快速群智能优化算法的研究

论文摘要

本文针对经典的遗传算法和粒子群算法求解复杂适应度优化问题时间代价过高的不足，对群智能优化算法的适应度估计问题做了深入的研究，利用吸引子传播聚类算法和支持向量回归机改进了上述算法，具体研究内容包括：1.提出了基于吸引子传播聚类算法的遗传算法，首先利用吸引子传播算法将群体中编码相似的染色体聚到一起，然后利用聚类中心染色体的适应度和聚类信息估计其它染色体的适应度，从而减少适应度计算次数来加快遗传算法的速度；2.根据遗传算法的模式理论，提出了快速遗传算法，该算法在基于吸引子传播聚类算法的遗传算法基础上，提出了模式发现方法，并利用所提出的模式发现方法对估计的适应度进行再次修正，从而不仅仅提高了遗传算法的运行速度，还提高了算法估计适应度的精度；3.将支持向量回归机引入到遗传算法中，每次迭代利用已知真实适应度的染色体训练支持向量回归机，然后利用该模型预测染色体适应度，从而减少适应度计算次数，这个算法适用于适应度无法用确切函数表示的优化问题；4.将上述适应度估计策略扩展到粒子群算法，提出了基于吸引子传播聚类算法的粒子群算法、快速粒子群算法和基于支持向量回归机的粒子群算法，改进的算法均显著减少了经典算法的适应度计算次数；5.利用标准测试函数验证了上述算法，实验结果表明新提出的算法的速度以及优化结果的精度和稳定性均高于经典的遗传算法和粒子群算法；6.将快速粒子群算法应用于油藏数据历史拟合问题，将快速遗传算法应用于静力作用下的穹顶结构优化问题，将基于支持向量回归机的遗传算法应用于大肠杆菌染色体超螺旋位点预测问题。这些实际应用问题的结果表明，本文提出的算法能够显著地降低适应度计算次数，具有良好的收敛稳定性，从而为适应度计算耗时的优化问题提供了应用群智能优化技术进行求解的新思路。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 最优化问题介绍
• 1.1.1 解决最优化问题的经典方法
• 1.1.2 解决最优化问题的群智能算法
• 1.2 聚类分析介绍
• 1.3 机器学习和回归分析介绍
• 1.4 本文工作
• 第2章 基础理论
• 2.1 遗传算法
• 2.2 粒子群算法
• 2.3 K-means 算法
• 2.4 吸引子传播算法
• 2.5 支持向量机
• 2.6 小结
• 第3章 基于适应度估计的遗传算法
• 3.1 引言
• 3.2 基于 k-means 算法适应度估计的遗传算法
• 3.3 基于适应度继承的遗传算法
• 3.4 基于 AP 算法适应度估计的遗传算法
• 3.5 实验和分析
• 3.5.1 标准测试函数
• 3.5.2 实验设计
• 3.5.3 实验结果分析
• 3.6 小结
• 第4章 快速遗传算法
• 4.1 引言
• 4.2 快速遗传算法
• 4.2.1 模式定理和积木块假说
• 4.2.2 算法流程
• 4.3 实验与分析
• 4.3.1 实验设计
• 4.3.2 实验结果分析
• 4.4 小结
• 第5章 基于回归分析的遗传算法
• 5.1 引言
• 5.2 基于支持向量机的遗传算法
• 5.3 实验结果与分析
• 5.3.1 实验设计
• 5.3.2 实验结果分析
• 5.4 小结
• 第6章 快速粒子群算法
• 6.1 引言
• 6.2 基于吸引子传播算法的粒子群算法
• 6.3 基于回归分析的粒子群算法
• 6.4 实验结果与分析
• 6.4.1 实验设计
• 6.4.2 实验结果分析
• 6.5 小结
• 第7章 快速群智能优化算法的应用
• 7.1 引言
• 7.2 快速粒子群算法在油藏数据历史拟合中的应用
• 7.2.1 油藏历史拟合
• 7.2.2 EPSO 的运行结果
• 7.3 快速遗传算法在静力结构设计优化中的应用
• 7.3.1 静力结构优化
• 7.3.2 优化问题描述
• 7.3.3 利用 EGA 优化结构
• 7.4 基于 SVR 遗传算法的原核染色体超螺旋结构预测
• 7.4.1 原核染色体超螺旋
• 7.4.2 预测大肠杆菌染色体超螺旋结构数据集
• 7.4.3 利用 SVRGA 预测
• 7.4.4 SVRGA 预测结果稳定性分析
• 7.5 小结
• 第8章 总结与展望
• 8.1 总结
• 8.2 展望
• 参考文献
• 作者简介及攻读博士学位期间发表的论文和参与的项目
• 致谢