多目标人工萤火虫群优化算法及其应用

论文摘要

人工萤火虫群优化算法（Artificial Glowworm Swarm Optimization Algorithm, GSO）起源于对萤火虫群觅食和寻偶行为的模拟.该算法存在捕捉极值域速度快、捕捉效率高,具有较强的通用性等优点。但算法也存在着易于陷入局部最优、收敛速度慢、易出现震荡、求解精度不高等问题。本文针对GSO的特点和多目标优化问题的特点,提出一些新的搜索机制和策略,改进人工萤火虫群优化算法。将改进后的人工萤火虫群优化算法用于求解背包问题和多目标优化问题。本文所取得的主要研究成果如下:（1）针对常规求解背包问题罚函数方法敏感参数选择问题,利用人工萤火虫群优化算法求解0-1背包问题。（2）使用两个主要的思想策略,即依据物品单位容积价值的高低选择物品的贪婪策略和基于二进制编码的人工萤火虫群算法。将精确优化方法--贪心算法和人工萤火虫群优化算法结合并用来求解多维背包问题。（3）基于Pareto最优解集的多目标人工萤火虫群优化算法,通过采用“Pareto库”来存储当前得到的Pareto最优解,对每次迭代得到的Pareto解集的解进行比较,从而更新“Pareto库”中解,这样更好的引导萤火虫群进行下一步的寻优,最终得到一个完整的Pareto最优解集。（4）基于构造惩罚函数的方法对约束优化问题进行处理,用多目标人工萤火虫群优化算法求解约束优化问题和多目标规划问题。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 多目标优化问题研究现状与进展
• 1.2 论文的主要工作及结构安排
• 2 人工萤火虫群优化算法与多目标优化问题
• 2.1 人工萤火虫群优化算法
• 2.1.1 人工萤火虫群优化算法的描述
• 2.1.2 人工萤火虫群优化算法的应用现状
• 2.2 多目标优化问题
• 2.2.1 多目标优化问题数学描述
• 2.2.2 多目标优化问题的基本概念
• 2.3 本章小结
• 3 求解背包问题的人工萤火虫群优化算法
• 3.1 引言
• 3.2 背包问题及其数学模型
• 3.3 人工萤火虫群优化算法求解背包问题的基本步骤
• 3.4 算法实现
• 3.5 仿真实验
• 3.6 本章小结
• 4 求解多维背包问题的混合人工萤火虫优化算法
• 4.1 引言
• 4.2 多维背包问题数学模型
• 4.3 贪婪算法
• 4.4 求解多维背包问题的混合人工萤火虫优化算法（HGSO）
• 4.5 算法实现
• 4.6 仿真实验
• 4.7 本章小结
• 5 基于Pareto最优解集的多目标人工萤火虫群优化算法
• 5.1 引言
• 5.2 基于Pareto最优解集的多目标人工萤火虫群优化算法步骤
• 5.3 算法实现
• 5.4 仿真实验
• 5.5 实验结果分析
• 5.6 本章小结
• 6 多目标人工萤火虫群优化算法应用
• 6.1 多目标人工萤火虫群优化算法求解约束优化问题
• 6.1.1 引言
• 6.1.2 约束优化问题
• 6.1.3 基于可行的约束处理方法
• 6.1.4 多目标人工萤火虫群优化算法求解约束优化问题
• 6.1.5 算法实现
• 6.1.6 仿真实验
• 6.1.7 实验结果分析
• 6.2 多目标人工萤火虫群优化算法在多目标规划中的应用
• 6.2.1 多目标规划模型
• 6.2.2 求解多目标规划的多目标人工萤火虫群优化算法步骤
• 6.2.3 算法实现
• 6.2.4 仿真实验
• 6.2.5 实验结果分析
• 6.3 本章小结
• 7 结论及展望
• 参考文献
• 附录
• 致谢
• 攻读学位期间参与的科研项目
• 攻读硕士期间发表的学术论文目录