發(fā)布時間：2018-05-21 15:54

  本文選題：優(yōu)化算法 + 混合優(yōu)化算法��； 參考：《計算機科學(xué)》2017年09期

【摘要】：灰狼優(yōu)化(Grey Wolf Optimization,GWO)算法是近年被提出的一種新型智能優(yōu)化算法,具有收斂速度快和優(yōu)化精度高的特點,但對于一些復(fù)雜優(yōu)化問題易陷入局部最優(yōu)。差分進化(Differential Evolution,DE)算法的全局搜索能力強,但其性能對參數(shù)敏感,且局部搜索能力不足。為了發(fā)揮二者各自的優(yōu)點并彌補存在的缺陷,提出了一種灰狼優(yōu)化與差分進化的混合優(yōu)化算法。首先使用嵌入趨優(yōu)算子的GWO算法搜索,以便在更短的過程中獲得更高的優(yōu)化精度和更快的收斂速度;然后采用自適應(yīng)調(diào)節(jié)參數(shù)的差分進化策略來進一步提高算法對復(fù)雜優(yōu)化函數(shù)的尋優(yōu)性能,從而獲得一種高性能的混合優(yōu)化算法,以便能更高效地解決各種函數(shù)優(yōu)化問題。對12個高維函數(shù)的優(yōu)化結(jié)果表明,與標準GWO,ACS,DMPSO及SinDE相比,新的混合優(yōu)化算法不僅具有更好的收斂速度和優(yōu)化性能,而且具有更好的普適性,更適用于解決各種函數(shù)優(yōu)化問題。
[Abstract]:Grey Wolf Optimization (GWO) algorithm is a new intelligent optimization algorithm proposed in recent years. It has the characteristics of fast convergence and high precision, but it is easy to fall into local optimization for some complex optimization problems. Differential evolution (DEE) algorithm has strong global search ability, but its performance is sensitive to parameters and its local search ability is insufficient. In order to give full play to their respective advantages and make up for the defects, a hybrid optimization algorithm of gray wolf optimization and differential evolution is proposed. First, the GWO algorithm with embedded optimization operator is used to search in order to obtain higher optimization accuracy and faster convergence speed in a shorter process. Then the differential evolution strategy of adaptive parameter adjustment is adopted to further improve the optimization performance of the algorithm for complex optimization functions, so as to obtain a high performance hybrid optimization algorithm, so as to solve all kinds of function optimization problems more efficiently. The optimization results of 12 high-dimensional functions show that the new hybrid optimization algorithm not only has better convergence speed and optimization performance, but also has better universality, and is more suitable for solving various function optimization problems compared with the standard GWO ACSS-DMPSO and SinDE.
【作者單位】： 河南師范大學(xué)計算機與信息工程學(xué)院;河南省高校計算智能與數(shù)據(jù)挖掘工程技術(shù)研究中心;
【基金】：河南省重點科技攻關(guān)項目(132102110209) 河南省基礎(chǔ)與前沿技術(shù)研究計劃項目(142300410295)資助
【分類號】：TP18

【相似文獻】

相關(guān)期刊論文 前10條

1 吳燕玲;盧建剛;孫優(yōu)賢;;基于免疫原理的差分進化[J];控制與決策;2007年11期

2 楊啟文;蔡亮;薛云燦;;差分進化算法綜述[J];模式識別與人工智能;2008年04期

3 許小健;黃小平;錢德玲;;自適應(yīng)加速差分進化算法[J];復(fù)雜系統(tǒng)與復(fù)雜性科學(xué);2008年01期

4 寧桂英;周永權(quán);;基于優(yōu)進策略的新差分進化算法動力學(xué)模型參數(shù)的估計[J];計算機與應(yīng)用化學(xué);2008年05期

5 譚躍;譚冠政;涂立;;一種新的混沌差分進化算法[J];計算機工程;2009年11期

6 王培崇;錢旭;王月;虎曉紅;;差分進化計算研究綜述[J];計算機工程與應(yīng)用;2009年28期

7 肖術(shù)駿;朱學(xué)峰;;一種改進的快速高效的差分進化算法[J];合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2009年11期

8 周蕭;王萬良;徐新黎;;解決作業(yè)車間調(diào)度問題的混合差分進化算法[J];輕工機械;2010年05期

9 王艷宜;;改進差分進化算法及其應(yīng)用[J];機械設(shè)計與研究;2010年05期

10 張照生;羅健旭;;基于差分進化算法的模糊神經(jīng)網(wǎng)絡(luò)控制器[J];計算機與應(yīng)用化學(xué);2011年12期

相關(guān)會議論文 前10條

1 陸絲馨;肖健梅;王錫淮;;基于改進差分進化算法的艦船電網(wǎng)重構(gòu)[A];第二十九屆中國控制會議論文集[C];2010年

2 樓洋;李均利;陳剛;;基于個體排序的差分進化算法[A];'2010系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2010年

3 張倩;李海港;;多目標問題的差分進化算法研究[A];2009年中國智能自動化會議論文集（第一分冊）[C];2009年

4 裴振奎;劉真;趙艷麗;;差分進化算法在多目標路徑規(guī)劃中的應(yīng)用[A];中國運籌學(xué)會模糊信息與模糊工程分會第五屆學(xué)術(shù)年會論文集[C];2010年

5 劉國帥;楊侃;陳靜;周景舒;周冉;鄭姣;;差分進化算法在三峽電站廠內(nèi)經(jīng)濟運行中的應(yīng)用[A];中國水文科技新發(fā)展——2012中國水文學(xué)術(shù)討論會論文集[C];2012年

6 劉瀟;桂衛(wèi)華;王雅琳;王曉麗;陽春華;;一種改進的多目標差分進化算法研究[A];中國自動化學(xué)會中南六�。▍^(qū)）2010年第28屆年會·論文集[C];2010年

7 趙娟;蔡濤;鄧方;楊紅偉;;基于改進差分進化算法的脈沖控制方法[A];中國自動化學(xué)會控制理論專業(yè)委員會B卷[C];2011年

8 袁沈堅;顧幸生;;基于差分進化的膜計算優(yōu)化算法[A];上海市化學(xué)化工學(xué)會2010年度學(xué)術(shù)年會論文集（自動化專題）[C];2010年

9 姜立強;郭錚;劉光斌;;差分進化算法縮放因子取值策略研究[A];2007'儀表，自動化及先進集成技術(shù)大會論文集（二）[C];2007年

10 倪惠康;杜文莉;錢鋒;;基于改進差分進化算法的PID參數(shù)優(yōu)[A];2009年中國智能自動化會議論文集（第一分冊）[C];2009年

相關(guān)博士學(xué)位論文 前10條

1 孫浩;差分進化多目標優(yōu)化算法及其在鋁熱連軋軋制規(guī)程中應(yīng)用[D];燕山大學(xué);2015年

2 陳盈果;面向任務(wù)的快速響應(yīng)空間衛(wèi)星部署優(yōu)化設(shè)計方法研究[D];國防科學(xué)技術(shù)大學(xué);2014年

3 謝宇;差分進化的若干問題及其應(yīng)用研究[D];南京理工大學(xué);2015年

4 董峗;差分進化算法研究及在港口物流調(diào)度中的應(yīng)用[D];東北大學(xué);2015年

5 葛延峰;有關(guān)智能優(yōu)化算法及應(yīng)用的若干問題研究[D];東北大學(xué);2013年

6 賈東立;改進的差分進化算法及其在通信信號處理中的應(yīng)用研究[D];上海大學(xué);2011年

7 劉榮輝;多階段自適應(yīng)差分進化算法及應(yīng)用研究[D];東華大學(xué);2012年

8 郭鵬;差分進化算法改進研究[D];天津大學(xué);2012年

9 王旭;改進差分進化算法及其在可逆邏輯綜合中的應(yīng)用[D];東華大學(xué);2013年

10 董明剛;基于差分進化的優(yōu)化算法及應(yīng)用研究[D];浙江大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 高靜;量子差分進化算法在油田開發(fā)中的應(yīng)用研究[D];浙江大學(xué);2015年

2 萬婧;基于離散微粒群算法和混合差分進化算法的復(fù)雜生產(chǎn)調(diào)度問題求解[D];昆明理工大學(xué);2015年

3 張轉(zhuǎn);基于差分進化算法的混凝土德拜模型的研究[D];長安大學(xué);2015年

4 江華;差分進化算法的改進及其在K-means聚類算法中的應(yīng)用[D];華中師范大學(xué);2015年

5 周志剛;基于差分進化算法的信用風(fēng)險度量模型研究[D];華中師范大學(xué);2015年

6 任甜甜;差分進化算法在反演問題中的研究與應(yīng)用[D];新疆大學(xué);2015年

7 楊洋;基于差分進化的模糊C-均值聚類算法研究[D];電子科技大學(xué);2015年

8 王丹;基于輔助函數(shù)的自適應(yīng)差分進化算法研究[D];西安電子科技大學(xué);2014年

9 劉家華;基于進化計算的軋制生產(chǎn)過程操作優(yōu)化算法與系統(tǒng)開發(fā)[D];東北大學(xué);2013年

10 王旦平;圓形對稱振子陣列天線基于差分進化算法的綜合[D];西安電子科技大學(xué);2014年

，

本文編號：1919842