群智能优化算法研究及其应用概要
无人机航迹规划群智能优化算法综述
无人机航迹规划群智能优化算法综述【摘要】本文旨在综述无人机航迹规划领域中群智能优化算法的应用。
首先介绍了无人机航迹规划的概念及挑战，然后讨论了传统算法的局限性。
接着重点分析了群智能优化算法在无人机航迹规划中的应用情况，包括基于蚁群算法和遗传算法的优化方法。
通过比较不同算法的优劣，我们发现群智能算法在无人机航迹规划中具有显著优势，能够提高规划效率和路径优化程度。
展望未来的发展趋势，强调群智能算法在无人机领域的潜力和重要性。
通过本文的综述，读者可以更好地了解群智能优化算法在无人机航迹规划中的应用和前景，为相关研究和实践提供参考和借鉴。
【关键词】无人机航迹规划、群智能优化算法、蚁群算法、遗传算法、优势、未来发展趋势1. 引言1.1 研究背景无人机航迹规划是指通过对无人机的航线进行合理规划和优化，以实现无人机在空中的有效飞行和任务执行。
随着无人机技术的不断成熟和发展，无人机在各行各业中的应用越来越广泛，例如军事侦察、灾害勘查、农业植保等领域。
现有的无人机航迹规划算法大多是基于静态环境模型和单一目标优化的，无法满足对复杂动态环境和多目标优化的需求。
在未来的研究中，群智能优化算法将继续发挥其优势，在无人机航迹规划领域取得更多突破和应用。
通过不断改进算法性能，提高规划效率和准确性，将为无人机的发展和应用提供更好的支持和保障。
1.2 研究意义无需如此详细的文字研究无人机航迹规划群智能优化算法的意义在于提高无人机的飞行效率和安全性。
随着无人机技术的发展，其在各行各业的应用越来越广泛，因此如何提高其航迹规划算法的效率和准确性成为一个重要问题。
群智能优化算法可以通过模拟生物群体的行为进行搜索和优化，能够有效地解决无人机航迹规划中的复杂问题。
研究无人机航迹规划群智能优化算法不仅有助于提高无人机的任务执行效率和飞行性能，还可以减少事故风险和提升飞行安全性。
通过深入研究和应用群智能优化算法在无人机航迹规划中的优势，可以为无人机行业的发展和应用带来更多的机遇和挑战。
群智能算法及其应用
第２８卷第６期２００８年１２月黄冈师范学院学报ＪｏｕｍａｌｏｆＨｕ蚰ｇｇａｎｇＮｏ彻ａｌＵｎｉｖｅｒｓｉｔｙＶ０１．２８Ｎｏ．６Ｄｅｃ．２００８群智能算法及其应用张青１’２，康立山２，李大农１（１．黄冈师范学院物理科学与技术学院，湖北黄州４３８０００；２．中国地质大学计算机学院，湖北武汉４３００７４）摘要群智能算法是一种新兴的演化计算技术，它已经成功地被运用于许多领域。
实践证明，群智能方法是一种能够解决许多全局优化问题的有效方法。
本文介绍了群智能理论的产生和发展过程，并着力阐述群智能理论中的两个主要算法（粒子群算法和蚁群算法）的算法思想以及研究现状。
关键词粒子群算法；蚁群算法；演化计算中图分类号哪０１．６文献标识码Ａ文章编号１００３—８０７８（２００８）０６伽４４旬５ＡｓｕｍｍａｒｙｆｏｒｓｗａｒｍｉｎｔｅｌＩｉｇｅｎｃｅａＩｇｏｒｉｔｈｍａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎＺＨＡＮＧＱｉｎ９１”，ＫＡＮＧＬｉ－ｓｈａｎ２，ＬＩＤａ－ｎｏｎ９１（１．ＣｏＵｅｇｅｏｆＰｈｙｓｉｃａｌＳｉｃｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｈｕ胁ｇｇａＪｌｇＮｏ珊ａｌＵｎｉｖｅｒｓｉｔｙ，Ｈｕａｎｇｚｈｏｕ４３８０００，Ｈｕｂｅｉ，Ｃｌｌｉｎａ；２．ｃｏＵｅｇｅｏｆｃｏｍｐｕｔｅｒ，ｃｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＧｅｏｓｃｉｅｎｃｅｓ，ｗｕｈａｌｌ４３００７４，Ｃｈｉｎａ）ＡｂｓｔｒａｃｔＡｓａｎｏｖｅｌｅｖｏｌｕｔｉｏｎａｒｙｃｏｍｐｕｔａｔｉｏｎｔｅｃｈｎｏｌｏｇ），，ｓｗａ珊ｉｎｔｅｌｌｉｇｅｎｃｅｈａｓｂｅｅｎａｌｒｅａｄｙｓｕｃｃｅｓｓｆｕＵｙｕｔｉｌｉｚｅｄｉｎｍａｎｙｄｏｍａｉｎｓ．Ｐｍｃｔｉｃｅｈａｓｐｒｏｖｅｄｔｈａｔｉｔｉｓａｋｉｎｄｏｆｅｆｆｅｃｔｉｖｅｍｅｔｈｏｄｔｏｓｏｌｖｅｍａｎｙｇｌｏｂａｌｏｐｔｉｍａｌｐｒｏｂｌｅｍｓ．ＡｓｕｗｅｙｏｆｏｒｉｇｉｎａｎｄｄｅｖｅｌｏｐｍｅｎｔｏｆｓｗａｎＩｌｉｎｔｅｌｌ远ｅｎｃｅｉｓｐｒｅｓｅｎｔｅｄ．ＭｏｒｅｏＶｅｒ，ｔｈｅｐ‘１ｐｅｒｄｉｓｃｕｓ－ｓｅｓａｌｇｏｒｉｔｈｍｔ｝ｌｏｕｇｈｔａｎｄｔｈｅｓｔａｔｕｓｑｕｏｏｆｔ王ｌｅｓｔｕｄｙｏｎｔｈｅｔｗｏｍａｉｎａｌｇｏｄｔｈｍｓ：ｐａｎｉｃｌｅｓｗａ聊ｏｐ￡ｉｍｉｚａｃｉｏｎａｎｄａｎｔｃｏｌｏｎｙｏｐｔｉｍｉｚａｔｉｏｎ．ＫｅｙⅥ，ｏｒｄｓｐａｒｔｉｃｌｅｓｗａ咖ｏｐｔｉｍｉｚａｔｉｏｎ；ａｎｔｃｏｌｏｎｙｏｐｔｉｍｉｚａｔｉｏｎ；ｓｗａ珊ｉｎｔｅｌｌｉｇｅｎｃｅ基于“从大自然中获取智慧”的理念，通过对自然界独特规律的认知，人们发现、发展了一系列仿生算法。
群智能算法的理论与应用研究
群智能算法的理论与应用研究群智能算法是一种模拟生物群体行为策略的计算机算法，它模拟了生物群体中的群体智慧现象，并将其应用于解决复杂问题。
这些算法通过个体间的协作和信息共享，实现对问题空间的全局和最优解的发现。
群智能算法的理论与应用研究是一个热门的领域，其在多个领域中都取得了显著的应用成果。
首先，群智能算法的理论研究主要包括粒子群优化算法（Particle Swarm Optimization，PSO）、蚁群算法（Ant Colony Optimization，ACO）、鱼群算法（Fish School Search，FSS）等。
这些算法基于自然界中的群体智慧行为，通过模拟个体间的相互作用和信息传递，实现对问题解空间的。
其中，PSO算法模拟了鸟类群体觅食过程中个体间的信息共享和协作行为；ACO算法模拟了蚂蚁觅食过程中信息素的释放和蒸发过程；FSS算法模拟了鱼群中个体之间的集群和追随行为。
这些算法的理论研究主要集中在算法的基本原理、收敛性分析、参数选择等方面，旨在提高算法的性能和收敛速度。
其次，群智能算法的应用研究涉及到多个领域，如优化问题、机器学习、数据挖掘、图像处理等。
在优化问题中，群智能算法可以用来求解函数最优化、约束优化、组合优化等各种类型的问题。
它通过全局策略和多个个体的协作，找到问题的最优解或次优解。
在机器学习和数据挖掘领域，群智能算法可以用于特征选择、聚类分析、分类和回归等任务。
它通过获得个体间的相互关联性和数据分布的特点，提取有用的特征和模式，从而改善学习和预测的性能。
在图像处理中，群智能算法可以用于图像分割、目标跟踪、图像复原和增强等任务。
它通过利用个体之间的合作和信息传递，提高图像处理的准确性和鲁棒性。
此外，群智能算法在其他领域也有广泛的应用。
例如，在交通流量优化中，群智能算法可用于调度和优化交通信号控制系统，减少拥堵和减缓交通事故风险；在无线传感器网络中，群智能算法可用于节点定位、网络组织和能量管理，提高网络的覆盖范围和能源利用效率；在智能机器人领域，群智能算法可用于多机器人协作和路径规划，实现任务的高效完成和环境的自主感知。
基于群体智能的组合优化算法研究
基于群体智能的组合优化算法研究第一章前言随着信息时代的不断发展，信息处理速度越来越快，数据格式越来越丰富，大数据时代越来越来临。
而在此过程中，如何优化计算机算法，提高算法处理效率成为了一个热门话题。
群体智能算法是一种很好的优化算法选择。
本文将主要研究基于群体智能的组合优化算法。
第二章群体智能算法2.1 群体智能算法概述群体智能算法是一种仿生智能算法，它将人类行为和生物学混合起来，并试图找到最优解。
它是一种集体行为算法，就像蜂群在集体行动过程中寻找蜜蜂，共同寻找最优解。
2.2 常见的群体智能算法常见的群体智能算法包括遗传算法，蚁群算法，粒子群算法等。
其中遗传算法是最早应用于组合优化问题的群体智能算法之一。
第三章组合优化问题3.1 组合优化问题概述组合优化问题是一类组合问题，其目的是在一组有限的选项中寻找最佳的组合。
这种问题的解决办法是通过分解和简化问题，将问题分解为更小的问题，以更高效的方式解决每个子问题。
3.2 组合优化问题的应用组合优化问题在实际应用中被广泛使用，例如在日程安排、运筹学、生产计划、电路设计等方面。
第四章基于群体智能的组合优化算法4.1 基于遗传算法的组合优化算法在基于遗传算法的组合优化算法中，产生一个随机的初始群体，并对群体进行迭代。
在每次迭代中，使用遗传度量对群体进行评价。
节点的未知性是迭代的关键。
在具有n个二进制变量的问题中，可能会产生2n种可能组合，使用遗传算法对群体进行评价可以将最佳解决方案筛选出来。
4.2 基于蚁群算法的组合优化算法蚁群算法是一种生物仿真算法，它使用类似于蚂蚁和蚂蚁之间的交流方式来处理组合优化问题。
在蚁群算法中，每个蚂蚁都代表一个可路径构成了最终的解决方案。
4.3 基于粒子群算法的组合优化算法粒子群算法是另一种基于群体智能的算法。
它通过创建可以移动的点粒子来模拟附加值问题。
每个点粒子都代表一个解，移动方式和规则与动态环境有关。
当点粒子在干扰环境中移动时，其权重将随着位置而变化。
群体智能算法的结构和应用研究
群体智能算法的结构和应用研究随着科技的迅速发展和人工智能时代的到来，群体智能算法成为了解决各种问题的有效工具。
群体智能算法不仅能够在传统优化问题上发挥优异的性能，还能够解决基于智能体的多智能体系统问题。
本文将从群体智能算法的结构、原理和应用三个方面来深入探讨群体智能算法的相关知识。
一、群体智能算法的结构群体智能算法是基于大量智能体协同工作的优化算法。
它的结构通常包含以下三部分：（1）个体行为模式个体行为模式是指每个智能体在完成任务时所采用的行为方式。
它既可以是简单的行走、搜索，也可以是复杂的决策、协作。
个体行为模式能够对智能体的一系列参数和行为进行控制和调整，以达到最佳的收益。
（2）群体协作机制群体协作机制是指每个智能体彼此之间相互作用的方式。
它们通过传递信息、交换知识，形成了一个高度集成的群体体系从而具有了协同处理和优化的能力。
（3）种群评价机制种群评价机制是指用于评价种群性能的方式。
通常使用目标函数或适应度函数来评估种群的性能，以便更好地指导种群的优化。
二、群体智能算法的原理群体智能算法通过模仿生物群体的行为和智能体之间的交互，从而形成了一种协同优化方式。
群体智能算法的基本原理是：（1）信息共享与相互作用群体智能算法的智能体们通过共享信息，并通过相互作用来改进分布式决策的质量。
这种交互的方式使得智能体之间能够更高效地协同工作，从而发挥出更多的优势。
（2）学习和适应通过学习和适应，智能体们可以不断地更新自己的状态和行为模式，以取得更好的结果。
在不断的交互和信息共享的过程中，智能体不断地进化和适应着更为复杂的环境和任务。
（3）群体自组织在群体智能算法中，智能体之间不需要有明确的中心节点来控制和协调。
相反，群体自身可以通过信息共享和交互来动态地调整群体结构和行为模式，从而完成优化任务。
三、群体智能算法的应用群体智能算法可以应用于许多领域。
以下是其中的三个应用案例：（1）优化问题群体智能算法可以用于各种不同类型的单目标和多目标优化问题，如：机器学习、组合优化、图形识别、目标跟踪等。
群体智能算法在汽车零部件优化设计中的应用
群体智能算法在汽车零部件优化设计中的应用以群体智能算法在汽车零部件优化设计中的应用为主题，本文将介绍群体智能算法的基本概念和原理，并探讨其在汽车零部件优化设计中的具体应用。
一、群体智能算法概述群体智能算法是一种模拟自然界生物群体行为的计算方法，其基本原理是通过模拟群体中个体之间的相互作用和信息交流，实现问题的求解。
群体智能算法包括蚁群算法、粒子群优化算法、遗传算法等。
二、群体智能算法在汽车零部件优化设计中的应用1. 蚁群算法在汽车零部件布局优化中的应用蚁群算法模拟了蚂蚁在寻找食物时的行为，通过蚁群中蚂蚁之间的信息传递和协作，找到最优解。
在汽车零部件布局优化中，可以利用蚁群算法确定最佳的零部件布局方案，以达到最小化汽车重量、降低能耗和提高整车性能的目的。
2. 粒子群优化算法在汽车零部件参数优化中的应用粒子群优化算法模拟了鸟群觅食时的行为，通过每个粒子的位置和速度的调整，找到最优解。
在汽车零部件参数优化中，可以利用粒子群优化算法来确定最佳的零部件参数配置，以提高汽车的性能、降低能耗和减少排放。
3. 遗传算法在汽车零部件拓扑优化中的应用遗传算法模拟了生物进化的过程，通过选择、交叉和变异等操作，找到最优解。
在汽车零部件拓扑优化中，可以利用遗传算法来确定最佳的零部件拓扑结构，以提高零部件的强度、降低重量和改善汽车的安全性能。
三、群体智能算法在汽车零部件优化设计中的优势1. 全局搜索能力强：群体智能算法能够同时搜索多个解空间，有助于找到全局最优解。
2. 适应性强：群体智能算法能够自适应地调整搜索策略，适应不同问题的求解。
3. 并行性好：群体智能算法具有良好的并行性，能够利用多核处理器的优势，加快求解速度。
4. 鲁棒性高：群体智能算法能够在解空间中进行多次搜索，提高了算法的鲁棒性，能够应对复杂多变的问题。
四、总结群体智能算法在汽车零部件优化设计中具有重要的应用价值。
通过模拟群体中个体之间的相互作用和信息交流，群体智能算法能够找到最优的汽车零部件布局方案、参数配置方案和拓扑结构方案，以提高汽车的性能、降低能耗和改善安全性能。
人工智能原理中群智能优化算法的内容以及过程
人工智能原理中裙智能优化算法的内容以及过程1. 概述人工智能是指智能机器的研究和设计，它包括了形式逻辑思维、学习和自然语言理解等各种能力。
随着科技的发展和进步，人工智能已经成为了当今社会中一个非常重要的领域。
而在人工智能的研究和应用中，裙智能优化算法起到着非常重要的作用。
在本文中，我们将会介绍人工智能原理中裙智能优化算法的内容以及过程。
2. 裙智能优化算法的概念裙智能优化算法是一种基于生物裙体行为的算法，其最初的灵感来源于自然界中的一些生物的裙体行为，例如蚁裙、鸟裙或者鱼裙等。
这些生物在裙体行为中表现出极强的自适应性和智能性，这也启发了研究者们去开发一些模拟这些生物裙体行为的优化算法。
裙智能优化算法可以通过模拟这些生物裙体行为来解决一些优化问题，例如寻优、函数逼近、组合优化等。
3. 裙智能优化算法的工作原理裙智能优化算法的核心思想是通过模拟生物裙体行为来解决优化问题。
在这些算法中，通常会涉及到一些基本的生物行为模型，例如蚁裙算法中的信息素模型、粒子裙算法中的裙体飞行模型等。
在算法的执行过程中，个体之间会进行信息交流或者相互作用，从而使得整个裙体能够逐步收敛到最优解。
在算法的每一次迭代中，个体会根据一定的规则进行位置或者速度的更新，从而使得整个裙体可以朝着最优解的方向前进。
4. 裙智能优化算法的主要内容在裙智能优化算法中，最为著名和常用的算法包括蚁裙算法、粒子裙算法、鱼裙算法和人工免疫算法等。
这些算法在不同的优化问题上都有着自己独特的优势和特点，因此在实际应用中得到了广泛的应用。
下面我们将对这些算法进行简要的介绍。
4.1 蚁裙算法蚁裙算法是一种通过模拟蚁裙寻找食物的行为来解决优化问题的算法。
在这个算法中，蚂蚁会根据信息素的浓度来选择路径，并且在选择路径之后会在路径上释放信息素。
通过这种方式，蚂蚁可以很快找到最优路径，并且这种最优路径也会被更多的蚂蚁选择。
4.2 粒子裙算法粒子裙算法是一种通过模拟鸟裙觅食的行为来解决优化问题的算法。
第7章群智能算法及其应用
第7章群智能算法及其应用群智能算法是一种基于群体集体行为的智能算法。
它是通过模拟群体的协作与竞争的行为方式来解决问题的一种方法。
群智能算法在生物学、物理学、社会学等领域都有广泛的应用。
本章将介绍群智能算法的基本原理、算法分类以及在实际应用中的一些案例。
首先，群智能算法的基本原理是模拟群体的协作与竞争的行为方式。
在群体中，个体通过相互之间的交流与反馈，不断调整与优化自己的行为。
群智能算法通过模拟这种行为方式，利用群体的智慧来解决问题。
群智能算法可以分为两类：集体智能和群体智能。
集体智能是指群体中每个个体的行为都是相同的，通过个体之间简单的交互与通信来实现集体的智能。
群体智能则是指群体中每个个体的行为是不同的，通过个体之间的合作与竞争来实现群体的智能。
常见的群智能算法有蚁群算法、粒子群算法、遗传算法等。
蚁群算法是通过模拟蚂蚁在寻找食物时的行为方式来解决优化问题的算法。
蚁群算法通过模拟蚂蚁释放信息素的方式来实现信息的传递与共享，从而找到一条最优路径。
粒子群算法是通过模拟鸟群捕食行为的方式来解决优化问题的算法。
粒子群算法通过模拟鸟群中粒子的位置与速度的更新来实现问题的优化。
遗传算法是通过模拟进化生物的遗传方式来解决优化问题的算法。
遗传算法通过模拟个体的选择、交叉与变异等操作来实现问题的优化。
群智能算法在实际应用中有很广泛的应用。
例如，在交通运输领域中，可以利用蚁群算法来优化交通流量。
通过模拟蚂蚁选择路径的方式，可以找到最优的交通路径，从而减少拥堵与排队时间。
在工程优化领域中，可以利用粒子群算法来解决优化问题。
通过模拟粒子的位置与速度的更新，可以找到最优的参数配置，从而优化工程设计。
在机器学习领域中，可以利用遗传算法来优化模型的参数。
通过模拟个体的选择、交叉与变异等操作，可以优化模型的效果。
综上所述，群智能算法是一种基于群体集体行为的智能算法。
它通过模拟群体的协作与竞争的行为方式来解决问题。
群智能算法可以分为集体智能与群体智能两类，常见的算法有蚁群算法、粒子群算法、遗传算法等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
广西民族大学 硕士学位论文 群智能优化算法研究及其应用 姓名:陈建荣 申请学位级别:硕士 专业:计算机应用技术 指导教师:王勇 20090301 群智能优化算法研究及其应用 作者:陈建荣 学位授予单位:广西民族大学 相似文献(8条 1.学位论文张梅凤人工鱼群智能优化算法的改进及应用研究2008 为能更有效地解决工业生产过程中大量存在的优化问题,自20世纪80年代以来,涌现出了一些智能优化算法,它们通过模拟某一自然现象或过程而发展起来,为解决复杂系统的优化问题提供了新的思路和手段,自诞生就引起了国内外学者的广泛关注并被应用于许多领域。人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA是源于对鱼群觅食行为研究而提出的一种新型群体智能优化算法。该算法具有对初值和参数选择不敏感、鲁棒性强、简单、易于实现,且具备并行处理能力和全局搜索能力等方面的特点。但AFSA在应用过程中还有很多不完善的地方,如:算法后期收敛速度慢,搜索精度不高,在多峰问题寻优时难以找到全部最优解等等。并且,AFSA的应用还不够深入。为此,本文着重从AFSA的改进和应用方面进行了研究。主要研究工作如下:
(1针对AFSA在较大或变化平坦的区域寻优时,收敛于全局最优解的速度减慢、搜索性能劣化,特别是在优化后期往往收敛较慢的问题,提出了一种基于变异算子与模拟退火混合的人工鱼群优化算法。该算法保持了AFSA简单、易实现的特点,同时克服了人工鱼漫无目的随机游动或在非全局极值点大量聚集的局限性,显著提高了运行效率和求解质量,为解决复杂寻优问题提供了有效方法。通过函数和实例测试验证,表明该算法是可行和有效的。
(2针对AFSA在多峰问题寻优时难以找到全部最优解及精度不高的问题,提出了一种基于生境人工鱼群算法的多峰问题优化算法。该算法融合了模拟退火、小生境技术的思想,并加入了变异算子和自动生成合适小生境半径机制。通过对几种典型多峰函数的测试,表明该算法不仅能有效、精确找出多峰问题的全局和局部所有 最优解,而且无需预先设置小生境半径,实现了真正的自适应搜索,较好地解决了复杂多峰优化问题。
(3针对连续属性样本分类挖掘时需离散化预处理,可能导致原始信息的缺失问题,提出了基于人工鱼群算法的分类规则挖掘算法,给出了适用于AFSA的分类规则编码方案、构造了新的准确提取规则集的分类规则适应值函数。该算法从优化的角度来解决分类问题,自动实现连续属性样本分类规则的挖掘,从而为连续属性样本提供了一个不需要离散化处理而直接进行数据挖掘的新方法。实验结果表明,该算法不仅能够挖掘出简洁、易于理解的规则集,而且具有较强的鲁棒性和较高的准确率,是一种可行和有效的分类规则优化算法。
(4针对神经网络需要依靠经验确定网络结构及其优化问题,设计了一种基于人工鱼群算法的网络分类器。该方法把输入属性选取和网络结构设计结合,通过人工鱼群算法寻优,同时实现了输入属性选择、神经网络结构和参数的优化。实验表明,该算法能够获得一个具有性能可靠、较好泛化能力的简单分类器,避免了一般神经网络依靠经验确定网络结构的困难,拓宽了AFSA的应用领域。
(5在对AFSA研究和改进的基础上,结合国家863项目“太阳能生物制氢技术研究”,在部分实验所获得的样本数据基础上,引入全局寻优人工鱼群优化算法,通过AFSA优化神经网络结构,获得影响生物制氢的最相关因素,建立了基于优化神经网络的光合细菌制氢过程模型;再用AFSA对已确定的主要工艺条件进行优化,获得了最大制氢量的最佳工艺条件。实验结果表明所提出的优化计算方案可行,此项研究为太阳能光合细菌制氢工艺技术优化探索了一条新的途径。
本论文是在国家“十五”863计划项目“太阳能生物制氢技术研究”(编号:2004AA515010和国家自然科学基金项目“光合生物制氢体系的热效应及其产氢机理研究”(编号:50676029资助下开展的科学研究。
2.学位论文孙建英粒子群优化算法的分析及改进2007 粒子群优化算法(Particle Swarm Optimization,PSO是1995年Kenndy和Eberhart提出的,源于对鸟群运动行为的研究,是一种基于群智能优化算法的演化计算技术.由于它的较强的全局搜索能力,较少的参数设置,简单容易实现,所以从一提出,就引起了许多学者的关注,并得到了迅速的发展,并被应用到了各个领域,如函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域.
本文的主要研究成果与贡献如下: 1简要的回顾了群集智能算法理论产生的背景.总结了三种群集智能算法一蚁群算法、粒子群算法、人工鱼群算法的基本理论和发展现状.
2对于粒子群算法进行了详细的分析.粒子群优化算法是一种新兴的仿生学算法,在介绍了原始的PSO算法的基本原理、数学描述、算法参数和流程的基础上,又介绍了标准的PSO算法.
3通过对十年来粒子群改进算法的研究,提出了四种改进思路,并介绍了几个典型的改进模型.
4提出了一种引入平均极值的改进的粒子群算法(MPSO,使得粒子在进化的过程中追随个体极值、平均极值、全局极值三个极值,与标准的粒子群算法相比,该算法在避免过早的陷入局部最优等方面有比较好的效果.
3.学位论文王一改进的生物群智能优化算法及在滤波器设计中的应用2007 优化是人们在科学研究、工程技术和经济管理等诸多领域中经常碰到的问题。对优化策略及算法的研究成为近年来备受科学工作者关注的研究目标之一。受到具有社会性的动物,如蚁群、蜂群、鸟群、鱼群等的自组织行为的启发,不少学者对这种行为进行数学建模并用计算机对其进行仿真,随之产生了“群智能”(Swarm Intelligence,SI,或称“群集智能”,主要包括遗传算法、蚁群算法、粒子群算法和人工鱼群算法等。本文在对现有的群智能理论领域主要算法的基本理论、系统模型、参数设置和实验仿真进行分析研究的基础上,提出了一种粒子群与蚁群及遗传和模拟退火算法相混合的算法,并将其应用于ⅡR数字滤波器、陷波器的设计应用上,从实 验分析上看,取得了一定的效果,通过仿真实验表明,该方法设计的滤波器在通带和阻带内具有较好的特性,较好地防止了算法易陷入局部最优等问题,且计算简单、计算量小,有较好的应用前景,进而验证了该混,合算法的适用性和有效性。
4.学位论文冯春时群智能优化算法及其应用2009 群智能优化算法是一种近年来新兴的优化方法,是受到关注最多的优化研究领域之一,其模拟社会性动物的各种群体行为,利用群体中的个体之间的信息交互和合作来实现寻优的目的。与其它类型的优化方法相比,其实现较为简单、效率较高。尽管对群智能优化的研究已经取得了一定的成果,但是从整体上来说,这一新兴的领域仍然处于开放状态,尚有大量的问题需要解决,如怎样进一步提高寻优效率,怎样将其它优秀的社会性动物系统应用于优化算法中等等。
本论文对群智能优化算法的算法改进及应用进行了研究。第二章至第五章从参数选取、参数更新策略、多算法混合设计、新算法的提出等算法层面进行了研究,第六章和第七章以二自由度并联机构的标定为应用平台,对群智能算法的应用进行了研究,标定出了二自由度并联机构的全部运动学参数。
第二章针对蚁群算法的参数选取主要依靠经验和试凑而导致的算法性能不稳定的不足,将正交试验的方法引入到蚁群算法的参数选取中,以典型的组合优化问题—-TSP问题为例,对蚁群算法最主要的四个参数进行了两次逐级的三水平正交试验,实验表明,这种参数选取方法能够以较少的实验次数较为准确地优选参数;接着,针对蚁群算法信息素正反馈抑制了群体多样性的问题,引入了信息素负反馈更新策略,路径较好的蚂蚁留下正信息素,而路径较差的蚂蚁留下负信息素,TSP实验结果表明引入了负反馈的信息素更新策略比一般的蚁群算法能更好地保持多样性。
第三章针对在典型的粒子群算法中惯性权重因子仅是迭代次数的函数,忽略了个体本身的搜索状态(包括当前位置和速度这一问题,基于力学的基本原理,提出了一种自适应惯性权重策略,这一策略根据粒子当前的搜索状态来调整个体在不同方向的惯性权重的大小。基于这一策略,结合巴特沃兹滤波函数设计了个体在不同方向 上的惯性权重函数。连续优化标准测试函数实验证明了提出的自适应惯性权重策略可以提高搜索的速度和精度。接着
,将粒子群算法搜索步长较大而进化策略搜索步长较小的特点结合起来,提出了基于这两种算法的混合优化算法,即对群体中较优的个体进行进化策略式的个体变异操作,而对群体中较差的个体进行粒子群式的更新操作。优化实验证明,混合设计可以改进算法性能。
为了提高差分演化算法的多模优化能力,第四章在处理多模优化的拥挤聚类方法的基础上,引入了不稳定全局最小值的概念,在拥挤聚类方法中加入精英策略,提出了改进的拥挤聚类方法,在理论上证明了在此改进的方法下不稳定全局最小值不会被任何父代个体所清除并且会进入下一代、局部稳定最小值将有更大概率进入下一代这两个性质。将此改进的拥挤聚类方法与差分演化算法结合,提出了改进拥挤聚类差分演化算法,并对所提出的算法
在多模函数优化上的性能进行了实验研究,结果证明了改进拥挤聚类差分演化算法能够更好地找到多模函数的多个极值。
第五章首先总结了前面三章研究的各种群智能算法的整体框架,总结了设计群智能算法时应该遵循的一些原则。在此基础上,将生物行为学家所研究的鱼群行为特征应用于群智能连续优化算法的设计,提出了一种新鱼群算法。该算法模拟鱼群在空间的游动行为,以个体鱼之间的实空间欧式距离为量度,将个体鱼感知范围内的邻域空间分为吸引、排斥和中性区域,使对应区域中的其它个体分别对此个体鱼有吸引、排斥及随机的吸引或排斥作用
,并同时考虑所有个体鱼都有向食物源运动的趋势。通过标准测试函数实验对所提出的新鱼群算法和人工鱼群算法以及粒子群算法进行了对比分析。实验结果表明了新鱼群算法的优越性。最后,在基本算法的基础上提出了线性变化权重因子策略,测试函数的实验证明此策略可以进一步提升算法性能。 第六章基于平面二自由度并联机构的闭链约束方程,构造了一个误差函数。进一步通过运动学推导,消除了其中的被动关节角度参数,给出了形式更为简洁的表达,并且减少了参数个数。接着,