版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、在求解復(fù)雜問(wèn)題時(shí),單一群智能優(yōu)化算法表現(xiàn)出如下缺陷:精度不高、泛化能力弱、易陷入局部最優(yōu)等。由于群智能混合優(yōu)化算法綜合利用各種群智能優(yōu)化算法的差異性與互補(bǔ)性,能實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)與信息增值,進(jìn)而提高其求解復(fù)雜優(yōu)化問(wèn)題的整體性能。本文側(cè)重于改進(jìn)粒子群優(yōu)化算法和人工蜂群算法,引入混沌優(yōu)化算法、差分進(jìn)化算法等多種智能優(yōu)化算法,提出新的群智能混合優(yōu)化算法以提高算法的收斂速度,避免算法陷入局部最優(yōu),并用于解決實(shí)際優(yōu)化問(wèn)題。本文的主要研究?jī)?nèi)容如下:
2、> (1)改進(jìn)混沌粒子群優(yōu)化算法及應(yīng)用
針對(duì)粒子群優(yōu)化算法后期收斂速度慢、易陷入局部極小等問(wèn)題,引入混沌優(yōu)化算法和早熟收斂的判斷及處理機(jī)制,提出了改進(jìn)混沌粒子群優(yōu)化算法(Improved ChaoticParticle Swarm Optimization,ICPSO)。算法分析及函數(shù)優(yōu)化實(shí)驗(yàn)表明,該算法加快了收斂速度,避免了后期振蕩。
將ICPSO算法分別應(yīng)用于支持向量機(jī)和動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)組合尋優(yōu),并應(yīng)用于
3、煤與瓦斯突出預(yù)測(cè)。相關(guān)對(duì)比實(shí)驗(yàn)結(jié)果表明,ICPSO能有效地獲取最優(yōu)參數(shù)組合,具有精度高、收斂快、迭代次數(shù)少的特點(diǎn),提高了支持向量機(jī)和動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的建模效果和預(yù)測(cè)精度。
(2)混沌差分進(jìn)化粒子群的協(xié)同優(yōu)化算法
為有效地改善差分進(jìn)化粒子群優(yōu)化算法的尋優(yōu)效率和全局搜索能力,引入混沌優(yōu)化、反向?qū)W習(xí)策略和信息交互機(jī)制,提出了混沌差分進(jìn)化粒子群的協(xié)同優(yōu)化算法。該算法利用反向?qū)W習(xí)策略初始化種群,使得初始化個(gè)體盡可能均勻分布在搜
4、索空間,接著將種群隨機(jī)等分為雙種群,并對(duì)雙種群分別采用混沌差分進(jìn)化算法和ICPSO進(jìn)行協(xié)同尋優(yōu)。算法分析及函數(shù)優(yōu)化實(shí)驗(yàn)結(jié)果表明,與目前性能較好的同類(lèi)算法比較,該算法在避免早熟收斂、尋優(yōu)精度、收斂速度、全局搜索能力和魯棒性方面效果更好。
(3)自適應(yīng)Tent混沌人工蜂群算法
人工蜂群算法在接近全局最優(yōu)時(shí),其搜索速度變慢,且種群多樣性減少,而陷入局部最優(yōu)。同時(shí),考慮到Tent混沌映射比Logistic混沌映射具有遍歷均勻
5、性和迭代速度快的優(yōu)點(diǎn),提出了一種自適應(yīng)Tent混沌人工蜂群算法,改善人工蜂群算法的收斂速度和避免早熟收斂。該算法應(yīng)用Tent混沌反向?qū)W習(xí)策略初始化種群,使得初始個(gè)體盡可能均勻分布;利用自適應(yīng)調(diào)整混沌搜索空間,在最優(yōu)解產(chǎn)生Tent混沌序列;并在跟隨蜂階段引入錦標(biāo)賽選擇策略。算法分析及仿真結(jié)果表明,該算法的收斂速度和尋優(yōu)精度明顯優(yōu)于人工蜂群算法,尤其適合求解復(fù)雜的高維函數(shù)尋優(yōu)。利用自適應(yīng)Tent混沌人工蜂群算法優(yōu)化支持向量回歸模型的參數(shù)組合
6、,并應(yīng)用于電力負(fù)荷預(yù)測(cè)。相關(guān)對(duì)比實(shí)驗(yàn)結(jié)果表明,提出的算法能夠有效地獲取最優(yōu)參數(shù)組合,且優(yōu)化的SVR回歸模型能獲得良好的建模效果和更高的預(yù)測(cè)精度。
(4)Tent混沌人工蜂群與粒子群混合算法
考慮到人工蜂群算法的全局搜索能力(勘探)強(qiáng)、局部搜索能力(開(kāi)采)弱,而粒子群優(yōu)化算法的全局搜索能力弱、局部搜索能力強(qiáng),結(jié)合自適應(yīng)Tent混沌搜索、反向?qū)W習(xí)策略和重組算子,本文提出了Tent混沌人工蜂群與粒子群的混合算法。該算法使用
7、Tent混沌反向?qū)W習(xí)策略初始化種群,使初始個(gè)體盡可能均勻分布。引入?yún)f(xié)同進(jìn)化思想將初始種群劃分為雙種群,對(duì)雙種群分別采用自適應(yīng)Tent混沌人工蜂群算法與Tent混沌粒子群優(yōu)化算法協(xié)同進(jìn)化,再利用重組算子選擇最優(yōu)個(gè)體作為跟隨蜂的鄰域蜜源和粒子群的全局極值。將Tent混沌人工蜂群與粒子群的混合算法應(yīng)用于復(fù)雜高維基準(zhǔn)函數(shù)尋優(yōu)。實(shí)驗(yàn)結(jié)果表明,該算法不僅能有效地避免早熟收斂,而且能有效地跳出局部極小值,與其它粒子群優(yōu)化和人工蜂群的混合算法相比,具有
8、更強(qiáng)的勘探能力和開(kāi)采能力。最后將其應(yīng)用于解決多序列比對(duì)問(wèn)題。實(shí)驗(yàn)結(jié)果表明,提出的算法能有效地解決多序列比對(duì)問(wèn)題,而且能獲得良好的比對(duì)效果,魯棒性強(qiáng)。
(5)群智能混合優(yōu)化算法在入侵檢測(cè)中的應(yīng)用
核主成分分析(kernel principal component analysis,KPCA)是一種非線性特征提取方法,支持向量機(jī)(support vector machine,SVM)的泛化能力和擬合精度取決于其相關(guān)參數(shù)的
9、選取,本文綜合KPCA和群智能混合優(yōu)化算法,提出了新的SVM入侵檢測(cè)分類(lèi)模型。在提出的模型中,KPCA對(duì)原始數(shù)據(jù)樣本進(jìn)行特征提取,以減少特征向量的維數(shù)和縮短訓(xùn)練時(shí)間;多SVM分類(lèi)器用于判斷是否為攻擊行為;同時(shí),為了減少不同特征引起的噪聲和提高SVM的性能,在RBF核函數(shù)中引入特征屬性的均值和均方差,以縮短SVM的訓(xùn)練時(shí)間;最后應(yīng)用本文提出的四種群智能混合算法優(yōu)化SVM的相關(guān)參數(shù)。實(shí)驗(yàn)結(jié)果表明,提出的SVM入侵檢測(cè)模型具有更好的檢測(cè)性能和
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 人工魚(yú)群混合智能優(yōu)化算法及其應(yīng)用研究.pdf
- 群智能優(yōu)化算法研究及其應(yīng)用.pdf
- 群智能優(yōu)化算法及應(yīng)用研究.pdf
- 螢火蟲(chóng)群智能優(yōu)化算法及其應(yīng)用研究.pdf
- 混合智能優(yōu)化算法及其應(yīng)用.pdf
- 混合蛙跳群智能算法的改進(jìn)及其應(yīng)用研究.pdf
- 群智能優(yōu)化算法及其應(yīng)用.pdf
- 群智能算法及其應(yīng)用研究.pdf
- 文化群智能優(yōu)化算法及其應(yīng)用.pdf
- 群智能優(yōu)化算法及其在通信中的應(yīng)用研究.pdf
- 基于協(xié)同進(jìn)化的混合智能優(yōu)化算法及其應(yīng)用研究.pdf
- 混沌螞蟻群優(yōu)化算法及其應(yīng)用研究.pdf
- 仿生智能優(yōu)化算法及其應(yīng)用研究.pdf
- 混合群搜索優(yōu)化算法及其應(yīng)用研究.pdf
- 混合群體智能優(yōu)化算法及應(yīng)用研究.pdf
- 粒子群混合智能優(yōu)化算法及應(yīng)用研究.pdf
- 群搜索優(yōu)化算法的若干改進(jìn)及其應(yīng)用研究.pdf
- 混合蟻群算法及其在管理優(yōu)化中的應(yīng)用.pdf
- 分類(lèi)問(wèn)題的智能優(yōu)化算法及其應(yīng)用研究.pdf
- 智能優(yōu)化算法應(yīng)用研究.pdf
評(píng)論
0/150
提交評(píng)論