最好個(gè)體，用DEpbest1bin和DEbest1bin分別模擬自然界中小的進(jìn)化時(shí)期和大的進(jìn)化時(shí)期交替演化現(xiàn)象，同時(shí)使用一種新的貪婪選擇機(jī)制加快種群進(jìn)化的速度。(3)針對(duì)數(shù)據(jù)聚類分析，設(shè)計(jì)了基于多步隨機(jī)采樣的動(dòng)態(tài)洗牌差分進(jìn)化算法。為提高初始種群分布質(zhì)量，提出