文档介绍：1
plexNoVelNichingSwarmF篗Ⅳ:SpecialAsubmittedfortheCandidateLiangDetectionandAutomaticEquipmentDepanment3ZhengzhouSongtaoEngineering1
2
缈旁6f学位论文作者:弓微谤学位论文使用授权声明原创性声明本人郑重声明:所呈交的学位论文,是本人在导师的指导下,独立进行研究所取得的成果。除文中已经注明引用的内容外,本论文不包含任何其他个人或集体已经发表或撰写过的科研成果。对本文的研究做出重要贡献的个人和集体,均已在文中以明确方式标明。本声明的法律责任由本人承担。学位论文作者:本人在导师指导下完成的论文及相关的职务作品,知识产权归属郑州大学。根据郑州大学有关保留、使用学位论文的规定,同意学校保留或向国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅;本人授权郑州大学可以将本学位论文的全部或部分编入有关数据库进行检索,可以采用影印、缩印或者其他复制手段保存论文和汇编本学位论文。本人离校后发表、使用学位论文或与该学位论文直接相关的学术论文或成果时,第一署名单位仍然为郑州大学。保密论文在解密后应遵守此规定。
3
摘要由液蚄教授在年共同提出了粒子群优化算法。它源于在现实社会的生产实践中,大量实际问题的解决最终可转化为对问题的优化。而这些待优化的问题往往非常复杂,集中表现在多模值、维数高、多目标鱼群和鸟群的觅食行为,进而提出来的一种具有代表性的群体性智能进化算法。由于粒子群优化算法具有搜索速度快、全局搜索能力强、鲁棒性强等突出优点,功地用来解决静态单模优化问题。但是实际生产中的许多优化问题需转化为多模优化问题和动态优化问题。面对这些复杂的优化问题,不但要求优化算法能拓扑结构、多种群等策略改进的阶段。本文对粒子群优化算法发展过程和各种2是,基于物种形成原理的小生境技术的引入使多模优化问题的求解决逐步实现。本文将在第章详细介绍小生境技术的精华之处,并测试验证基于局部搜索和动态性等方面。传统的进化算法受限于自身的机理和结构单一,收敛精度低、对初值敏感、易陷入局部最优,对高维复杂问题的处理比较吃力。所以短短几年时间,粒子群优化算法已经成为计算智能领域的新的研究热点,并被应用到许多领域之中。随着大量科研人员对粒子群优化算法的深入研究,粒子群优化算法己被成够迅速的、准确的找到全局最优极值点,而且要找出所有的局部最优极值点并能够及时的跟踪变化的全局最优极值点。这对于粒子群优化算法则是一种新的挑战。现从以下三方面对本文所做的工作进行阐述:(1)(2)白质结构预测等。这类问题不仅要寻找一个全局最优极值点,有些场合需要同时找出其余的局部最优极值点。对于多模优化问题,经典的优化算法往往易陷入局部最优点而难以找到全局最优解,更难于找到所有的局部最优极值点。但的小生境粒子群优化算法的优势。(3)间的变化而变化。例如:股票市场、路径规划、物流配送、投资分配等。所谓
4
动态优化问题,优化一类问题时不仅为了获得问题的全局最优解,还要能及时的检测到环境的变化,精确的跟踪最优解随时间变化的轨迹。鉴于上述改进的研究和改进,并在动态优化测试函数上进行实验分析,结果证实改进算法的有关键词:粒子群优化算法、小生境技术、多模优化、动态优化、局部搜索5效性。摘要
5
锄畇dynic,“PicleKennedyswnfishd西唬琣lae甌multi-,甴deVelopment,,,蕀噏琣tllisthesisthe【describedsuctureoutprocessIIIa鷑are
6
锄p1ling10sticsoptimizationIynictod鷆trectoUWords(2)Multimodaldimcult(3)h1chterperfomlanceec