基于人工蜂群和云模型的仿生智能算法研究与应用

论文摘要

仿生智能算法是人工智能领域一个重要的分支,具有很强的学科交叉性,涉及仿生学、数学、物理学、生理学、心理学、神经科学、计算机科学、社会学等学科,已在求解复杂优化问题和实际应用中显示出强大的生命力和发展潜力。本文对基于人工蜂群和云模型的仿生智能算法进行了重点研究,基于人工蜂群算法(ABC算法)具有全局勘探和局部开采的特点,结合云模型、粒子群和文化算法等,提出若干基于人工蜂群的改进算法,并将其应用于求解数值函数优化问题。此外,设计一种带粒子速度的改进人工蜂群算法用于求解最小属性约简问题。首先,针对经典ABC算法存在收敛速度慢和易陷入局部最优的缺点,提出了一种基于云模型的改进人工蜂群算法,并将其应用于数值函数优化问题。该改进算法利用正态云算子产生新的蜜源位置,并采用非线性递减策略动态调整局部搜索范围。此外,设计一个新的选择策略,使较差的采蜜蜂个体被选择跟随的概率较大。实验结果表明改进算法不仅提高了求解的质量,而且增强了跳出局部最优解的能力。其次,结合粒子群和文化算法的特点,提出两种基于人工蜂群的仿生智能算法。其一,针对受粒子群算法启发而提出的GABC算法仍存在求解质量不够高的缺陷,设计了一种自适应调整权值的IGABC算法以提高局部开采能力,并采用分裂式选择策略避免过早陷入局部最优。其二,鉴于文化算法具有双层进化结构的特点,建立一种基于人工蜂群的文化算法NKABC。该算法利用信度空间中的规范知识和历史最优解信息指导侦察蜂进行搜索,并采用基于欧式距离的相似性度量准则的种群多样性保持方法,提高了群体的全局探索能力。分别通过实验证实了IGABC算法和NKABC算法的有效性。最后,在IGABC算法基础之上,引入粒子速度的概念,设计一种新的求解最小属性约简算法IGABCAR。该算法用二进制编码方式表示个体,结合粒子速度计算蜜蜂搜索新蜜源的位置。最后通过对若干UCI数据集进行实验,结果表明IGABCAR算法能够有效地提高求解的质量。

论文目录

• 中文摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 本文的主要工作和创新点
• 1.3 本文的组织结构
• 第二章 基于云模型的人工蜂群算法
• 2.1 人工蜂群算法的基本原理
• 2.2 人工蜂群算法优缺点
• 2.2.1 主要优点
• 2.2.2 存在的一些问题
• 2.3 若干现有改进算法综述
• 2.4 基于云模型的人工蜂群算法
• 2.4.1 正态云发生器
• 2.4.2 云变异搜索
• 2.4.3 侦察蜂的搜素方式
• 2.4.4 算法实现步骤
• 2.5 实验结果与分析
• 2.5.1 测试函数及参数设置
• 2.5.2 实验对比分析
• 2.5.3 参数对优化效果的影响
• 2.6 本章小结
• 第三章 两种基于人工蜂群的新算法
• 3.1 带最优引导的人工蜂群算法
• 3.1.1 最优引导搜索模式
• 3.1.2 侦察蜂新的搜索策略
• 3.1.3 IGABC算法的实现步骤
• 3.1.4 实验结果与分析
• 3.2 基于人工蜂群的文化算法
• 3.2.1 文化算法
• 3.2.2 规范知识的建立
• 3.2.3 规范知识引导的侦察蜂探索模式
• 3.2.4 种群多样性保持策略
• 3.2.5 算法步骤
• 3.2.6 实验分析与讨论
• 3.3 本章小结
• 第四章 基于人工蜂群和粒子群最小约简算法
• 4.1 粗糙集与属性约简
• 4.1.1 粗糙集与属性约简的基本概念
• 4.1.2 属性约简算法概述
• 4.2 带粒子速度的人工蜂群最小属性约简算法
• 4.2.1 个体的编码方式
• 4.2.2 适应值计算方式
• 4.2.3 带速度的蜜蜂位置更新模式
• 4.2.4 新算法的基本步骤
• 4.3 实验结果比较与分析
• 4.3.1 测试数据集
• 4.3.2 实验参数设置
• 4.3.3 实验结果
• 4.4 本章小结
• 总结与展望
• 参考文献
• 致谢
• 个人简历
• 在学期间的研究成果及发表的学术论文