导读:本文包含了连续域蚁群算法论文开题报告文献综述及选题提纲参考文献,主要关键词:蚁群算法,连续域优化,轻量化,桥式起重机主梁
连续域蚁群算法论文文献综述
靳通通,吴淑芳,李松,王腾飞[1](2019)在《面向主梁轻量化的改进连续域蚁群算法研究》一文中研究指出在ACOR算法框架的基础上总结出了连续域基本蚁群算法,但这种算法存在局部探索能力差、稳定性欠佳、约束处理不足等问题,故对连续域基本蚁群算法进行了如下改进:引入了伪随机比例规则改进种子解的选取方法,对信息素分布中心进行适当的随机扰动,对信息素分布的标准差进行改造,使用DCPM方法处理约束条件。以起重机主梁轻量化为例对改进前后的连续域基本蚁群算法及遗传算法(GA)进行算法性能对比,结果显示,改进后的连续域基本蚁群算法优于其他两种算法,运用其解决优化问题具有较高的可靠性。(本文来源于《机械设计与制造工程》期刊2019年01期)
姜道银[2](2018)在《连续域蚁群算法及其在电力系统经济调度中的应用》一文中研究指出蚁群优化算法是一种基于蚂蚁觅食行为而设计的元启发式优化算法,在旅行商问题、二次分配问题和车间任务调度问题等经典的离散组合优化问题中得到应用。在优化领域,许多问题的变量往往都是连续的,因此,将离散的蚁群算法扩充到连续域就是一个新的研究热点。本文主要针对连续域蚁群算法进行研究和改进,并取得了以下结果:针对单一改进方法效果有限的问题,提出了一种动态划分的混合连续域蚁群优化算法(DPHACO)。该算法将解划分为优解和劣解两部分,并在迭代过程中动态调整优解和劣解的数目。对于优解,利用局部搜索策略进行预处理,这样能提高算法的收敛精度。对于劣解,则利用随机搜索策略进行预处理,这样能扩大搜索范围,增加解的多样性,增强搜索能力。通过标准测试函数对所提算法进行测试,结果表明改进策略能够有效地改善解的质量。针对连续域蚁群优化算法(ACO_R)中个体信息利用率低的问题,提出了一种基于信息交流策略的连续域蚁群优化算法(ICACO)。ICACO算法在对解的更新过程中选取一部分解,利用信息交流策略进行处理得到候选解,并采用贪婪方式接受能够改善解的质量的候选解。通过标准测试函数对所提算法进行测试,实验结果表明ICACO算法能够有效地加快ACO_R算法收敛速度并提高寻优结果的精度。本文算法与相关改进的连续域蚁群算法及其它智能优化算法相比全局搜索能力更高,效果更好。针对电力系统经济调度问题,将改进的连续域蚁群算法应用到该问题中。电力系统经济调度是一个非凸最优化问题,包括一些实际特征,如阀点效应、禁止区间、斜率限制和传输损失。连续域蚁群优化算法是一种较新型的群智能优化算法,具有简单易实现、并行搜索与计算效率高等特点,适合于复杂优化问题,能以较大概率找到全局最优解。本文主要将改进的连续域蚁群优化算法应用到电力系统经济调度计算研究。对基准测试系统的数据进行仿真,与标准的连续域蚁群算法进行了对比,证明了改进的蚁群算法更有效。(本文来源于《江南大学》期刊2018-06-01)
陈鑫,徐明鸣[3](2018)在《基于连续域蚁群算法的结构优化设计》一文中研究指出工程结构优化设计是把力学和优化技术有机地结合,根据设计要求,使部分参与计算的量以变量出现,建立结构设计参数与结构重量、最大允许应力等的非线性关系,获得连续域蚁群算法求解结构优化问题所需的目标函数,用连续域蚁群算法进行寻优搜索运算,从而求出所需最优解。算例表明,连续域蚁群算法可求解多维连续优化问题,收敛速度快,且计算精度高,可用于工程结构优化设计。(本文来源于《工程建设与设计》期刊2018年07期)
周袅[4](2016)在《连续域蚁群算法的研究及应用》一文中研究指出蚁群算法是一种群体智能算法,主要用于解决离散型组合优化问题。工程中存在大量的连续型优化问题,将离散型的蚁群算法扩展到连续型蚁群算法已经引起了广泛的关注,现已有几种连续域蚁群算法模型,本文主要针对连续域蚁群优化算法模型进行研究和改进,并将改进的算法用于支持向量机参数优化。针对连续域蚁群优化算法(ACOR)计算时间较长、易陷入局部最优的问题,提出了一种基于人工蜂群的连续域蚁群优化算法(ABC-ACOR)。首先,引入一种替代机制来选择指导解,以替换原来的基于排序的选择方式,目的是节约计算时间和尽可能地保持搜索的多样性;其次,结合人工蜂群算法的搜索策略来提高算法的全局搜索能力,进一步减少计算时间和提高求解精度。通过对大量的测试函数进行仿真实验,结果表明,ABC-ACOR算法较现有的一些连续域蚁群算法具有更好的寻优能力。针对连续域混合蚁群算法(HACO)易陷入局部最优和收敛速度较慢的问题,提出了基于信息素的自适应连续域混合蚁群算法(QAHACO)。首先,提出了一种新的解更新方式,对档案中的解进行信息素挥发,扩大了搜索范围,提高了算法的全局搜索能力,并且自适应地调整信息素挥发速率,更好地平衡收敛速度和收敛精度;其次,采用了一种信息分享机制,将当前解与其他所有解的平均距离和当前解与至今最优解的距离相结合,进一步加快收敛速度。通过对测试函数进行仿真实验,结果表明,和连续域蚁群优化算法及其改进算法相比,QAHACO算法的寻优能力明显提高,寻优速度有一定的优势。支持向量机是一种小样本机器学习方法,由于其算法简单,计算复杂度低,具有较好鲁棒性,成为了当前研究热点。针对支持向量机参数优化方法在寻优过程中不同程度地陷入局部最优解的问题,将ABC-ACOR和QAHACO算法用于支持向量机参数优化。惩罚因子和核函数参数作为寻优目标函数的两个变量,分类正确率作为适应度函数值。利用5个标准UCI数据集进行性能比较实验,结果表明,与基于粒子群算法和遗传算法的参数优化方法相比,ABC-ACOR优化支持向量机参数方法和QAHACO优化支持向量机参数方法都获得较高分类正确率,因此,基于连续域蚁群算法的支持向量机参数优化方法是可行的。(本文来源于《江南大学》期刊2016-06-01)
刘波[5](2015)在《蚁群算法基于网格化分策略的连续域改进分析》一文中研究指出空间函数优化是蚁群算法中常遇到的问题,针对这一问题基于网格划分策略提出了一种改进方式。该算法通过利用特殊的信息更新策略,使得信息素在更新时无需使用具体的目标函数值,在这种状态下目标函数差异化就不会令结果出现问题,既不会带来不利影响。并且在计算中网格点可以直接将信息素作为转移概率使用。(本文来源于《科技创新与应用》期刊2015年08期)
刘文[6](2013)在《一种定向式挖掘的连续域蚁群算法》一文中研究指出针对蚁群算法在求解连续域优化问题时存在复杂度较大、迭代次数较长等问题,提出了一种用于连续域寻优的改进蚁群算法。改进的蚁群算法通过对解空间定向式挖掘来实现全局快速搜索。给出了新算法仿真实验步骤,并将改进后的蚁群算法与其他连续域蚁群算法以及其他智能优化方法进行仿真对比实验。详细的测试结果表明,改进后算法具有优良的全局优化性能,收敛速度也有很好的提升。(本文来源于《计算机科学》期刊2013年12期)
黄永青,郝国生,钟志水,胡为成,杜娟[7](2013)在《基于网格划分策略的连续域改进蚁群算法》一文中研究指出针对连续空间函数优化问题,提出一种基于网格划分策略的改进蚁群算法。算法使用一种特殊的信息素更新策略,使得更新信息素时不需要使用解的具体目标函数值,从而降低了目标函数值差异化给算法性能带来的不利影响,并且网格点上的信息素可以直接作为构建解过程中的转移概率。对几种典型的连续函数优化问题进行了测试,实验结果表明所提出算法具有很强的搜索能力。(本文来源于《计算机工程与应用》期刊2013年09期)
金浩,刘维宁[8](2012)在《多目标觅食—返巢机制连续域蚁群算法》一文中研究指出受自然界蚂蚁的觅食—返巢生物学特征启发,同时深入了解蚂蚁信息素成分,提出了一种能够解决函数多目标优化问题的改进蚁群算法——多目标觅食—返巢机制连续域蚁群算法(MO-FHACO)。该算法与传统蚁群算法相比,将信息素分为蚁巢信息素和食物信息素,并根据不同信息素设立了不同的释放和寻优机制。通过BNH和TNK问题验证,MO-FHACO算法在Pareto最优前端连续的情况下具有极佳的多目标优化能力;在Pa-reto最优前端不连续的情况下,也能得到较多且散布性较好的Pareto最优解。因此,MO-FHACO算法是一种有效的函数多目标优化算法。(本文来源于《计算机应用研究》期刊2012年11期)
胡元[9](2012)在《一种连续域函数优化蚁群算法的改进设计》一文中研究指出本文在一种连续域函数优化蚁群算法基础上,对该算法做了进一步的改进,引入了自动判断收敛条件方法,同时,也改进了蚁群初始化方法、全局搜索策略以防止早熟和停滞现象。通过与其他连续域函数优化算法的比较结果证明,改进后的算法稳定性较好。(本文来源于《计算机光盘软件与应用》期刊2012年04期)
金浩,刘维宁[10](2012)在《基于觅食-返巢机制连续域蚁群算法》一文中研究指出蚁群算法求解函数问题,人工蚂蚁的搜索范围和信息素浓度更新速度直接影响到是否能够获得全域最优解。为了获得更加稳定且准确的全域最优解,受自然蚂蚁觅食后返巢行为的启发,提出了具有觅食-返巢机制的蚁群算法。该算法主要通过增大人工蚂蚁的搜索范围以及加快信息素浓度的更新速度进行改进。通过函数测试,结果表明:觅食-返巢连续域蚁群算法相比于以往的遗传算法和连续域蚁群算法,能够得到更好的计算结果和运行时间。因此觅食-返巢机制使得蚁群算法求解全域最优解的能力获得了提高。(本文来源于《计算机工程与应用》期刊2012年01期)
连续域蚁群算法论文开题报告
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
蚁群优化算法是一种基于蚂蚁觅食行为而设计的元启发式优化算法,在旅行商问题、二次分配问题和车间任务调度问题等经典的离散组合优化问题中得到应用。在优化领域,许多问题的变量往往都是连续的,因此,将离散的蚁群算法扩充到连续域就是一个新的研究热点。本文主要针对连续域蚁群算法进行研究和改进,并取得了以下结果:针对单一改进方法效果有限的问题,提出了一种动态划分的混合连续域蚁群优化算法(DPHACO)。该算法将解划分为优解和劣解两部分,并在迭代过程中动态调整优解和劣解的数目。对于优解,利用局部搜索策略进行预处理,这样能提高算法的收敛精度。对于劣解,则利用随机搜索策略进行预处理,这样能扩大搜索范围,增加解的多样性,增强搜索能力。通过标准测试函数对所提算法进行测试,结果表明改进策略能够有效地改善解的质量。针对连续域蚁群优化算法(ACO_R)中个体信息利用率低的问题,提出了一种基于信息交流策略的连续域蚁群优化算法(ICACO)。ICACO算法在对解的更新过程中选取一部分解,利用信息交流策略进行处理得到候选解,并采用贪婪方式接受能够改善解的质量的候选解。通过标准测试函数对所提算法进行测试,实验结果表明ICACO算法能够有效地加快ACO_R算法收敛速度并提高寻优结果的精度。本文算法与相关改进的连续域蚁群算法及其它智能优化算法相比全局搜索能力更高,效果更好。针对电力系统经济调度问题,将改进的连续域蚁群算法应用到该问题中。电力系统经济调度是一个非凸最优化问题,包括一些实际特征,如阀点效应、禁止区间、斜率限制和传输损失。连续域蚁群优化算法是一种较新型的群智能优化算法,具有简单易实现、并行搜索与计算效率高等特点,适合于复杂优化问题,能以较大概率找到全局最优解。本文主要将改进的连续域蚁群优化算法应用到电力系统经济调度计算研究。对基准测试系统的数据进行仿真,与标准的连续域蚁群算法进行了对比,证明了改进的蚁群算法更有效。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
连续域蚁群算法论文参考文献
[1].靳通通,吴淑芳,李松,王腾飞.面向主梁轻量化的改进连续域蚁群算法研究[J].机械设计与制造工程.2019
[2].姜道银.连续域蚁群算法及其在电力系统经济调度中的应用[D].江南大学.2018
[3].陈鑫,徐明鸣.基于连续域蚁群算法的结构优化设计[J].工程建设与设计.2018
[4].周袅.连续域蚁群算法的研究及应用[D].江南大学.2016
[5].刘波.蚁群算法基于网格化分策略的连续域改进分析[J].科技创新与应用.2015
[6].刘文.一种定向式挖掘的连续域蚁群算法[J].计算机科学.2013
[7].黄永青,郝国生,钟志水,胡为成,杜娟.基于网格划分策略的连续域改进蚁群算法[J].计算机工程与应用.2013
[8].金浩,刘维宁.多目标觅食—返巢机制连续域蚁群算法[J].计算机应用研究.2012
[9].胡元.一种连续域函数优化蚁群算法的改进设计[J].计算机光盘软件与应用.2012
[10].金浩,刘维宁.基于觅食-返巢机制连续域蚁群算法[J].计算机工程与应用.2012