导读:本文包含了全局搜索策略论文开题报告文献综述及选题提纲参考文献，主要关键词:人工蜂群,平衡策略,搜索公式,函数优化
全局搜索策略论文文献综述
杜振鑫,刘广钟,韩德志,余学山,贾建鑫[1]（2018）在《基于全局无偏搜索策略的精英人工蜂群算法》一文中研究指出针对精英人工蜂群算法(ABC-elite)加速收敛和早熟停滞现象的矛盾,提出一种改进算法(EABCelite).该算法通过在雇佣蜂阶段引入全局最优解加速收敛,同时通过普通个体平衡全局最优解过大的引导作用,因此全局最优解与普通个体的信息都能得到利用而算法仍能较好平衡.在观察蜂阶段引入普通个体避免算法早熟收敛.改进算法在加速收敛与防止早熟之间取得很好的平衡,总体上没有偏向任何方向,增强了ABC-elite的全局搜索能力.实验表明,改进算法的性能显着好于ABC-elite以及最近提出的几种较高水平的改进人工蜂群算法.(本文来源于《电子学报》期刊2018年02期）
马卫,孙正兴[2]（2015）在《采用搜索趋化策略的布谷鸟全局优化算法》一文中研究指出布谷鸟搜索算法是一种基于莱维飞行搜索策略的新型智能优化算法.单一的莱维飞行随机搜索更新策略存在全局搜索性能不足和寻优精度不高等缺陷.为了解决这一问题,本文提出了一种改进的布谷鸟全局优化算法.该算法的主要特点在于以下叁个方面:首先,采用全局探测和模式移动交替进行的模式搜索趋化策略,实现了布谷鸟莱维飞行的全局探测与模式搜索的局部优化的有机结合,从而避免盲目搜索,加强算法的局部开采能力;其次,采取自适应竞争机制动态选择最优解数量,实现了迭代过程搜索速度和解的多样性间的有效平衡;最后,采用优势集搜索机制,实现了最优解的有效合作分享,强化了优势经验的学习.对52个典型测试函数实验结果表明,本文算法不仅寻优精度和寻优率显着提高,鲁棒性强,且适合于多峰及复杂高维空间全局优化问题.本文算法与最新提出的改进的布谷鸟优化算法以及其它智能优化策略相比,其全局搜索性能与寻优精度更具优势,效果更好.(本文来源于《电子学报》期刊2015年12期）
马卫,孙正兴,李俊楼[3]（2015）在《基于Powell局部搜索策略的全局优化布谷鸟算法》一文中研究指出为了解决布谷鸟搜索算法后期收敛速度慢、求解精度不高、易陷入局部最优等缺陷,提出了一种基于Powell局部搜索策略的全局优化布谷鸟搜索算法。算法将布谷鸟全局搜索能力与Powell方法的局部寻优性能有机地结合,并根据适应度值逐步构建精英种群候选解池在迭代后期牵引Powell搜索的局部优化,在保证求解速度、尽可能找到全局极值点的同时提高算法的求解精度。对52个典型测试函数实验结果表明,该算法相比于传统的布谷鸟搜索算法不仅寻优精度和寻优率有所提高,并且适应能力强、鲁棒性好,与最新提出的其他改进算法相比也具有一定的竞争优势。(本文来源于《计算机应用研究》期刊2015年06期）
赵辉,李牧东,翁兴伟[4]（2014）在《具有自适应全局最优引导快速搜索策略的人工蜂群算法》一文中研究指出针对人工蜂群算法存在开发与探索能力不平衡的缺点,提出了具有自适应全局最优引导快速搜索策略的改进算法.在该策略中,首先采蜜蜂利用自适应搜索方程平衡了不同搜索方法的探索和开发能力;其次跟随蜂利用全局最优引导邻域搜索方程对蜜源进行精细化搜索,以提高其收敛精度和全局搜索能力.14个标准测试函数的仿真结果表明,相比其他算法,所提出的改进算法有效平衡了算法的开发与探索能力,并提高了其最优解的精度及收敛速度.(本文来源于《控制与决策》期刊2014年11期）
杨建卫[5]（2014）在《一种采用蜂群全局引导搜索策略的入侵杂草优化改进算法》一文中研究指出针对入侵杂草优化算法收敛速度较慢、易陷入局部最优的缺点,提出了一种改进的入侵杂草优化算法。首先,采用反向学习初始化方法对种群进行初始化以提高其全局收敛速度;其次,利用改进蜂群算法中的全局引导搜索策略,对繁殖后的种子进行最优引导搜索以提高其跳出局部最优点的能力。最后,对不同维数的5个标准测试函数进行了仿真验证。试验结果表明:与GABC及标准IWO(Invasive Weed Optimization)算法相比较,该改进算法在函数优化方面具有较快的收敛速度和较强的跳出局部最优的能力。(本文来源于《计算机应用与软件》期刊2014年04期）
鄂春林[6]（2012）在《基于全局优化搜索的良好密码特性布尔函数构造策略》一文中研究指出信息安全一直以来就在信息科学中占据着重要的角色。当今社会,随着信息时代的到来,特别是网络环境的日益普及,人们越来越关注信息在传输过程和存储过程中的安全性。信息安全的重要性在军事、科研、通信、计算机等领域不断显现。密码学作为信息安全的重要内容,从“凯撒密码”到量子计算,经历了巨大的发展,并随着计算机技术和信息技术的广泛应用,逐渐成为一门综合性的尖端科学。它与数学、计算机科学、信息学、声学、物理学、语言学等学科都有着密切的联系,同时不断融合各学科的先进理论和技术经验,产生了众多富有创新性的成果,这些成果不仅在各国抢占信息高地的举措中发挥了重要作用,同时也不断推动着信息安全向前发展。密码学是一门涵盖广泛的学科,本文则集中研究了密码学中近年来比较热门的代数攻击方法和布尔函数构造等内容。近几年来,代数攻击在密码学领域获得了越来越多的关注。人们提出了多种行之有效的代数攻击模式,对那些曾被认为密码安全的多种密码体制进行了攻击实验,并取得了较好的效果。代数攻击改变了人们对于密码的传统认识,并开始从密码的布尔函数表示上对于密码的各种抗性进行研究。代数免疫性正是衡量密码对于代数攻击的抵抗性的一类密码特性。本文中,我们主要分析了布尔函数的代数免疫性,同时对于对称布尔函数的代数免疫性,也给与了较多的关注。对于一些其他的密码特性如非线性、弹性等我们也做了分析和研究。由于具有较好密码抗性的布尔函数能够作为一些密码的强密钥,从而使得密码具有非线性、代数免疫性等诸多性质,因此构造具有良好密码性质的布尔函数一直是这一领域的研究重点。传统的构造方式或者对于构造函数有较多的条件限制,这种限制制约了布尔函数在其他密码评判准则下的表现；或者在已具备一定密码特性的布尔函数子集中进行操作从而找出满足更多性质的布尔函数,而这些查找或者计算操作则较为繁复。本文在研究已有构造方法的基础上,分析了布尔函数密码学特性之间,特别是代数免疫性与非线性之间的关系,设计了一种基于全局优化搜索算法的布尔函数构造策略。本文主要工作如下：1)较为系统地分析和研究了布尔函数的相关性质,并使用Walsh谱等工具对布尔函数的密码特性进行了研究,对代数攻击和代数免疫度的基本性质进行了研究,并分析了现有的两种布尔函数构造方法。2)介绍了对称布尔函数的相关特征、密码特性如非线性性和代数免疫性,同时对构造具有最大代数免疫度的对称布尔函数问题进行了较为细致的探讨。3)基于全局优化的搜索算法设计了一种具有良好密码特性的布尔函数构造策略。该方法采用了遗传算法作为全局搜索算法,结合非线性度及代数次数作为变异条件和筛选准则,有效地提高了在具有较高代数免疫度的布尔函数集合中搜索具有最优非线性度的布尔函数的效率。从一些实验结果分析可知,基于全局优化搜索的布尔函数构造策略能够获得具有较好密码特性的布尔函数。这类布尔函数构造策略可以基于具体方法的调整,而完成对于密码特性不同要求的搜索功能,因此具有较大的自由度和较广的适用范围。(本文来源于《复旦大学》期刊2012-04-28）
谭跃,谭冠政[7]（2009）在《具有混沌局部搜索策略的差分进化全局优化算法》一文中研究指出提出了一种具有混沌局部搜索策略的差分进化全局优化算法(CLSDE),它是在每一代中通过DE/best/1/bin形式的差分进化算法找到最佳个体,然后在最佳个体的附近用混沌的方法进行局部搜索。8个基本的测试函数优化结果表明:若误差函数精度为10-10,CLSDE寻优成功率比DE和SACDE都要高,而且收敛速度比DE和SACDE都要快。(本文来源于《计算机工程与应用》期刊2009年14期）
王宇嘉[8]（2008）在《多目标粒子群优化算法的全局搜索策略研究》一文中研究指出粒子群优化算法作为群体智能的一种,模拟了鸟群寻觅食物的生物行为,通过个体信息和社会信息在搜索空间中找寻最优。由于粒子群算法的快速收敛性和实现的简单性等特点,已经引起人们越来越多的关注,已广泛应用于函数优化、神经网络训练、模糊系统控制以及其它应用领域。应用粒子群方法解决多目标优化问题时,确定全局最优解成为一个难点,在大多数情况下,类似于单目标优化的最优解在多目标问题中是不存在的,而是得到一组非劣解,即Pareto最优解,并且随着目标数量的增加,非劣解的数量也迅速增加,这将对粒子群算法的优化性能产生很大影响,因为全局最优解选取的“好坏”将直接影响算法的收敛性和分布性。另外粒子群的快速收敛性往往会导致算法收敛到局部最优,这是由于种群快速失去多样性造成的,因此当采用粒子群算法解决多目标优化问题时,改善种群的多样性也十分重要。本文针对粒子群算法解决多目标优化问题时遇到的问题提出了不同的全局搜索策略,具体来说本文的主要内容和创新点可以概括如下:1.对多目标优化问题的基本概念和多目标粒子优化算法进行了概括和总结,为深入研究多目标粒子群优化算法奠定了理论基础。2.提出了基于模糊偏好信息的多种群全局搜索策略。该方法将使用者的先验偏好信息加入到种群搜索中,根据每个目标的相对重要性计算偏好权值,采用主种群和辅助种群的多种群方式搜索目标空间,辅助种群的信息通过信息选择环节传递给主种群,该信息反映了决策者的偏好情况。优化过程中,辅助种群保证了算法的多样性,而主种群对辅助种群提供信息的利用,又保证了算法的收敛性。3.提出了基于优先阶的均衡选择全局搜索策略。该方法有效地解决了非劣解数量在随目标空间增加而增加时,种群选择压力对算法性能产生影响的问题。采用优先阶优化准则代替Pareto优化准则,对非劣解集进一步划分排序以减少非劣解集中的点,只保留“最优折衷解”,并将“最优折衷解”作为全局最优解,对粒子的速度进行更新。均衡选择策略的加入,改善了多目标粒子群算法的收敛性能,均衡了算法的勘探和开采能力,在保证种群收敛到Pareto前沿的同时,也得到了一组分布性和多样性较好的非劣解。4.提出了一种基于迁移操作防早熟的全局搜索策略。该方法针对粒子群算法易陷入局部最优的缺点,将迁移操作引入到粒子的搜索过程中,通过粒子性质的变化,增加了种群的多样性。执行迁移操作的过程中,需要确定的参数少,减少了计算的复杂度,另外迁移操作的水平传播方式使种群在“逃离”局部最优后,依然可以在不影响收敛的前提下,继续在目标空间中进行搜索。(本文来源于《上海交通大学》期刊2008-12-01）
夏定纯,秦肖臻[9]（2003）在《基于全局搜索策略的神经网络动态建模分析》一文中研究指出介绍一种基于全局搜索策略的神经网络学习算法,并对该算法的学习性能进行比较和分析,关于建模过程中网络结构的选择与延迟数识别等方面也做了讨论与分析,给出相应的仿真结果。(本文来源于《武汉科技学院学报》期刊2003年01期）
田澎,工浣尘,张冬茉[10]（1996）在《一类随机Tabu搜索策略及其全局收敛性研究》一文中研究指出Ｔａｂｕ搜索以其适应记忆和响应搜索的突出特征、构造实施的多样性和在许多最优化问题的成功应用而成为最优化领域的又一研究热点．本文提出一类随机Ｔａｂｕ搜索策略，并相应地进行了全局收敛性研究．分析证明了随机Ｔａｂｕ搜索策略具有全局渐近收敛性，并得到了一系列相关结论，为其应用和进一步研究提供了必要的理论支持．(本文来源于《上海交通大学学报》期刊1996年02期）
全局搜索策略论文开题报告
（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：
布谷鸟搜索算法是一种基于莱维飞行搜索策略的新型智能优化算法.单一的莱维飞行随机搜索更新策略存在全局搜索性能不足和寻优精度不高等缺陷.为了解决这一问题,本文提出了一种改进的布谷鸟全局优化算法.该算法的主要特点在于以下叁个方面:首先,采用全局探测和模式移动交替进行的模式搜索趋化策略,实现了布谷鸟莱维飞行的全局探测与模式搜索的局部优化的有机结合,从而避免盲目搜索,加强算法的局部开采能力;其次,采取自适应竞争机制动态选择最优解数量,实现了迭代过程搜索速度和解的多样性间的有效平衡;最后,采用优势集搜索机制,实现了最优解的有效合作分享,强化了优势经验的学习.对52个典型测试函数实验结果表明,本文算法不仅寻优精度和寻优率显着提高,鲁棒性强,且适合于多峰及复杂高维空间全局优化问题.本文算法与最新提出的改进的布谷鸟优化算法以及其它智能优化策略相比,其全局搜索性能与寻优精度更具优势,效果更好.
（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。
全局搜索策略论文参考文献
[1].杜振鑫,刘广钟,韩德志,余学山,贾建鑫.基于全局无偏搜索策略的精英人工蜂群算法[J].电子学报.2018
[2].马卫,孙正兴.采用搜索趋化策略的布谷鸟全局优化算法[J].电子学报.2015
[3].马卫,孙正兴,李俊楼.基于Powell局部搜索策略的全局优化布谷鸟算法[J].计算机应用研究.2015
[4].赵辉,李牧东,翁兴伟.具有自适应全局最优引导快速搜索策略的人工蜂群算法[J].控制与决策.2014
[5].杨建卫.一种采用蜂群全局引导搜索策略的入侵杂草优化改进算法[J].计算机应用与软件.2014
[6].鄂春林.基于全局优化搜索的良好密码特性布尔函数构造策略[D].复旦大学.2012
[7].谭跃,谭冠政.具有混沌局部搜索策略的差分进化全局优化算法[J].计算机工程与应用.2009
[8].王宇嘉.多目标粒子群优化算法的全局搜索策略研究[D].上海交通大学.2008
[9].夏定纯,秦肖臻.基于全局搜索策略的神经网络动态建模分析[J].武汉科技学院学报.2003
[10].田澎,工浣尘,张冬茉.一类随机Tabu搜索策略及其全局收敛性研究[J].上海交通大学学报.1996