一種新的基于螞蟻混沌行為的群智能優(yōu)化算法及其應(yīng)用研究.pdf

1、本文從全新的角度分析了螞蟻外出捕食、在巢和食物源之間建立最短路徑的過程。我們通過構(gòu)造一個“巢—食物源—巢”之間的映射關(guān)系，將螞蟻的外出捕食過程和建立最短食物路徑過程統(tǒng)一起來進行考慮。我們認為螞蟻的外出捕食過程是一個混沌搜索的過程，最短食物路徑的建立過程則是由混沌搜索逐漸過渡到暫態(tài)混沌直到收斂到最短食物路徑的過程。也就是說，螞蟻處于一個在信息素和混沌共同作用下的自組織過程，一個類似于混沌退火的過程。在整個過程中螞蟻通過不斷的分泌信息素來傳

2、遞最好路徑信息，并通過信息素形成自組織。本文的這個思想完全不同于MarcoDorigo的關(guān)于蟻群通過概率選擇來建立最短路徑的思想。 受螞蟻外出捕食和建立巢和食物源之間建立最短路徑行為的啟發(fā)，基于混沌搜索機理、自組織理論和群理論，我們創(chuàng)造性地構(gòu)建了一個新的解決最優(yōu)化問題的數(shù)學模型。這個模型不但可以解釋螞蟻的混沌搜索行為(此時螞蟻并沒有被組織起來)，而且可以解釋群體建立最佳食物路徑的過程。它是一個完全不同于MarcoDorigo的蟻

3、群最優(yōu)化算法的全新的群智能優(yōu)化模型。這種模型可以用來表示一種新的在搜索空間中求解非線性函數(shù)的全局最優(yōu)解或者次優(yōu)解的啟發(fā)式搜索算法，一個新的基于混沌、自組織和群體協(xié)作的群智能優(yōu)化算法。 本文主要創(chuàng)造性地構(gòu)建了一個用來解決優(yōu)化問題的新型群智能優(yōu)化算法模型，即混沌蟻群優(yōu)化模型，詳細分析了這個模型的動力學行為，并對它進行了算法性能測試研究。為了進一步測試算法的有效性、可行性以及算法應(yīng)用領(lǐng)域范圍，本文還開展了混沌蟻群優(yōu)化算法在參數(shù)辨識、模

4、糊系統(tǒng)設(shè)計、神經(jīng)網(wǎng)絡(luò)訓練和PID控制器參數(shù)整定等方面的應(yīng)用研究，并且取得了很好的效果，形成了一個新的關(guān)于群智能優(yōu)化的理論方案。 論文的主要研究內(nèi)容如下： (1)經(jīng)過對混沌理論和群智能理論的深入探討，綜合了混沌優(yōu)化和群智能優(yōu)化的優(yōu)點，創(chuàng)造性地提出了一個新的現(xiàn)代啟發(fā)式智能優(yōu)化算法模型，即混沌蟻群優(yōu)化算法模型。系統(tǒng)地分析了混沌蟻群優(yōu)化算法模型的非線性動力學行為，討論了螞蟻鄰居間的信息交換方式。為了檢驗所給出新算法的性能，進行了

5、大量的測試工作。首先用多模態(tài)函數(shù)進行算法性能測試，并和免疫系統(tǒng)優(yōu)化算法進行了比較；然后，采用標準的高維測試函數(shù)進行了測試研究，并且在相同條件下與粒子群和凱爾曼群的算法性能測試的結(jié)果相比較；最后，利用有約束的測試函數(shù)進行了測試。所有這些測試結(jié)果都表明混沌蟻群優(yōu)化算法可以很好地進行優(yōu)化搜索。同時對混沌蟻群算法、其它混沌優(yōu)化算法、蟻群算法和粒子群算法進行了對比分析。 (2)基于混沌蟻群算法具有的全局優(yōu)化搜索能力，提出了采用混沌螞蟻群算

6、法對動力學系統(tǒng)進行參數(shù)估計，給出了利用混沌蟻群算法進行動力學系統(tǒng)參數(shù)辨識的具體過程。并且在迭加測量噪聲的情況下，利用混沌蟻群算法辨識動力學系統(tǒng)的未知參數(shù)，研究了代價函數(shù)、觀測序列的長度與算法的搜索性能之間的關(guān)系，為了進一步說明所給方法的有效性和可行性，對Logistic映射和Lorenz混沌系統(tǒng)也進行了未知參數(shù)辨識研究，并且給出了相應(yīng)的參數(shù)辨識結(jié)果。 (3)從模糊系統(tǒng)的萬能逼近特性出發(fā)，通過設(shè)置合適的適值，模糊系統(tǒng)的設(shè)計問題轉(zhuǎn)化

7、為可采用混沌蟻群算法來處理的模糊系統(tǒng)參數(shù)優(yōu)化問題，從而我們提出了采用混沌蟻群算法設(shè)計模糊系統(tǒng)，給出了利用混沌蟻群算法設(shè)計模糊系統(tǒng)的具體步驟，并成功地應(yīng)用所設(shè)計的CAS-Fuzzy系統(tǒng)進行了非線性系統(tǒng)辨識、時間序列預測和非線性自適應(yīng)控制。 (4)由于混沌螞蟻群算法具有較強的全局搜索能力，同時具有較高的精度、模型簡單、計算復雜度低、不易陷入局部最優(yōu)解等優(yōu)點，本文提出了利用混沌蟻群算法訓練神經(jīng)網(wǎng)絡(luò)的新方案，并將設(shè)計好的神經(jīng)網(wǎng)絡(luò)應(yīng)用于解

8、決函數(shù)逼近問題。結(jié)果表明，混沌螞蟻群算法設(shè)計的神經(jīng)網(wǎng)絡(luò)確實具有下述優(yōu)點：不易陷入局部最優(yōu)、具有較強的避免在局部區(qū)域搜索過程中的收斂停滯現(xiàn)象的能力、訓練結(jié)果精度較高、在隨機擾動或測量噪聲存在的情況下，仍然可以達到較好的訓練效果。 (5)采用混沌螞蟻群算法對PID控制器的參數(shù)進行整定，以誤差積分型性能指標為目標函數(shù)、以設(shè)計參數(shù)的取值范圍及最小增益相位裕度為約束條件建立了數(shù)學模型。最后給出兩個數(shù)值實例并進行了對比分析，數(shù)值仿真結(jié)果表明