混合群智能優(yōu)化算法研究及應用

1、混合群智能優(yōu)化算法研究及應用優(yōu)化問題廣泛地存在于科學研究和工程實踐中。群智能優(yōu)化算法是優(yōu)化算法中最新的一個分支,也是最熱門的發(fā)展方向。群智能優(yōu)化算法是通過模擬自然界中生物間相互合作、共享信息等群體行為而建立起來的隨機搜索算法,相較于經(jīng)典優(yōu)化算法具有結構簡單、易于實現(xiàn)等優(yōu)點。不同的群智能優(yōu)化算法是模擬不同生物行為形成的,所以它們各具特點和適用場景。然而,單一的群智能優(yōu)化算法均有其局限性,如搜索精度不夠高、收斂速度慢、性能受參數(shù)影響較大和容易陷入局部最優(yōu)等。將不同群智能優(yōu)化算法有機結合,設計混合群智能優(yōu)化算法是一種提高算法性能的有效方法,具有重要的研究意義。本文的主要研究內容及創(chuàng)新點包括以下幾個方

2、面:(1)針對單目標數(shù)值優(yōu)化問題提出了一種基于跟隨蜂搜索的自適應粒子群算法(FollowerBeeSearchBasedAdapitveParticleSwarmOptimization,F-APSO)。首先在經(jīng)典粒子群算法粒子飛行軌跡分析的基礎上提出了一種自適應的粒子群算法(AdapitveParticleSwarmOptimization,APSO),提高了算法在求解單峰問題時的性能。然后提出了一種針對自適應粒子群算法的穩(wěn)定性分析方法，基于該方法對APSO進行了穩(wěn)定性分析，給出了能夠保證算法穩(wěn)定的參數(shù)取值條件。接著通過引入人工蜂群算法中的跟隨蜂搜索,提高了算法的開拓性，并將APSO的穩(wěn)定性

3、條件拓展到了F-APSO中。仿真實驗表明F-APSO在求解單目標數(shù)值優(yōu)化問題時在解的質量和時間消耗上都具有良好表現(xiàn)。將F-APSO用于解決礦山生產排程優(yōu)化問題,與原有生產方案相比優(yōu)化后的方案在不同鐵精礦價格下都能獲得更多的經(jīng)濟收益。(2)針對多目標數(shù)值優(yōu)化問題提出了一種基于跟隨蜂搜索的自適應多目標粒子群算法(FollowerBeeSearchBasedAdapitveMulti-objectiveParticleSwarmOptimization,F-AMOPSO)。多目標優(yōu)化問題不存在唯一的最優(yōu)解,而是一組不能相互支配的非劣解。這就造成求解單目標優(yōu)化問題的優(yōu)化算法不能直接用于求解多目標優(yōu)化問

4、題,而是要針對多目標優(yōu)化問題的特點進行改造,形成新的多目標優(yōu)化算法。本文通過修改局部最優(yōu)解更新機制和提出基于非劣解距離的跟隨蜂選擇機制和搜索范圍調整方法等手段,將本文所提單目標混合粒子群算法改造為一種多目標粒子群算法。并通過仿真實驗說明該算法具有良好的收斂性和均勻分布性。最后，將F-AMOPSO用于以精礦產量和單位精礦變動成本為目標的多目標礦山排程優(yōu)化中,取得了優(yōu)秀的實用效果。(3)針對典型組合優(yōu)化問題TSP問題(TravelingSalesmanProblem)提出了一種帶混沌序列的粒子群參數(shù)優(yōu)化蟻群算法(ChaosParticleSwarmOptimizationbasedAntColonyOptimization,C-PSO-ACO)。首先針對傳統(tǒng)粒子群參數(shù)優(yōu)化蟻群算法引入一種全局異步與精英策略相結合的信息素更新方式和減少蟻群算法被粒子群算法調用一次所需迭代代數(shù)的策略減少時間消耗。然后利用混沌序列的可控隨機性改善算法中的隨機因素,解決了蟻群算法迭代代數(shù)減少造成的收斂過程不完善,導致算法隨機性過強，最終影響求解質量的問題。針對TSP問