论文题目: 求解优化问题的演化计算方法研究
论文类型: 博士论文
论文专业: 计算机应用技术
作者: 窦全胜
导师: 周春光
关键词: 优化问题,演化算法,粒子群优化,文化算法,微分演化,进化规划
文献来源: 吉林大学
发表年度: 2005
论文摘要: 最优化是一个重要的数学分支,本文全面概括了用演化方法求解优化问题的一些新方法,重点研究了进化规划、粒子群优化、微分演化和文化算法等,并提出了几种新的改进算法。主要贡献和研究结果如下:1、对采用遗传算法(GA)求解最优化问题的一些处理技巧和相关的理论进行了高度的概括;2、对经典进化规划(Classical Evolutionary Programming, CEP)和相关知识进行了阐述,分析了变异向量对搜索行为的影响。提出群体启发进化规划方法(Population HeuristicEvolutionary Programming,PHEP),并把它应用于求解高维优化问题;3、对PSO方法进行详尽的阐述和分析,给出参数设置与粒子收敛性之间关系的定理和相关证明,提出了两种PSO 方法的改进方法:模拟退火粒子群优化和有分工策略的粒子群优化。研究了这两种方法在动态优化环境下的适应性;4、对微分演化方法进行了研究,通过大量的试验证实了DE 方法的有效性。给出了DE 方法参数设置的合理范围;5、概括了用演化方法求解约束优化问题的几个策略,着中介绍了不可行个体处理的几种方式。论述了求解约束优化问题的文化算法,同时通过实验展示了文化算法在求解约束优化问题上的潜力;6、就所涉及的算法进行了系统的比较。指出了不同算法对不同环境的适应能力。本文的研究结果丰富了演化计算领域内容,在进化规划、粒子群优化方面的研究,具有一定的理论意义,实验证明,提出的改进算法在不同的环境下,有各自的特点,对于解决优化问题有一定的应用价值。
论文目录:
第一章 绪论
1.1 研究背景
1.1.1 最优化问题简述
1.1.2 求解最优化问题的数学方法
1.1.3 求解最优化问题的演化计算方法
1.2 本文工作
1.2.1 研究路线和方法
1.2.2 本文研究内容
第二章 用遗传算法求解最优化问题
2.1 引言
2.2 用遗传算法求解最优化问题的过程
2.2.1 标准遗传算法
2.2.2 编码
2.2.2.1 二进制编码
2.2.2.2 值编码
2.2.2.3 互换编码
2.2.3 遗传算子
2.2.3.1 交叉
2.2.3.2 变异
2.2.3.3 选择
2.2.4 参数控制
2.3 遗传算法的理论基础
2.3.1 模式定理和遗传算法的隐并行性
2.3.2 遗传算法中的收缩映射原理
2.4 小结
第三章 进化规划和群体启发进化规划
3.1 引言
3.2 标准进化规划方法
3.3 进化策略
3.4 进化规划的理论分析
3.4.1 变异步长的Gauss 分布与Cauchy 分布
3.4.2 变异步长正态分布下的搜索成功概率估计
3.5 群体启发进化规划
3.5.1 群体启发进化规划算法描述
3.5.2 实验数据和实验结果
3.6 用群体启发进化规划求解高维优化问题
3.6.1 高维优化问题及高维优化的复杂性
3.6.2 实验结果和实验结果分析
3.7 小结
第四章 粒子群优化和粒子群优化的两种改进策略
4.1 引言
4.2 模拟群体社会行为的粒子群优化方法
4.2.1 标准粒子群优化方法
4.2.2 二进制粒子群优化算法
4.2.3 粒子群优化算法中的群体社会行为分析
4.3 标准PSO 和EP 方法比较
4.4 粒子群参数设置与粒子运行轨迹分析
4.5 粒子群优化的两种改进策略
4.5.1 模拟退火粒子群优化方法
4.5.1.1 模拟退火的相关知识
4.5.1.2 模拟退火粒子群优化
4.5.2 有分工策略的粒子群优化方法
4.5.3 实验及实验结果
4.6 动态优化环境的两种改进策略
4.5.1 线形模型
4.5.2 循环模型
4.5.3 随机模型
4.5.4 实验及实验结果
4.7 小结
第五章 微分演化方法(Differential Evolution)
5.1 引言
5.2 微分演化方法
5.2.1 微分演化方法描述
5.2.2 DE 参数的设置
5.3 微分演化方法的实验结果
5.3.1 低维条件下的实验结果
5.3.2 搜索空间100 维时的实验结果
5.4 微分演化粒子群优化
5.5 小结
第六章 约束优化和文化算法
6.1 引言
6.2 约束优化和处理约束的技巧
6.2.1 可行解和不可行解
6.2.2 可行个体评价函数eval_f 的设计
6.2.3 不可行个体的处理
6.2.3.1 评价函数eval_u 的设计
6.2.3.2 函数eval_u(x) 和函数eval_f(x) 之间的关系
6.2.3.3 不可行个体的丢弃
6.2.3.4 不可行个体的修补
6.2.3.5 不可行个体的惩罚
6.2.3.6 用特殊的表达和遗传算子维持可行群体
6.3 约束与群体的分离—两个空间上的演化
6.3.1 模拟社会文化发展的方法—文化算法
6.3.2 信仰空间的约束表达和信仰空间的更新
6.3.2.1 信仰空间的约束表达
6.3.2.2 更新信仰空间
6.3.3 群体空间的演化
6.4 实验结果
6.5 小结
第七章 总结与展望
7.1 本文提出的几种方法比较
7.2 本文的主要贡献
7.3 进一步研究方向
参考文献
作者在读期间发表的论文
致谢
摘要
Abstract
附录
发布时间: 2005-08-26
参考文献
- [1].粒子群优化算法的扩展与应用[D]. 莫愿斌.浙江大学2006
- [2].粒子群优化算法的改进研究及在石油工程中的应用[D]. 刘华蓥.东北石油大学2012
- [3].群体智能算法及其在基因表达数据聚类中的应用[D]. 陈伟.江南大学2011
- [4].聚类分析优化关键技术研究[D]. 王纵虎.西安电子科技大学2012
- [5].基于种子传播方式和植物分布演化的种子优化算法研究[D]. 张晓明.中国科学技术大学2011
- [6].生物命名实体识别及生物文本分类[D]. 豆增发.西安电子科技大学2013
- [7].基于智能优化算法的体绘制研究[D]. 王彦妮.浙江大学2008
- [8].面向精密制造与检测的机器视觉及智能算法研究[D]. 葛动元.华南理工大学2013
- [9].粒子群优化及其在图像处理中的应用研究[D]. 闫允一.西安电子科技大学2008
- [10].融合热运动机制的粒子群优化算法研究及其应用[D]. 徐星.武汉大学2010
相关论文
- [1].智能反演算法及其应用研究[D]. 田明俊.大连理工大学2006
- [2].基于计算智能的若干优化问题研究[D]. 葛宏伟.吉林大学2006