群智能优化算法研究及其应用

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

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