關(guān)于啟發(fā)式優(yōu)化算法及其應(yīng)用的研究.pdf

1、關(guān)于啟發(fā)式算法及實際應(yīng)用的研究近年來受到人們的廣泛關(guān)注，并獲得了良好的應(yīng)用效果。本文對差分進化算法、和聲搜索算法、粒子群優(yōu)化算法及其應(yīng)用進行了研究，主要工作如下：
　　(1)針對粒子群優(yōu)化算法的不足，提出了一種全局粒子群優(yōu)化算法(GPSO)。GPSO算法主要對基于慣性權(quán)重的IWPSO算法進行了兩個方面的改進。第一，GPSO算法將慣性權(quán)重設(shè)計成指數(shù)型函數(shù)與隨機數(shù)相乘的形式，這種慣性權(quán)重使算法在尋優(yōu)初期具有較強的全局搜索能力，而到了尋

2、優(yōu)后期具有較強的局部搜索能力。第二，GPSO算法對全局最優(yōu)解進行了擾動，這樣可以有效地防止算法早熟，提高算法對解空間的開發(fā)能力。
　　使用三種粒子群優(yōu)化算法來解決6個無約束優(yōu)化問題，仿真結(jié)果表明，與其他兩種粒子群優(yōu)化算法相比，GPSO算法具有更快的收斂速度和更強的逃離局部最優(yōu)的能力。
　　(2)針對差分進化算法的基本原理進行了深入的學(xué)習和探討，提出了一種擴展變量維數(shù)的自適應(yīng)差分進化算法(EVSDE)，該算法將DE算法的控制參

3、數(shù)作為解向量的一維分量，隨著差分進化算法尋優(yōu)過程的運行，最終可得到適應(yīng)不同尋優(yōu)階段的控制參數(shù)，提高了算法的尋優(yōu)能力。此外，還提出了一種新型的變異策略，更好的平衡了算法的全局搜索能力和局部搜索能力。
　　(3)描述了系統(tǒng)可靠性問題，并介紹了3種典型系統(tǒng)可靠性問題及其數(shù)學(xué)模型。通過對離散變量和約束條件的處理，將帶有約束條件的數(shù)學(xué)模型轉(zhuǎn)化為無約束模型。利用第三章提出的擴展變量維數(shù)的自適應(yīng)差分進化算法(EVSDE)，對三種典型系統(tǒng)的可靠性

4、問題進行了優(yōu)化處理，并與DE算法和JADE算法進行了比較。通過列出的優(yōu)化結(jié)果和算法的收斂曲線可知，對于上述3種典型系統(tǒng)可靠性問題，EVSDE算法尋優(yōu)能力要優(yōu)于其他兩種差分進化算法，能夠滿足一些系統(tǒng)可靠性優(yōu)化問題的求解需要。
　　(4)引入了實用最優(yōu)點的概念，其本質(zhì)是約束條件下的最優(yōu)點，它更滿足實際問題的要求。為求取實用最優(yōu)點，提出了鄰域采樣的近似判斷方法，同時借鑒粒子群搜索的思想提出了一種快速搜索算法。仿真實驗驗證了所提出方法不僅

5、可以求出實用最優(yōu)點，而且具有良好的尋優(yōu)性能。
　　(5)針對現(xiàn)有和聲搜索算法存在的不足，提出了一種學(xué)習型和聲搜索算法(LHS)。該算法引入一種新的學(xué)習搜索機制，給出了參數(shù)HMCR和PAR新的更新策略。對16個測試函數(shù)的仿真實驗表明，與其他4種和聲搜索算法相比，LHS算法能夠很好地改善HS算法的優(yōu)化性能。采用LHS算法求解0-1背包問題的結(jié)果表明，LHS算法與其他3種和聲搜索算法以及以往文獻中的啟發(fā)式優(yōu)化算法相比，具有更好的優(yōu)化效果