發(fā)布時(shí)間：2024-10-17 12:43

　　優(yōu)化問(wèn)題廣泛地存在于科學(xué)研究和工程實(shí)踐中。群智能優(yōu)化算法是優(yōu)化算法中最新的一個(gè)分支,也是最熱門(mén)的發(fā)展方向。群智能優(yōu)化算法是通過(guò)模擬自然界中生物間相互合作、共享信息等群體行為而建立起來(lái)的隨機(jī)搜索算法,相較于經(jīng)典優(yōu)化算法具有結(jié)構(gòu)簡(jiǎn)單、易于實(shí)現(xiàn)等優(yōu)點(diǎn)。不同的群智能優(yōu)化算法是模擬不同生物行為形成的,所以它們各具特點(diǎn)和適用場(chǎng)景。然而,單一的群智能優(yōu)化算法均有其局限性,如搜索精度不夠高、收斂速度慢、性能受參數(shù)影響較大和容易陷入局部最優(yōu)等。將不同群智能優(yōu)化算法有機(jī)結(jié)合,設(shè)計(jì)混合群智能優(yōu)化算法是一種提高算法性能的有效方法,具有重要的研究意義。本文的主要研究?jī)?nèi)容及創(chuàng)新點(diǎn)包括以下幾個(gè)方面:(1)針對(duì)單目標(biāo)數(shù)值優(yōu)化問(wèn)題提出了一種基于跟隨蜂搜索的自適應(yīng)粒子群算法(Follower Bee Search Based Adapitve Particle Swarm Optimization,F-APSO)。首先在經(jīng)典粒子群算法粒子飛行軌跡分析的基礎(chǔ)上提出了一種自適應(yīng)的粒子群算法(Adapitve Particle Swarm Optimization,APSO),提高了算法在求解單峰問(wèn)題時(shí)的性能。然后提出了一種針對(duì)...

【文章頁(yè)數(shù)】：138 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
致謝
摘要
Abstract
1 引言
    1.1 優(yōu)化問(wèn)題
        1.1.1 優(yōu)化問(wèn)題的要素
        1.1.2 優(yōu)化問(wèn)題的分類
    1.2 課題研究背景及意義
    1.3 優(yōu)化算法
        1.3.1 經(jīng)典優(yōu)化算法
        1.3.2 智能優(yōu)化算法
        1.3.3 群智能優(yōu)化算法
        1.3.4 混合群智能優(yōu)化算法
    1.4 本文的主要工作及內(nèi)容安排
    1.5 小結(jié)
2 經(jīng)典群智能優(yōu)化算法簡(jiǎn)介
    2.1 經(jīng)典粒子群算法
        2.1.1 經(jīng)典粒子群算法基本思想及起源
        2.1.2 經(jīng)典粒子群算法基本概念及實(shí)現(xiàn)
        2.1.3 粒子群算法的已有改進(jìn)與應(yīng)用
    2.2 經(jīng)典人工蜂群算法
        2.2.1 經(jīng)典人工蜂群算法基本思想及起源
        2.2.2 經(jīng)典人工蜂群算法基本概念及實(shí)現(xiàn)
    2.3 經(jīng)典蟻群算法
        2.3.1 經(jīng)典蟻群算法基本思想及起源
        2.3.2 經(jīng)典蟻群算法基本概念及實(shí)現(xiàn)
        2.3.3 蟻群算法已有改進(jìn)與應(yīng)用
    2.4 本文所提混合算法的必要性
    2.5 小結(jié)
3 基于跟隨蜂搜索的自適應(yīng)粒子群算法及其應(yīng)用
    3.1 一種自適應(yīng)粒子群算法
        3.1.1 自適應(yīng)加速因子
        3.1.2 穩(wěn)定性分析
        3.1.3 仿真應(yīng)用
    3.2 基于跟隨蜂搜索的自適應(yīng)粒子群算法
        3.2.1 跟隨蜂搜索的引入
        3.2.2 仿真應(yīng)用
    3.3 混合粒子群算法在礦山生產(chǎn)排程優(yōu)化中的應(yīng)用
        3.3.1 問(wèn)題概況
        3.3.2 數(shù)學(xué)描述
        3.3.3 優(yōu)化結(jié)果
    3.4 小結(jié)
4 基于跟隨蜂搜索的自適應(yīng)多目標(biāo)粒子群算法及其應(yīng)用
    4.1 多目標(biāo)優(yōu)化問(wèn)題簡(jiǎn)介
        4.1.1 多目標(biāo)優(yōu)化問(wèn)題的定義
        4.1.2 多目標(biāo)優(yōu)化問(wèn)題的特點(diǎn)
    4.2 基于跟隨蜂搜索的自適應(yīng)多目標(biāo)粒子群算法
    4.3 仿真應(yīng)用
        4.3.1 測(cè)試函數(shù)
        4.3.2 評(píng)價(jià)指標(biāo)
        4.3.3 仿真結(jié)果
    4.4 混合多目標(biāo)粒子群算法在礦山生產(chǎn)排程優(yōu)化中的應(yīng)用
        4.4.1 問(wèn)題描述
        4.4.2 優(yōu)化結(jié)果
        4.4.3 實(shí)際應(yīng)用
    4.5 小結(jié)
5 帶混沌序列的粒子群參數(shù)優(yōu)化蟻群算法及其應(yīng)用
    5.1 TSP問(wèn)題
        5.1.1 TSP問(wèn)題簡(jiǎn)介
        5.1.2 TSPLIB標(biāo)準(zhǔn)庫(kù)
    5.2 粒子群參數(shù)優(yōu)化蟻群算法
    5.3 帶混沌序列的粒子群參數(shù)優(yōu)化蟻群算法
        5.3.1 混沌序列
        5.3.2 改進(jìn)方法
    5.4 仿真應(yīng)用
    5.5 改進(jìn)混合蟻群算法在垃圾場(chǎng)巡查機(jī)器人路徑規(guī)劃中的應(yīng)用
        5.5.1 問(wèn)題概況
        5.5.2 數(shù)學(xué)描述
        5.5.3 實(shí)驗(yàn)結(jié)果
    5.6 小結(jié)
6 結(jié)論
    6.1 論文的創(chuàng)新點(diǎn)
    6.2 工作展望
參考文獻(xiàn)
作者簡(jiǎn)歷及在學(xué)研究成果
學(xué)位論文數(shù)據(jù)集



本文編號(hào)：4008022