群体智能优化算法的研究及应用

论文摘要

随着国民经济的快速发展,现代工业向着非线性、大型、综合化方向发展,越来越需要有快速、高效、鲁棒的优化算法的支持。智能计算方法的出现,给这些复杂问题的解决带来了希望。目前,智能计算方法已经成为国际上的一个研究热点,研究领域主要包括粒子群算法、人工神经网络算法、模拟退火算法、人工免疫算法、蚁群算法和蜂群算法等。如今,这些智能计算方法已经广泛的应用于图像处理、数据挖掘、智能控制、网络优化等领域。但是,这些算法也存在着一些共同的缺点,如精度不高、收敛速度较慢、容易收敛到局部极小值、多样性下降过快、参数敏感等问题,制约了算法的进一步应用。本文分析了这些算法存在的缺点,在继承前人研究成果的基础上进行了研究,主要做出了如下成果:（1）.惯性权重在粒子群算法中起到重要的作用,本文综合考虑了影响惯性权重的几种因素,提出基于进化速度、聚集度和相似度动态改变惯性权重的粒子群算法。改进算法与待优化算法的特点和范围无关,参数不敏感,鲁棒性较好,计算复杂度较低。同时由于考虑了进化速度的影响,使得算法能够更加智能的调整惯性权重,自适应地调整全局开发与局部开采之间的矛盾,更好的保持种群多样性。实验证明改进算法在收敛率、收敛精度和全局寻优能力方面都优于几种有代表性的动态改变惯性权重的算法。（2）.免疫理论是模仿生物免疫系统而提出的一种仿生算法,能够有效地提高种群多样性。目前已有多种文献提出采用免疫算法提高粒子群算法的多样性。为了克服粒子群算法易早熟、后期收敛慢的缺点,根据免疫优化理论,本文提出一种改进的个性化变异免疫粒子群算法。该算法通过对适应度较低的弱势抗体群采用疫苗启发式变异、柯西变异和对称变异,加快了算法收敛速度,增强了算法逃离局部最优的能力;通过对适应度较高的记忆抗体群采用正态变异和改进的混沌扰动,提高了算法的收敛精度。同时,算法中的交叉变异率均实行自适应调整。实验结果表明本文算法优于几种典型的粒子群算法和基本免疫克隆算法。（3）.利用多态蚁群算法和模拟退火算法的优点提出了一种新的融合优化算法。模拟退火用于优化每轮迭代后的路径,使得信息素释放更好的反映路径的质量,退火思想同时用于信息素更新机制,避免算法早熟、停滞,较差的路径按照退火竞争机制释放信息素。由于每轮迭代最优路径释放信息素最多,对其进行3-opt优化,提高搜索效率。同时,新发现的最优路径允许释放更多的信息素,使得蚂蚁在后续迭代中能够记住这条新路径。实验结果验证了算法的有效性。（4）.蜂群算法是最近提出的一种优化算法,已被证明优于传统的优化算法,但是对于不可分离变量的函数则效果不佳。本文分析了蜂群算法的缺点,提出一种单维更新和整体更新交替进行的融合算法,通过计算单维开采成功率,动态地控制参数limit,达到平衡单维更新和整体更新的目的,避免算法在某一方面开采过深陷入局部最优。整体更新阶段采用基于试探机制的PSO算法,有效避免了传统PSO算法中个体选择方向的盲目性。在单维更新阶段引入全局极值的影响,加强种群全局信息交流。实验中将本文算法与国际上最新发表的几种重要的粒子群变种和基本蜂群算法进行了对比,结果表明本文算法在寻优精度、收敛率和鲁棒性上都优于上述算法,对可分离变量和不可分离变量函数都有较好的效果。（5）.研究了蜂群算法在模糊C均值聚类算法中的应用,提出了基于蜂群优化的模糊核层次聚类算法。主要改进措施有:采用了核函数方法;增加了截集因子;采用本文改进的优化算法对目标性能函数进行优化;采用二叉树分裂方式进行聚类,实验结果证明了该算法能有效克服FCM算法的不足之处。（6）将基于蜂群优化的模糊核层次聚类算法应用于纺织品自动测色中,取得了较好的效果。最后,对本文的研究工作进行了总结,并指出了下一步的研究内容。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 粒子群算法
• 1.2.1 基本粒子群算法
• 1.2.2 粒子群算法的参数分析
• 1.2.3 粒子群算法的研究现状
• 1.2.4 粒子群算法与遗传算法的比较
• 1.3 蚁群算法
• 1.3.1 基本蚁群算法的原理
• 1.3.2 蚁群算法的研究现状
• 1.4 蜂群算法
• 1.5 论文的研究成果
• 第2章 一种改进的动态改变惯性权重的粒子群算法
• 2.1 基本粒子群算法（Particle Swarm Optimization,PSO）
• 2.2 惯性权重参数w的改进现状
• 2.3 改进的动态改变惯性权重的粒子群算法
• 2.4 实验与分析
• 2.5 结论
• 第3章 个性化变异免疫粒子群算法
• 3.1 基本粒子群算法（Particle Swarm Optimization,PSO）与免疫算法
• 3.1.1 PSO 算法概述
• 3.1.2 生物免疫原理
• 3.1.3 人工免疫算法原理
• 3.1.4 人工免疫算法特点及应用
• 3.1.5 克隆选择算法
• 3.2 改进的个性化变异免疫粒子群算法
• 3.3 实验与分析
• 3.4 结论
• 第4章 基于二次退火机制的改进多态蚁群算法
• 4.1 多态蚁群算法
• 4.2 多态蚁群算法的缺陷及修正
• 4.3 基于二次退火机制的改进多态蚁群算法
• 4.4 实验与分析
• 第5章 基于动态整体更新和试探机制的蜂群算法
• 5.1 引言
• 5.2 基本蜂群算法和粒子群算法概述
• 5.3 改进的粒子蜂群算法
• 5.4 ABCPSO 算法流程（求最小值）
• 5.5 实验与分析
• 5.6 结论
• 第6章 基于蜂群优化的模糊聚类算法的研究
• 6.1 聚类算法及常用模糊聚类算法分析
• 6.1.1 聚类算法概念及分类
• 6.1.2 硬c 均值聚类算法
• 6.1.3 模糊c 均值聚类算法
• 6.2 模糊核层次聚类算法
• 6.2.1 核函数方法
• 6.2.2 λ截集因子
• 6.2.3 优化目标函数
• 6.2.4 层次聚类方法
• 6.2.5 实验数据及分析
• 6.3 结论
• 第7章 蜂群优化聚类算法在纺织品颜色测量中的应用研究
• 7.1 基于小波变换的图像预处理
• 7.1.1 小波变换和Radon 变换
• 7.1.2 混纺织物纹理方向检测
• 7.1.3 图像旋转和水平纹理提取
• 7.2 基于二值化的图像预处理
• 7.3 混纺织物样本预处理结果
• 7.4 混纺织物颜色测量结果及分析
• 第8章 总结与展望
• 参考文献
• 致谢
• 攻读学位期间的研究成果