学位论文 > 优秀研究生学位论文题录展示

参数协进化的改进和声搜索算法及其应用

作　者: 王偱华
导　师: 颜学峰
学　校: 华东理工大学
专　业: 控制科学与工程
关键词: 和声搜索粒子群算法差分进化算法协进化自适应控制参数
分类号: TP391.3
类　型: 硕士论文
年　份: 2012年
下　载: 12次
引　用: 0次
阅　读: 论文下载

内容摘要

优化问题普遍存在于人类活动的各个领域中,自上世纪以来,人们受各种自然现象或规律的启发,提出了很多用于解决复杂优化问题的智能优化算法,其中,和声搜索算法是近年提出的一种新颖的启发式算法,由于其结构简单、容易实现和鲁棒性好等特点,在诸多领域得到了成功应用；但和声搜索算法的性能受控制参数设置影响大,且其参数设置缺乏成熟的理论支持。为此,本文提出两种参数协进化的改进和声搜索算法,分别将粒子群优化算法和差分进化算法引入和声搜索算法,指导其控制参数进行自适应调整,为算法提供实时的最优参数。通过标准测试函数和约束优化函数的测试,结果表明：提出的改进算法性能获得很大的改进。具体的研究内容如下：(1)提出一种基于粒子群控制参数协进化的全局最优和声搜索算法(PSO-CE-GHS)。在PSO-CE-GHS中,和声搜索用来实现原始种群的进化,而粒子群用来实现控制参数共生种群的协进化。从而,随着和声向量的进化,控制参数进行动态自适应调节,获得适应当前寻优状况的实时最优控制参数。通过标准测试函数和动态约束优化问题对PSO-CE-GHS的性能进行检验,结果表明PSO-CE-GHS的性能得到很大改进。(2)提出一种基于差分进化(DE)算法控制参数协进化的和声搜索算法(DEHS)。在DEHS中,和声搜索算法的两个控制参数,也就是和声保留概率HMCR和记忆调节概率PAR,作为原始个体(和声向量)的共生个体。原始种群的进化通过和声搜索来进行,差分进化用来进行共生种群的协进化。从而实现这两个种群协同进化。仿真实验结果显示,DEHS展现出较好的性能和较高的收敛精度。同时,介绍了本文所使用的惩罚函数,通过与其他常见惩罚函数的仿真结果比较,表明本文的惩罚函数性能更优。

全文目录

摘要  5-6
Abstract  6-10
第1章绪论  10-18
  1.1 引言  10
  1.2 传统优化方法及其局限性  10-11
  1.3 智能优化算法的产生和发展  11
  1.4 几种常见的智能优化算法  11-16
    1.4.1 遗传算法  11-12
    1.4.2 模拟退火算法  12-13
    1.4.3 免疫算法  13-15
    1.4.4 蚁群算法  15-16
    1.4.5 粒子群优化算法  16
    1.4.6 差分进化算法  16
    1.4.7 和声搜索算法  16
  1.5 本文的主要研究内容和章节安排  16-18
第2章和声搜索算法  18-28
  2.1 引言  18
  2.2 和声搜索算法的基本原理  18-21
  2.3 和声搜索算法的特点  21-23
  2.4 和声搜索算法的改进  23-28
    2.4.1 基于参数设置的改进  23-26
    2.4.2 其他启发式算法融入和声搜索算法  26-27
    2.4.3 和声搜索算法融入其他启发式算法  27-28
第3章基于粒子群的参数协进化和声搜索算法  28-46
  3.1 引言  28
  3.2 几种参数动态调整的改进和声搜索算法  28-31
    3.2.1 一种改进的和声搜索算法(IHS)  28-29
    3.2.2 全局最优和声搜索算法(GHS)  29
    3.2.3 动态自适应全局最优和声搜索算法(SGHS)  29-31
  3.3 基于粒子群控制参数协进化的全局最优和声搜索算法(PSO-CE-GHS)  31-35
    3.3.1 粒子群优化算法(PSO)  31-32
    3.3.2 基于PSO的参数HMCR和PAR的协进化  32-35
    3.3.3 动态调节BW  35
  3.4 实验结果  35-41
  3.5 参数分析  41-42
    3.5.1 HMCR和PAR的协进化分析  41
    3.5.2 ET的选取分析  41-42
  3.6 基于PSO-CE-GHS的约束优化问题求解  42-45
  3.7 结论  45-46
第4章基于差分进化的参数协进化和声搜索算法  46-60
  4.1 引言  46
  4.2 控制参数协进化思想  46
  4.3 基于差分进化算法控制参数协进化的和声搜索算法(DEHS)  46-50
    4.3.1 差分进化(DE)算法  47-48
    4.3.2 DEHS算法  48-50
    4.3.3 动态调节BW  50
  4.4 实验结果  50-53
  4.5 其他变异策略的实验结果  53-55
  4.6 基于DEHS的约束优化问题求解  55-56
  4.7 惩罚函数的性能分析  56-59
  4.8 PSO-CE-GHS和DEHS的性能比较  59
  4.9 结论  59-60
第5章总结和展望  60-62
  5.1 本文总结  60
  5.2 进一步研究展望  60-62
参考文献  62-68
致谢  68-69
附录  69

参数协进化的改进和声搜索算法及其应用

内容摘要

全文目录

相似论文