現(xiàn)代智能優(yōu)化方法研究與應(yīng)用.pdf

1、本文從這兩大類中各選出一種有代表性的算法進(jìn)行研究，這兩種算法分別是粒子群優(yōu)化算法和Hopfield神經(jīng)網(wǎng)絡(luò)。 粒子群優(yōu)化算法已經(jīng)成功用于解決連續(xù)優(yōu)化問(wèn)題，但是一直未能有效地解決組合優(yōu)化問(wèn)題。為此，本文基于分布估計(jì)算法的思想，提出了兩種離散粒子群優(yōu)化算法：一種是基于分布估計(jì)的離散粒子群優(yōu)化算法，一種是基于分布估計(jì)的離散量子行為粒子群優(yōu)化算法。此外，還在基于分布估計(jì)的離散粒子群優(yōu)化算法中引入混沌離散Hopfield神經(jīng)網(wǎng)絡(luò)，來(lái)進(jìn)一步

2、提高算法的性能。提出的新算法被用于解決理論上的經(jīng)典組合優(yōu)化問(wèn)題，如二分圖問(wèn)題、無(wú)約束二進(jìn)制二次規(guī)劃問(wèn)題，并設(shè)計(jì)了應(yīng)用于特征選擇問(wèn)題的框架。仿真結(jié)果顯示了新算法的良好性能。 隨著實(shí)際優(yōu)化問(wèn)題的復(fù)雜度越來(lái)越大，對(duì)優(yōu)化算法的性能要求越來(lái)越高。最優(yōu)化理論領(lǐng)域的“無(wú)免費(fèi)午餐”定理說(shuō)明算法的混合是提高性能的有效手段，因此有機(jī)地結(jié)合各種算法的優(yōu)點(diǎn)提出高效的優(yōu)化算法是值得重視的有價(jià)值的課題。本文提出了三種不同混合策略的粒子群優(yōu)化算法：具有通用局

3、部搜索的量子行為粒子群優(yōu)化算法、量子協(xié)同進(jìn)化粒子群優(yōu)化算法和基于多智能體的遺傳粒子群優(yōu)化算法。用這三種混合算法分別解決連續(xù)函數(shù)優(yōu)化問(wèn)題、背包問(wèn)題和二分圖問(wèn)題，來(lái)驗(yàn)證算法的優(yōu)化性能。 Hopfield神經(jīng)網(wǎng)絡(luò)采用的梯度下降法本質(zhì)上是一種局部搜索方法，網(wǎng)絡(luò)常常陷入局部最小值，所以網(wǎng)絡(luò)的穩(wěn)定狀態(tài)并不一定對(duì)應(yīng)于問(wèn)題的最優(yōu)解。本文為了更好地解決聚類劃分問(wèn)題，提出了一種隨機(jī)競(jìng)爭(zhēng)Hopfield神經(jīng)網(wǎng)絡(luò)。提出的算法其網(wǎng)絡(luò)能量不僅能依據(jù)梯度下降

4、的方法從整體上保證減小的趨勢(shì)，而且由于引入的隨機(jī)動(dòng)態(tài)，使得網(wǎng)絡(luò)能量也有增加的可能性，從而使網(wǎng)絡(luò)有能力跳出局部最小值。本文詳細(xì)分析了引入的隨機(jī)動(dòng)態(tài)性對(duì)算法性能的影響，通過(guò)有效地控制隨機(jī)動(dòng)態(tài)的運(yùn)行機(jī)制使算法獲得了良好的性能。在聚類劃分問(wèn)題上的應(yīng)用結(jié)果，顯示了提出算法的良好性能。本文還提出了一種混合隨機(jī)競(jìng)爭(zhēng)H0pfield神經(jīng)網(wǎng)絡(luò)應(yīng)用于解決系統(tǒng)工程領(lǐng)域中的可靠性優(yōu)化問(wèn)題，實(shí)驗(yàn)結(jié)果證明了算法的良好性能。此外本文還分析了前人提出的正自反饋Hopf