学位论文 > 优秀研究生学位论文题录展示

进化计算中的若干问题及应用研究

作　者: 陈得宝
导　师: 赵春霞
学　校: 南京理工大学
专　业: 模式识别与智能系统
关键词: 进化计算遗传算法进化规划粒子群算法神经网络模糊规则基最大熵原理内分泌系统运动跟踪
分类号: TP18
类　型: 博士论文
年　份: 2008年
下　载: 599次
引　用: 1次
阅　读: 论文下载

内容摘要

进化计算作为一种新的智能优化技术,已广泛用于工程科学中的各个领域,与传统优化方法相比,进化计算在全局优化、复杂性问题的求解及易用性方面都显示出其优越性。进化计算发展到今天,出现了许多方法,如遗传算法、进化规划、粒子群算法、蚁群算法等等。在对进化计算的研究中,算法设计一直是研究工作的重点,这方面的研究,始终围绕两个主题,一是对进化计算应用领域的拓展,二是提高进化计算的工作效率。前者重点放在设计和发现进化计算的搜索策略上,使其能解决过去不能解决或不能有效解决的问题,后者则着重改进已有的算法,使其效率进一步提高。本论文围绕这两个主题,提出了一些新方法来提高进化算法的性能,另外对一些实际中常碰到的复杂优化问题,提出了一些利用进化算法来解决的新方案,全文分为七章,具体的研究内容如下:第一章首先简要介绍了进化计算的一些典型分支和各个分支的历史,再介绍了提高进化计算性能研究工作的现状,主要对与本论文有关的三种进化方法的研究现状进行了重点阐述,最后介绍了本文的研究工作和创新点;第二章主要从群体多样性出发,设计了两种改善进化计算性能的方法,一种称为平均性能短时退化进化计算方法,在维持群体数量不变的前提下,按照多样性函数值,选择部分较差个体加入下一代种群,以维持种群的多样性。根据当前群体多样性,设计了一种确定所选较差个体数量的明确关系,算法具有一定的适应性;另一种方法称为阶梯形动态种群进化方法,与其它的动态种群方法相比,它既能维持种群多样性,又保证了每个个体都能得到充分进化,算法的运算量较小。为确定每个阶梯上种群数量,根据当前代种群多样性,设计了一种确定每个阶梯上群体数量的自适应方法,并将此方法分别用到遗传算法和粒子群算法中,验证了方法的有效性;第三章主要从染色体的编码方法入手,研究了复数编码和递阶编码方法。利用复数的模和幅角同时对个体染色体进行编码,设计了一种复数粒子群方法,拓展了群体包含的信息量;另外,针对神经网络和模糊规则基的结构和参数难以同时优化问题,提出了一种两阶编码方法,用二进制编码表示结构,用复数编码表示参数,利用进化规划方法同时实现了神经网络和模糊规则基的结构和参数同时优化;第三个研究内容是,针对粒子群飞翔时,需要粒子的维数相同,在不同结构的网络中难实现问题,提出了一种自适应飞翔的粒子群方法,为粒子群在解决不同维染色体问题中作用的发挥,提供了一种新的思路,通过对RBF网络的自动设计实验,证明了方法的有效性;第四章结合内分泌系统和神经系统对生物行为的共同作用原理,提出了一种基于内分泌调节机制的粒子群算法,对内分泌系统激素的更新和作用机理进行了重点研究,设计了一种适合于激素更新的函数,对粒子更新过程进行重新调整。实验证明,此方法在复杂高维函数优化问题和机器人全局路径规划问题中起得了良好的效果;第五章提出了一种“逆群”协作粒子群方法,根据粒子既跟踪较好的位置(吸引群)又排斥较差位置(排斥群)的原理,利用两个行为不同子群之间的相互协作来提高粒子群算法的性能,避免了仅采用吸引群时粒子易陷入局部收敛的弱点,又克服了仅采用排斥群时,由于缺乏较好粒子的引导,出现粒子发散和算法不收敛现象的发生;第六章结合进化计算方法和最大熵原理,分别提出了一种离线和在线设计模糊规则基中心的方法,对设计原理及推理过程进行了分析,通过典型模型的建模实验验证了离线方法的有效性,并将在线方法用于复杂运动跟踪中,实现了对运动的快速跟踪,克服了经验方法确定最大熵参数时“溢出”现象的发生;第七章对本论文进行了总结,给出了存在的问题和进化计算未来的研究方向展望。

全文目录

摘要  5-7
Abstract  7-9
目录  9-12
第一章绪论  12-28
  1.1 引言  12-13
  1.2 几种典型的进化计算方法及其基本框架  13-15
    1.2.1 几种典型的进化计算方法  13-15
    1.2.2 进化计算的一般框架  15
  1.3 与本文有关的几种进化计算方法研究现状  15-25
    1.3.1 改善遗传算法性能的研究现状  15-21
    1.3.2 改善进化规划性能的研究现状  21-22
    1.3.3 改善粒子群算法性能的研究现状  22-25
  1.4 本文的主要研究内容和创新点  25-27
    1.4.1 主要研究内容  25-26
    1.4.2 论文的创新点  26-27
  1.5 论文的安排  27-28
第二章基于种群多样性的进化计算方法研究  28-48
  2.1 平均性能短时退化进化计算方法  28-34
    2.1.1 进化计算中的"早熟"现象分析  28-29
    2.1.2 群体多样性函数的确定  29-30
    2.1.3 退化算子的确定  30-31
    2.1.4 平均性能短时退化遗传算法  31-32
    2.1.5 实验及结果分析  32-34
  2.2 阶梯形群体规模进化计算方法  34-47
    2.2.1 锯齿形群体进化计算方法简介及特性分析  34-35
    2.2.2 阶梯形群体规模进化计算方法中几个关键步骤的设计  35-38
    2.2.3 自适应阶梯形方法在粒子群算法中的应用  38-45
    2.2.4 自适应阶梯形方法在遗传算法中的应用  45-47
  2.3 本章小结  47-48
第三章基于不同编码方法的进化计算方法及应用  48-81
  3.1 进化计算中几种编码方法简介  48-49
  3.2 复数编码粒子群算法  49-56
    3.2.1 复数粒子群算法(PCPSO)中几个基本部分的设计  49-51
    3.2.2 复数粒子群算法(PCPSO)收敛性分析  51-53
    3.2.3 复数编码粒子群算法步骤  53
    3.2.4 实验及结果分析  53-56
  3.3 递阶进化计算方法设计及两个典型的应用  56-62
    3.3.1 递阶进化规划算法设计及在WRBF网络设计中的应用  56-60
    3.3.2 实验及结果分析  60-62
  3.4 基于递阶进化规划的模糊规则基自动提取算法设计  62-70
    3.4.1 模糊建模原理  63-65
    3.4.2 递阶进化规划算法的设计流程  65-66
    3.4.3 实验及结果分析  66-70
    3.4.4 复数编码方法的优缺点分析  70
  3.5 自适应混合编码粒子群算法设计及在RBF网络设计中的应用  70-80
    3.5.1 普通粒子群算法的局限性分析  70-71
    3.5.2 最大最小方法粒子群优化神经网络方法简介  71-72
    3.5.3 径向基函数网络(RBFN)简介  72-73
    3.5.4 自适应混合编码粒子群方法设计  73-75
    3.5.5 实验及结果分析  75-80
  3.6 本章小节  80-81
第四章基于内分泌调节机制的粒子群算法  81-91
  4.1 内分泌系统对个体行为的调节原理简介  81-82
  4.2 粒子群的拓扑结构简介  82-83
  4.3 引入内分泌调节机制的粒子群算法(EPSO)设计原理  83-85
  4.4 EPSO算法设计步骤  85-86
  4.5 EPSO算法的收敛性分析  86-87
  4.6 实验及结果分析  87-90
  4.7 本章小节  90-91
第五章逆群协作粒子群算法  91-104
  5.1 几种典型的多群协作方法简介  91-94
  5.2 逆群协作粒子群算法(ICPSO)设计  94-96
    5.2.1 PSO和NPSO  94
    5.2.2 ICPSO算法设计  94-96
  5.3 ICPSO算法的运动特性和收敛性分析  96-98
    5.3.1 ICPSO算法的运动特性分析  96-97
    5.3.2 ICPSO算法的收敛性分析  97-98
  5.4 实验及结果分析  98-103
  5.5 本章小结  103-104
第六章基于进化方法和最大熵原理的模糊规则中心提取  104-121
  6.1 最大熵原理(MEP)  104-105
  6.2 基于PSO和MEP的模糊模型建立  105-114
    6.2.1 基于PSO和MEP方法的离线建模原理  106-107
    6.2.2 PSO+MEP算法步骤  107-108
    6.2.3 实验结果与分析  108-114
  6.3 基于PSO和MEP方法的模糊规则基中心在线设计方法  114-117
    6.3.1 直接构造模糊规则基中心原理  114-116
    6.3.2 算法实现步骤  116-117
  6.4 在线直接构造模糊规则基方法在运动跟踪中的应用  117-120
  6.5 本章小结  120-121
第七章总结与展望  121-123
致谢  123-124
参考文献  124-135
附录:攻读博士学位期间完成的与本论文相关论文和参加项目  135

进化计算中的若干问题及应用研究

内容摘要

全文目录

相似论文