群智能優(yōu)化算法研究及其應(yīng)用_圖文

1、廣西民族大學(xué)碩士學(xué)位論文群智能優(yōu)化算法研究及其應(yīng)用姓名:陳建榮申請(qǐng)學(xué)位級(jí)別:碩士專業(yè):計(jì)算機(jī)應(yīng)用技術(shù)指導(dǎo)教師:王勇20090301 群智能優(yōu)化算法研究及其應(yīng)用作者:陳建榮學(xué)位授予單位:廣西民族大學(xué)相似文獻(xiàn)(8條為能更有效地解決工業(yè)生產(chǎn)過(guò)程中大量存在的優(yōu)化問(wèn)題,自20世紀(jì)80年代以來(lái),涌現(xiàn)出了一些智能優(yōu)化算法,它們通過(guò)模擬某一自然現(xiàn)象或過(guò)程而發(fā)展起來(lái),為解決復(fù)雜系統(tǒng)的優(yōu)化問(wèn)題提供了新的思路和手段,自誕生就引起了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注并被應(yīng)用于許多領(lǐng)域。人工魚群算法(Artificial Fish Swarm Algorithm,AFSA是源于對(duì)魚群覓食行為研究而提出的一種新型群體智能優(yōu)化算法。該算

2、法具有對(duì)初值和參數(shù)選擇不敏感、魯棒性強(qiáng)、簡(jiǎn)單、易于實(shí)現(xiàn),且具備并行處理能力和全局搜索能力等方面的特點(diǎn)。但AFSA在應(yīng)用過(guò)程中還有很多不完善的地方,如:算法后期收斂速度慢,搜索精度不高,在多峰問(wèn)題尋優(yōu)時(shí)難以找到全部最優(yōu)解等等。并且,AFSA的應(yīng)用還不夠深入。為此,本文著重從AFSA的改進(jìn)和應(yīng)用方面進(jìn)行了研究。主要研究工作如下:(1針對(duì)AFSA在較大或變化平坦的區(qū)域?qū)?yōu)時(shí),收斂于全局最優(yōu)解的速度減慢、搜索性能劣化,特別是在優(yōu)化后期往往收斂較慢的問(wèn)題,提出了一種基于變異算子與模擬退火混合的人工魚群優(yōu)化算法。該算法保持了AFSA簡(jiǎn)單、易實(shí)現(xiàn)的特點(diǎn),同時(shí)克服了人工魚漫無(wú)目的隨機(jī)游動(dòng)或在非全局極值點(diǎn)大量聚

3、集的局限性,顯著提高了運(yùn)行效率和求解質(zhì)量,為解決復(fù)雜尋優(yōu)問(wèn)題提供了有效方法。通過(guò)函數(shù)和實(shí)例測(cè)試驗(yàn)證,表明該算法是可行和有效的。(2針對(duì)AFSA在多峰問(wèn)題尋優(yōu)時(shí)難以找到全部最優(yōu)解及精度不高的問(wèn)題,提出了一種基于生境人工魚群算法的多峰問(wèn)題優(yōu)化算法。該算法融合了模擬退火、小生境技術(shù)的思想,并加入了變異算子和自動(dòng)生成合適小生境半徑機(jī)制。通過(guò)對(duì)幾種典型多峰函數(shù)的測(cè)試,表明該算法不僅能有效、精確找出多峰問(wèn)題的全局和局部所有最優(yōu)解,而且無(wú)需預(yù)先設(shè)置小生境半徑,實(shí)現(xiàn)了真正的自適應(yīng)搜索,較好地解決了復(fù)雜多峰優(yōu)化問(wèn)題。(3針對(duì)連續(xù)屬性樣本分類挖掘時(shí)需離散化預(yù)處理,可能導(dǎo)致原始信息的缺失問(wèn)題,提出了基于人工魚群算法

4、的分類規(guī)則挖掘算法,給出了適用于AFSA的分類規(guī)則編碼方案、構(gòu)造了新的準(zhǔn)確提取規(guī)則集的分類規(guī)則適應(yīng)值函數(shù)。該算法從優(yōu)化的角度來(lái)解決分類問(wèn)題,自動(dòng)實(shí)現(xiàn)連續(xù)屬性樣本分類規(guī)則的挖掘,從而為連續(xù)屬性樣本提供了一個(gè)不需要離散化處理而直接進(jìn)行數(shù)據(jù)挖掘的新方法。實(shí)驗(yàn)結(jié)果表明,該算法不僅能夠挖掘出簡(jiǎn)潔、易于理解的規(guī)則集,而且具有較強(qiáng)的魯棒性和較高的準(zhǔn)確率,是一種可行和有效的分類規(guī)則優(yōu)化算法。(4針對(duì)神經(jīng)網(wǎng)絡(luò)需要依靠經(jīng)驗(yàn)確定網(wǎng)絡(luò)結(jié)構(gòu)及其優(yōu)化問(wèn)題,設(shè)計(jì)了一種基于人工魚群算法的網(wǎng)絡(luò)分類器。該方法把輸入屬性選取和網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)結(jié)合,通過(guò)人工魚群算法尋優(yōu),同時(shí)實(shí)現(xiàn)了輸入屬性選擇、神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的優(yōu)化。實(shí)驗(yàn)表明,該算法

5、能夠獲得一個(gè)具有性能可靠、較好泛化能力的簡(jiǎn)單分類器,避免了一般神經(jīng)網(wǎng)絡(luò)依靠經(jīng)驗(yàn)確定網(wǎng)絡(luò)結(jié)構(gòu)的困難,拓寬了AFSA的應(yīng)用領(lǐng)域。(5在對(duì)AFSA研究和改進(jìn)的基礎(chǔ)上,結(jié)合國(guó)家863項(xiàng)目“太陽(yáng)能生物制氫技術(shù)研究”,在部分實(shí)驗(yàn)所獲得的樣本數(shù)據(jù)基礎(chǔ)上,引入全局尋優(yōu)人工魚群優(yōu)化算法,通過(guò)AFSA優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),獲得影響生物制氫的最相關(guān)因素,建立了基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的光合細(xì)菌制氫過(guò)程模型;再用AFSA對(duì)已確定的主要工藝條件進(jìn)行優(yōu)化,獲得了最大制氫量的最佳工藝條件。實(shí)驗(yàn)結(jié)果表明所提出的優(yōu)化計(jì)算方案可行,此項(xiàng)研究為太陽(yáng)能光合細(xì)菌制氫工藝技術(shù)優(yōu)化探索了一條新的途徑。本論文是在國(guó)家“十五”863計(jì)劃項(xiàng)目“太陽(yáng)能生物制

6、氫技術(shù)研究”(編號(hào):2004AA515010和國(guó)家自然科學(xué)基金項(xiàng)目“光合生物制氫體系的熱效應(yīng)及其產(chǎn)氫機(jī)理研究”(編號(hào):50676029資助下開展的科學(xué)研究。粒子群優(yōu)化算法(Particle Swarm Optimization,PSO是1995年Kenndy和Eberhart提出的,源于對(duì)鳥群運(yùn)動(dòng)行為的研究,是一種基于群智能優(yōu)化算法的演化計(jì)算技術(shù).由于它的較強(qiáng)的全局搜索能力,較少的參數(shù)設(shè)置,簡(jiǎn)單容易實(shí)現(xiàn),所以從一提出,就引起了許多學(xué)者的關(guān)注,并得到了迅速的發(fā)展,并被應(yīng)用到了各個(gè)領(lǐng)域,如函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、模糊系統(tǒng)控制以及其他遺傳算法的應(yīng)用領(lǐng)域.本文的主要研究成果與貢獻(xiàn)如下:1簡(jiǎn)要的回顧了群

7、集智能算法理論產(chǎn)生的背景.總結(jié)了三種群集智能算法一蟻群算法、粒子群算法、人工魚群算法的基本理論和發(fā)展現(xiàn)狀.2對(duì)于粒子群算法進(jìn)行了詳細(xì)的分析.粒子群優(yōu)化算法是一種新興的仿生學(xué)算法,在介紹了原始的PSO算法的基本原理、數(shù)學(xué)描述、算法參數(shù)和流程的基礎(chǔ)上,又介紹了標(biāo)準(zhǔn)的PSO算法.3通過(guò)對(duì)十年來(lái)粒子群改進(jìn)算法的研究,提出了四種改進(jìn)思路,并介紹了幾個(gè)典型的改進(jìn)模型.4提出了一種引入平均極值的改進(jìn)的粒子群算法(MPSO,使得粒子在進(jìn)化的過(guò)程中追隨個(gè)體極值、平均極值、全局極值三個(gè)極值,與標(biāo)準(zhǔn)的粒子群算法相比,該算法在避免過(guò)早的陷入局部最優(yōu)等方面有比較好的效果.優(yōu)化是人們?cè)诳茖W(xué)研究、工程技術(shù)和經(jīng)濟(jì)管理等諸多領(lǐng)

8、域中經(jīng)常碰到的問(wèn)題。對(duì)優(yōu)化策略及算法的研究成為近年來(lái)備受科學(xué)工作者關(guān)注的研究目標(biāo)之一。受到具有社會(huì)性的動(dòng)物,如蟻群、蜂群、鳥群、魚群等的自組織行為的啟發(fā),不少學(xué)者對(duì)這種行為進(jìn)行數(shù)學(xué)建模并用計(jì)算機(jī)對(duì)其進(jìn)行仿真,隨之產(chǎn)生了“群智能”(Swarm Intelligence,SI,或稱“群集智能”,主要包括遺傳算法、蟻群算法、粒子群算法和人工魚群算法等。本文在對(duì)現(xiàn)有的群智能理論領(lǐng)域主要算法的基本理論、系統(tǒng)模型、參數(shù)設(shè)置和實(shí)驗(yàn)仿真進(jìn)行分析研究的基礎(chǔ)上,提出了一種粒子群與蟻群及遺傳和模擬退火算法相混合的算法,并將其應(yīng)用于R數(shù)字濾波器、陷波器的設(shè)計(jì)應(yīng)用上,從實(shí)驗(yàn)分析上看,取得了一定的效果,通過(guò)仿真實(shí)驗(yàn)表明,

9、該方法設(shè)計(jì)的濾波器在通帶和阻帶內(nèi)具有較好的特性,較好地防止了算法易陷入局部最優(yōu)等問(wèn)題,且計(jì)算簡(jiǎn)單、計(jì)算量小,有較好的應(yīng)用前景,進(jìn)而驗(yàn)證了該混,合算法的適用性和有效性。群智能優(yōu)化算法是一種近年來(lái)新興的優(yōu)化方法,是受到關(guān)注最多的優(yōu)化研究領(lǐng)域之一,其模擬社會(huì)性動(dòng)物的各種群體行為,利用群體中的個(gè)體之間的信息交互和合作來(lái)實(shí)現(xiàn)尋優(yōu)的目的。與其它類型的優(yōu)化方法相比,其實(shí)現(xiàn)較為簡(jiǎn)單、效率較高。盡管對(duì)群智能優(yōu)化的研究已經(jīng)取得了一定的成果,但是從整體上來(lái)說(shuō),這一新興的領(lǐng)域仍然處于開放狀態(tài),尚有大量的問(wèn)題需要解決,如怎樣進(jìn)一步提高尋優(yōu)效率,怎樣將其它優(yōu)秀的社會(huì)性動(dòng)物系統(tǒng)應(yīng)用于優(yōu)化算法中等等。本論文對(duì)群智能優(yōu)化算法的

10、算法改進(jìn)及應(yīng)用進(jìn)行了研究。第二章至第五章從參數(shù)選取、參數(shù)更新策略、多算法混合設(shè)計(jì)、新算法的提出等算法層面進(jìn)行了研究,第六章和第七章以二自由度并聯(lián)機(jī)構(gòu)的標(biāo)定為應(yīng)用平臺(tái),對(duì)群智能算法的應(yīng)用進(jìn)行了研究,標(biāo)定出了二自由度并聯(lián)機(jī)構(gòu)的全部運(yùn)動(dòng)學(xué)參數(shù)。第二章針對(duì)蟻群算法的參數(shù)選取主要依靠經(jīng)驗(yàn)和試湊而導(dǎo)致的算法性能不穩(wěn)定的不足,將正交試驗(yàn)的方法引入到蟻群算法的參數(shù)選取中,以典型的組合優(yōu)化問(wèn)題-TSP問(wèn)題為例,對(duì)蟻群算法最主要的四個(gè)參數(shù)進(jìn)行了兩次逐級(jí)的三水平正交試驗(yàn),實(shí)驗(yàn)表明,這種參數(shù)選取方法能夠以較少的實(shí)驗(yàn)次數(shù)較為準(zhǔn)確地優(yōu)選參數(shù);接著,針對(duì)蟻群算法信息素正反饋抑制了群體多樣性的問(wèn)題,引入了信息素負(fù)反饋更新策略

11、,路徑較好的螞蟻留下正信息素,而路徑較差的螞蟻留下負(fù)信息素,TSP實(shí)驗(yàn)結(jié)果表明引入了負(fù)反饋的信息素更新策略比一般的蟻群算法能更好地保持多樣性。第三章針對(duì)在典型的粒子群算法中慣性權(quán)重因子僅是迭代次數(shù)的函數(shù),忽略了個(gè)體本身的搜索狀態(tài)(包括當(dāng)前位置和速度這一問(wèn)題,基于力學(xué)的基本原理,提出了一種自適應(yīng)慣性權(quán)重策略,這一策略根據(jù)粒子當(dāng)前的搜索狀態(tài)來(lái)調(diào)整個(gè)體在不同方向的慣性權(quán)重的大小?；谶@一策略,結(jié)合巴特沃茲濾波函數(shù)設(shè)計(jì)了個(gè)體在不同方向上的慣性權(quán)重函數(shù)。連續(xù)優(yōu)化標(biāo)準(zhǔn)測(cè)試函數(shù)實(shí)驗(yàn)證明了提出的自適應(yīng)慣性權(quán)重策略可以提高搜索的速度和精度。接著,將粒子群算法搜索步長(zhǎng)較大而進(jìn)化策略搜索步長(zhǎng)較小的特點(diǎn)結(jié)合起來(lái),提出

12、了基于這兩種算法的混合優(yōu)化算法,即對(duì)群體中較優(yōu)的個(gè)體進(jìn)行進(jìn)化策略式的個(gè)體變異操作,而對(duì)群體中較差的個(gè)體進(jìn)行粒子群式的更新操作。優(yōu)化實(shí)驗(yàn)證明,混合設(shè)計(jì)可以改進(jìn)算法性能。為了提高差分演化算法的多模優(yōu)化能力,第四章在處理多模優(yōu)化的擁擠聚類方法的基礎(chǔ)上,引入了不穩(wěn)定全局最小值的概念,在擁擠聚類方法中加入精英策略,提出了改進(jìn)的擁擠聚類方法,在理論上證明了在此改進(jìn)的方法下不穩(wěn)定全局最小值不會(huì)被任何父代個(gè)體所清除并且會(huì)進(jìn)入下一代、局部穩(wěn)定最小值將有更大概率進(jìn)入下一代這兩個(gè)性質(zhì)。將此改進(jìn)的擁擠聚類方法與差分演化算法結(jié)合,提出了改進(jìn)擁擠聚類差分演化算法,并對(duì)所提出的算法在多模函數(shù)優(yōu)化上的性能進(jìn)行了實(shí)驗(yàn)研究,結(jié)果

13、證明了改進(jìn)擁擠聚類差分演化算法能夠更好地找到多模函數(shù)的多個(gè)極值。第五章首先總結(jié)了前面三章研究的各種群智能算法的整體框架,總結(jié)了設(shè)計(jì)群智能算法時(shí)應(yīng)該遵循的一些原則。在此基礎(chǔ)上,將生物行為學(xué)家所研究的魚群行為特征應(yīng)用于群智能連續(xù)優(yōu)化算法的設(shè)計(jì),提出了一種新魚群算法。該算法模擬魚群在空間的游動(dòng)行為,以個(gè)體魚之間的實(shí)空間歐式距離為量度,將個(gè)體魚感知范圍內(nèi)的鄰域空間分為吸引、排斥和中性區(qū)域,使對(duì)應(yīng)區(qū)域中的其它個(gè)體分別對(duì)此個(gè)體魚有吸引、排斥及隨機(jī)的吸引或排斥作用,并同時(shí)考慮所有個(gè)體魚都有向食物源運(yùn)動(dòng)的趨勢(shì)。通過(guò)標(biāo)準(zhǔn)測(cè)試函數(shù)實(shí)驗(yàn)對(duì)所提出的新魚群算法和人工魚群算法以及粒子群算法進(jìn)行了對(duì)比分析。實(shí)驗(yàn)結(jié)果表明了新

14、魚群算法的優(yōu)越性。最后,在基本算法的基礎(chǔ)上提出了線性變化權(quán)重因子策略,測(cè)試函數(shù)的實(shí)驗(yàn)證明此策略可以進(jìn)一步提升算法性能。 第六章基于平面二自由度并聯(lián)機(jī)構(gòu)的閉鏈約束方程,構(gòu)造了一個(gè)誤差函數(shù)。進(jìn)一步通過(guò)運(yùn)動(dòng)學(xué)推導(dǎo),消除了其中的被動(dòng)關(guān)節(jié)角度參數(shù),給出了形式更為簡(jiǎn)潔的表達(dá),并且減少了參數(shù)個(gè)數(shù)。接著,利用變量替換,將誤差函數(shù)中的相乘項(xiàng)分開,使誤差函數(shù)變得簡(jiǎn)單。在固定三個(gè)基座坐標(biāo)以固定坐標(biāo)系的基礎(chǔ)上,將粒子群算法、差分演化算法等群智能優(yōu)化算法應(yīng)用于優(yōu)化誤差函數(shù),對(duì)平面二自由度并聯(lián)機(jī)構(gòu)的自標(biāo)定進(jìn)行了仿真研究。在仿真研究確定了最適合的誤差函數(shù)和優(yōu)化算法之后,對(duì)實(shí)際平面二自由度并聯(lián)機(jī)構(gòu)系統(tǒng)標(biāo)定進(jìn)行了實(shí)際實(shí)驗(yàn)研究,

15、標(biāo)定出了實(shí)際系統(tǒng)的12個(gè)運(yùn)動(dòng)學(xué)參數(shù)。第七章以標(biāo)定第六章中所研究的二自由度并聯(lián)機(jī)構(gòu)的所有參數(shù)為目的,基于平面幾何分析方法,提出了系統(tǒng)在沒(méi)有基座坐標(biāo)固定情況下會(huì)產(chǎn)生的三種位形變換,分析了由這些位形變換所產(chǎn)生的多解問(wèn)題,解釋了在完全依靠?jī)?nèi)部信息的自標(biāo)定下固定三個(gè)基座坐標(biāo)的必要性。接著,基于外部測(cè)量手段,提出了去除多解的策略和基于自標(biāo)定和外部標(biāo)定的混合標(biāo)定方法。利用差分演化算法通過(guò)仿真實(shí)驗(yàn)對(duì)平面二自由度并聯(lián)機(jī)構(gòu)無(wú)基座坐標(biāo)同定下的混合標(biāo)定進(jìn)行了研究。針對(duì)無(wú)基座坐標(biāo)固定下的誤差函數(shù)是一個(gè)典型的含有多個(gè)全局極值的多模函數(shù)的特點(diǎn),將改進(jìn)擁擠聚類差分演化方法應(yīng)用于誤差函數(shù)的優(yōu)化,并通過(guò)仿真實(shí)驗(yàn)對(duì)平面二自由度并聯(lián)

16、機(jī)構(gòu)的混合標(biāo)定進(jìn)行了研究,結(jié)果表明可以標(biāo)定出二自由度并聯(lián)機(jī)構(gòu)的所有運(yùn)動(dòng)學(xué)參數(shù)。本文以流程工業(yè)過(guò)程的調(diào)度問(wèn)題為研究對(duì)象,并設(shè)計(jì)求解該類問(wèn)題的數(shù)學(xué)模型,以及解決該類問(wèn)題的高效優(yōu)化算法,即人工魚群算法(Artificial fish swarmalgorithm-AFSA。由于,人工魚群算法具有系統(tǒng)性、自組織性、分布式計(jì)算等特點(diǎn),使得它在理論上求解調(diào)度問(wèn)題時(shí)具用有更大的優(yōu)越性。但在實(shí)際應(yīng)用中,人工魚群算法也出現(xiàn)了運(yùn)算時(shí)間較長(zhǎng)、容易陷入局部極小值等缺點(diǎn)。因此本文提出了進(jìn)一步改進(jìn)人工魚群算法性能的策略與技術(shù),然后應(yīng)用改進(jìn)的人工魚群算法來(lái)求解各種情況的生產(chǎn)調(diào)度問(wèn)題。具體說(shuō)來(lái),本論文主要包括以下幾個(gè)方面的內(nèi)

17、容。首先,人工魚群算法(AFSA是一種新型的集群智能優(yōu)化算法,為求解生產(chǎn)調(diào)度問(wèn)題引入了一種新的智能算法。本文在分析AFSA存在的不足之后,在保持了AFSA算法的基本行為上,提出了在覓食行為過(guò)程中采用基于交換列表的排序法,在隨機(jī)移動(dòng)行為中采用自適應(yīng)的小范圍移動(dòng)行為的改進(jìn)人工魚群算法。根據(jù)置換Flow Shop調(diào)度問(wèn)題的數(shù)學(xué)模型,給出了基于改進(jìn)的人工魚群算法的置換Flow Shop調(diào)度問(wèn)題的求解策略,詳細(xì)討論了求解步驟,實(shí)驗(yàn)仿真結(jié)果表明該算法具有較強(qiáng)的全局搜索能力與更高的搜索效率,驗(yàn)證了該算法的可行性和有效性。其次,本論文將改進(jìn)的人工魚群算法應(yīng)用于零等待Flow Shop調(diào)度問(wèn)題,根據(jù)零等待Flo

18、w Shop調(diào)度問(wèn)題的數(shù)學(xué)模型,給出了基于改進(jìn)的人工魚群算法的零等待Flow Shop調(diào)度問(wèn)題的求解策略,詳細(xì)討論了求解步驟,實(shí)驗(yàn)仿真結(jié)果表明該算法具有較強(qiáng)的全局搜索能力與更高的搜索效率,驗(yàn)證了該算法的可行性和有效性。最后,針對(duì)實(shí)際生產(chǎn)過(guò)程中存在的產(chǎn)品處理時(shí)間等的不確定性,采用灰色規(guī)劃理論描述這種不確定性;分析了處理時(shí)間不確定條件下置換產(chǎn)品調(diào)度問(wèn)題的特點(diǎn),利用結(jié)合水平截集的灰色規(guī)劃理論對(duì)上述調(diào)度問(wèn)題進(jìn)行建模;結(jié)合基于灰色模擬的改進(jìn)的人工魚群算法求解上述調(diào)度問(wèn)題;通過(guò)對(duì)所建立的模型的調(diào)度問(wèn)題進(jìn)行的大量的仿真研究,驗(yàn)證了所提出調(diào)度模型及算法的有效性。關(guān)鍵詞:生產(chǎn)調(diào)度;人工魚群算法,自適應(yīng);不確定性

19、;水平截集;灰色不確定規(guī)劃在CDMA通信系統(tǒng)中,由于多個(gè)用戶信號(hào)擴(kuò)頻碼字的非零互相關(guān)產(chǎn)生了多址干擾(MAI,而且隨著用戶數(shù)的增多或信號(hào)功率的增大,多址干擾會(huì)成為影響CDMA通信質(zhì)量的一個(gè)主要因素,嚴(yán)重制約著系統(tǒng)容量。多用戶檢測(cè)技術(shù)(MUD是有效解決多址干擾問(wèn)題的方法之一,它不同于傳統(tǒng)匹配濾波器將其他用戶的信號(hào)看作干擾,而是利用所有用戶信號(hào)對(duì)單個(gè)用戶信號(hào)進(jìn)行檢測(cè),從而具有優(yōu)良的抗干擾性能,解決了遠(yuǎn)近效應(yīng)問(wèn)題,降低了系統(tǒng)對(duì)功率控制精度的要求,這樣可以更加有效地利用上行鏈路頻譜資源,顯著提高系統(tǒng)容量。多用戶信號(hào)的最佳檢測(cè)是典型的組合優(yōu)化問(wèn)題,所以近年來(lái)人們開始將遺傳算法、粒子群算法和人工魚群算法等一

20、些生物群智能優(yōu)化算法用于最優(yōu)多用戶檢測(cè)代價(jià)函數(shù)的求解,為多用戶檢測(cè)的研究開辟了一條新的道路。傳統(tǒng)離散粒子群算法(DPSO收斂速度快、計(jì)算復(fù)雜度低,但局部空間的搜索能力不強(qiáng),在進(jìn)化過(guò)程中,粒子容易“早熟”,在迭代后期收斂速度緩慢,本文在DPSO的基礎(chǔ)上引入了克隆選擇算法(CS和改進(jìn)的自適應(yīng)算子,提出了自適應(yīng)克隆選擇粒子群算法(ACSPSO,并將其用于多用戶檢測(cè)。MATLAB仿真分析表明,ACSPSO在誤碼率和收斂速度上都比DPSO得到明顯改善。此外,本文還分析了自適應(yīng)人工魚群算法(AAFSA,它收斂速度較快、使用靈活,但在解決離散優(yōu)化問(wèn)題時(shí),AAFSA保持探索與開發(fā)平衡的能力較差,算法后期搜索的

21、盲目性較大,從而影響了搜索的質(zhì)量和效率。本文又將CS和改進(jìn)的自適應(yīng)算子引入兩種自適應(yīng)人工魚群算法(AAFSA-FP和AAFSA-SP,提出了兩種新的自適應(yīng)克隆選擇人工魚群算法(IAFSA-FP和IAFSA-SP。仿真實(shí)驗(yàn)證明,這兩種新的多用戶檢測(cè)器和AAFSA-FP和AAFSASP相比,在一定程度上降低了誤碼率,并且收斂速度也有所提高。7.期刊論文胡中功.李靜.HU Zhong-gong.Li Jing群智能算法的研究進(jìn)展-自動(dòng)化技術(shù)與應(yīng)用2008,27(2群智能是一種仿生自然界動(dòng)物昆蟲覓食筑巢行為的新興演化計(jì)算技術(shù).目前主要的群智能優(yōu)化算法有蟻群算法、微粒群算法和人工魚群算法.本文介紹了群智

22、能算法的產(chǎn)生,發(fā)展和優(yōu)點(diǎn),并著力闡述了上述三種典型算法的基本原理,同時(shí)概述了各算法的應(yīng)用現(xiàn)狀,最后提出了算法將來(lái)有待研究的內(nèi)容.群智能算法是一種模擬生物群體集體智慧的計(jì)算智能算法。因?yàn)樗彩且环N仿生的、隨機(jī)的概率搜索算法,一般也將它歸結(jié)為一種新興的演化計(jì)算方法。群智能算法的概念最早是由Beni,Hackwood和Wang在分子自動(dòng)機(jī)系統(tǒng)中提出的。群智能算法中的群體是指一組相互之間可以進(jìn)行通信的主體,這組主體能夠進(jìn)行分布式問(wèn)題的求解,這些無(wú)智能或只有簡(jiǎn)單智能的主體通過(guò)聚集合作表現(xiàn)出智能性。群智能優(yōu)化算法研究的是個(gè)體與個(gè)體之間的關(guān)系以及個(gè)體與群體之間的關(guān)系。與一般意義上的演化計(jì)算最大的區(qū)別在于:演

23、化計(jì)算模擬的是生物系統(tǒng)的進(jìn)化過(guò)程,它靠基因世代相傳,它強(qiáng)調(diào)的是“個(gè)體競(jìng)爭(zhēng),適者生存”,其基本操作是選擇(復(fù)制、交叉重組和變異;群智能算法模擬的是社會(huì)系統(tǒng),它是靠“敏因”(Meme傳播,它強(qiáng)調(diào)的是個(gè)體與個(gè)體之間、個(gè)體與群體之間的相互協(xié)作和相互促進(jìn),是適應(yīng)度差的個(gè)體向好的學(xué)習(xí)、靠攏和聚集,而非純粹的優(yōu)勝劣汰,它的操作中隱含了選擇、交叉和變異,但主要表現(xiàn)是學(xué)習(xí)、調(diào)整、聚集等行為。在群智能算法中,少數(shù)個(gè)體的行為對(duì)整個(gè)群體的表現(xiàn)影響不太大,即使有個(gè)別個(gè)體出現(xiàn)故障,也不會(huì)影響群體對(duì)問(wèn)題的求解,這種算法魯棒性較強(qiáng);群智能算法中,個(gè)體行為的改變一般都追隨附近個(gè)體的變化,對(duì)于單個(gè)個(gè)體而言,它需要的信息量少,只需

24、要接受局部信息,而且它能夠采取的動(dòng)作也較簡(jiǎn)單,這些因素將使群智能算法擴(kuò)展性好且易于實(shí)現(xiàn);另外,生物群體之所以能完成復(fù)雜的行為、具有智能,是因?yàn)閭€(gè)體之間有相互聯(lián)系和影響，這種聯(lián)系和影響是自發(fā)的且具有一定的規(guī)律性，模擬生物群體的這一特點(diǎn)群智能算 法因而也具有較強(qiáng)的自組織性;群智能算法中，群體中的個(gè)體位置是隨機(jī)分布的，搜索空 間是全局性的，因而群智能算法具有潛在的并行性和分布式特點(diǎn)。 群智能優(yōu)化算法的基本思想是模擬實(shí)際生物群體生活中個(gè)體與個(gè)體之間的相互交流與 合作，利用簡(jiǎn)單、有限的個(gè)體行為與智能，通過(guò)相互作用形成整個(gè)群體巨大的整體能力， 來(lái)解決復(fù)雜的實(shí)際問(wèn)題。在群智能優(yōu)化算法中，人們對(duì)各個(gè)生物體都進(jìn)

25、行了人工處理，使 之更科學(xué)、合理，更適合解決實(shí)際問(wèn)題。群智能算法多用于目標(biāo)優(yōu)化問(wèn)題、機(jī)器學(xué)習(xí)、模 式識(shí)別、系統(tǒng)建模、決策支持和演化硬件等方面。 到目前為止，群智能算法主要包括粒子群優(yōu)化算法、蟻群優(yōu)化算法、人工魚群算法和 混合蛙跳算法。在此學(xué)位論文中，主要是分析了粒子群優(yōu)化算法和蟻群優(yōu)化算法。 粒子群優(yōu)化算法是1995年由Kennedy等人提出的。因其具有快速性和易于實(shí)現(xiàn)等優(yōu)點(diǎn)， 其理論研究不斷深入，應(yīng)用范圍也不斷拓展，針對(duì)標(biāo)準(zhǔn)粒子群算法的改進(jìn)方法也層出不窮， 粒子群算法目前已成為計(jì)算智能領(lǐng)域的一個(gè)新的研究熱點(diǎn)。 在粒子群優(yōu)化算法中，粒子群中的每個(gè)粒子相當(dāng)于鳥群中的一只鳥，它們都追蹤當(dāng)前 的最優(yōu)

26、粒子，在解空間中搜索，這些粒子們不斷更新自己的位置和速度，通過(guò)持續(xù)迭代， 得到最優(yōu)解。粒子群算法發(fā)展至今有基本粒子群算法、標(biāo)準(zhǔn)粒子群算法和各種改進(jìn)的粒子 群算法。在綜合分析了粒子群算法的優(yōu)點(diǎn)和缺陷后，本文提出了一種新的改進(jìn)粒子群算法 多群快速粒子群算法，它通過(guò)將柯西變異、自然選擇和交叉操作引入粒子群算法來(lái)提 高粒子的多樣性，從而提高算法速度和收斂率，避免了粒子過(guò)早陷入局部最優(yōu)。 蟻群優(yōu)化算法是1991年由意大利學(xué)者M(jìn)arco Dorigo，Viuorio Mamezzo，Albert Coolorni等人提出，該算法魯棒性強(qiáng)，具有正反饋、并行性等特點(diǎn)，其應(yīng)用范圍很廣，主 要的應(yīng)用領(lǐng)域有：旅行商

27、問(wèn)題、二次分配問(wèn)題、順序排列問(wèn)題、通訊網(wǎng)絡(luò)路由問(wèn)題及大規(guī) 模集成電路設(shè)計(jì)等問(wèn)題。 蟻群算法不需要任何先驗(yàn)知識(shí)，螞蟻們最初只是隨機(jī)地選擇搜索路徑，隨著搜索過(guò)程 的延續(xù)，對(duì)解空間的了解不斷增多，搜索也漸漸變得有規(guī)律，直至逼近或最終達(dá)到全局最 優(yōu)解。人們通過(guò)認(rèn)真、仔細(xì)研究，發(fā)現(xiàn)了能導(dǎo)致這種優(yōu)化結(jié)果的原因，即：螞蟻在尋找食 物的過(guò)程中，會(huì)在它們經(jīng)過(guò)的路徑上釋放一種叫做信息素的化學(xué)物質(zhì)，同一蟻群中的其它 螞蟻能感知到這種物質(zhì)和它的強(qiáng)度，后續(xù)螞蟻會(huì)傾向于朝著信息素濃度高的方向移動(dòng)，顯 然路徑越短，信息素濃度越大，而越是信息素濃度高的路徑上，吸引的螞蟻也會(huì)越多，留 下的信息素也會(huì)越來(lái)越多，形成一種正反饋效應(yīng)

28、，在正反饋效應(yīng)的影響下，最終所有的螞 蟻都會(huì)走到最短的那條路徑上。仿照蟻群算法在解決TSP問(wèn)題上的應(yīng)用，我們?cè)谶壿嬰娐?的設(shè)計(jì)中嘗試使用了蟻群算法。 本論文有兩個(gè)著眼點(diǎn)，一是希望在系統(tǒng)分析粒子群算法特點(diǎn)的基礎(chǔ)上，提出一些新的 解決問(wèn)題的思路和方法；再就是希望通過(guò)詳細(xì)分析蟻群優(yōu)化算法的特點(diǎn)，抓住它并行搜索 的優(yōu)勢(shì)，并借助蟻群算法解決TSP問(wèn)題的方法，將之與演化硬件相結(jié)合，實(shí)現(xiàn)電路的優(yōu)化 設(shè)計(jì)。論文的主要研究工作如下： 1、在分析計(jì)算智能中幾種算法的基礎(chǔ)上，重點(diǎn)介紹了群智能算法中的粒子群優(yōu)化算法和蟻 群優(yōu)化算法。初步分析了這兩種群智能算法的優(yōu)點(diǎn)和缺陷，詳細(xì)了解它們的研究現(xiàn)狀、存 在的問(wèn)題和應(yīng)用狀況，為論文后續(xù)的研究工作奠定了背景基礎(chǔ)。 2、綜合分析了各種粒子群算法的特點(diǎn)，討論了粒子群的拓樸結(jié)構(gòu)，粒子群中粒子的運(yùn)動(dòng)軌 跡，并針對(duì)粒子群算法易于陷入局部最優(yōu)這一缺陷，探求提高粒子多樣性的方法。 3、分析基本的蟻群算法的特點(diǎn)，側(cè)重分析蟻群算法在TSP問(wèn)題中的應(yīng)用，分析演化硬件的 結(jié)構(gòu)和特點(diǎn)，為將蟻群算法用于電路設(shè)計(jì)打下基礎(chǔ)。 4、提出了一種基于快速粒子群算法的多群粒子群算法。在研究改進(jìn)的粒子群算法時(shí)，針對(duì) 粒子群算法易于陷入局部最優(yōu)，以及算法搜索后期易于陷入停滯等問(wèn)題。將柯西變異引入 粒子群算法，配合自然選擇策略，并將遺傳算法中的交叉操作也嵌入進(jìn)來(lái)，通過(guò)在八個(gè)測(cè) 試函數(shù)上的實(shí)驗(yàn)，結(jié)