学位论文 > 优秀研究生学位论文题录展示

萤火虫群算法的改进及其应用

作　者: 祝华正
导　师: 何登旭
学　校: 广西民族大学
专　业: 计算机应用技术
关键词: 萤火虫群算法 多极值函数优化 扰动项 混合算法 组播路由 多目标优化
分类号: TP301.6
类　型: 硕士论文
年　份: 2011年
下　载: 205次
引　用: 0次
阅　读: 论文下载
 

内容摘要


萤火虫群算法(Glowworm Swarm Optimization ,GSO)是2005年由印度学者krishnanad和Ghose提出的一种新的群智能算法。该算法在解决连续型最优化问题方面表现出了良好的性能,已成功地应用到机器人协同合作,多极值函数优化,网络传感器布局,聚类分析等多个方面。尽管如此,我们通过分析发现,该算法在某些方面存在时间耗费多,精度不高,极值遗漏等问题,需要从理论和算法设计等方面对其进行改进,并扩展应用范围。本文主要就上述问题开展研究,获得了一些较好的结果,主要包括:(1)针对多极值函数优化的萤火虫群优化算法在极值较多的情况下,时间耗费太多,精度不高的问题,提出了一种小规模多种群的萤火虫群优化算法。实验表明,改进后的算法在时间,精度上有了很大的提高。(2)针对萤火虫群算法对边界极值点或两个相近极值点会遗漏的缺陷,提出了两个改进措施。根据GSO与PSO各自的优势,设计了萤火虫-粒子群混合算法,该算法具有精度高,速度快,稳定性好,不易陷入局部最优。(3)针对萤火虫群算法在高维函数优化方面效率不高的问题,通过在位置更新公式中加入一个扰动项的方法,获得了一种带有扰动项的萤火虫群算法,仿真实验表明,改进后算法在有效性,可靠性,精确度,稳定性方面优于基本萤火虫群算法,尤其是在高维函数优化时,改进的萤火虫群算法优势明显。(4)将萤火虫群算法应用于多约束QoS组播路由问题,提出QoS-GSO算法。实验表明,该算法可以有效地寻找一棵最优组播树,算法性能优于蚁群算法和遗传算法,且对于规模较大的QoS组播路由问题,本算法也可以很快地给出一组正确的组播树,有较好的实际应用前景。(5)将萤火虫群算法应用于求解多目标优化问题,提出MOP-GSO算法。实验表明,该算法可以有效地求解多目标优化问题。与NSGA2算法比较,MOP-GSO在广度上优于NSGA2。

全文目录


摘要  3-4
ABSTRACT  4-9
第一章 绪论  9-13
  1.1 研究背景及国内外研究发展现状  9-12
    1.1.1 研究背景  9-11
      1.1.1.1 进化算法  9-10
      1.1.1.2 群智能算法  10-11
    1.1.2 萤火虫群算法的国内外研究现状  11-12
  1.2 论文的创新之处  12
  1.3 论文的结构安排  12-13
第二章 GSO算法简介  13-15
  2.1 基本GSO算法原理  13
  2.2 基本GSO算法步骤描述  13-14
  2.3 基本GSO算法的收敛性分析  14-15
第三章 一种小规模多种群的改进萤火虫群算法  15-20
  3.1 引言  15
  3.2 MPGSO的原理及流程  15-17
  3.3 多种群GSO 和GSO的比较  17-19
  3.4 小结  19-20
第四章 萤火虫-粒子群混合算法（GPSO）  20-27
  4.1 引言  20
  4.2 GSO算法的两个改进  20-23
  4.3 萤火虫-粒子群混合算法（GPSO）  23-24
  4.4 实验仿真与分析  24-26
    4.4.1 GPSO算法的有效性  24-25
    4.4.2 GPSO与PSO，GSO的比较  25-26
  4.5 小结  26-27
第五章 一种高维函数优化的改进萤火虫群算法  27-35
  5.1 引言  27
  5.2 带有扰动项的萤火虫群算法（GSO-DT）  27-29
    5.2.1 算法思想  27-28
    5.2.2 具体算法伪码  28-29
  5.3 实验结果与分析  29-34
  5.4 小结  34-35
第六章 求解多约束QOS组播路由问题的萤火虫群算法  35-49
  6.1 引言  35
  6.2 多约束QOS组播路由问题模型  35-36
  6.3 求解QOS组播路由问题的萤火虫群算法（QOS-GSO）  36-39
    6.3.1 QoS-GSO算法的萤火虫个体编码  36-37
    6.3.2 QoS-GSO算法的适应度函数  37
    6.3.3 QoS-GSO算法的移动阶段  37-38
    6.3.4 QoS-GSO算法中的动态决策域及邻居集合  38-39
    6.3.5 QoS-GSO算法描述  39
  6.4 实验与结果分析  39-48
    6.4.1 算法有效性分析  39-41
    6.4.2 算法性能测试  41-48
  6.5 小结  48-49
第七章 求解多目标问题的萤火虫群算法  49-58
  7.1 引言  49
  7.2 多目标优化问题简介  49-50
  7.3 求解多目标优化问题的萤火虫群算法（MOP-GSO）  50-51
    7.3.1 MOP-GSO算法的适应度函数  50
    7.3.2 MOP-GSO算法的移动阶段  50-51
    7.3.3 MOP-GSO算法实现步骤  51
  7.4 实验与结果分析  51-57
    7.4.1 算法有效性分析  51-54
    7.4.2 算法性能测试  54-57
  7.5 小结  57-58
第八章 总结与展望  58-60
  8.1 论文总结  58
  8.2 展望和进一步地工作  58-60
参考文献  60-63
致谢  63-64
攻读学位期间发表的学术论文目录  64

相似论文

  1. 基于蚁群算法的电梯群优化控制研究,TU857
  2. 基于遗传—牛顿算法的公交优化调度,TP18
  3. 海底管道修复连接器的研究,TE973
  4. 基于遗传算法的矿山资源优化调度模型的研究,O224
  5. 基于粒子群算法的区域水资源优化配置研究,TV213.4
  6. 电火花加工参数优化的研究,TG661
  7. 基于克隆免疫算法的应急物流车辆路径模型的研究,U116.2
  8. 基于遗传算法的快速航迹规划方法研究,TP18
  9. 电力系统无功优化的混合算法研究,TM714.3
  10. 基于网络编码的无线传输优化算法,TN911.22
  11. 多核系统中实时任务调度算法的研究,TP332
  12. 基于多节点模式的DTN组播路由算法,TN929.5
  13. 考虑多运输方案的采购决策优化研究,F274
  14. 面向可穿戴生理检测的无线传感器网络QoS路由研究,TP212.9
  15. 高速公路资产管理系统研究,U495
  16. 多层皮革高速裁剪机伺服进给系统多目标优化,TS531
  17. 多星地面站测控调度多目标优化研究,V556
  18. 含风电场电力系统的机组优化调度研究,TM73
  19. 基于液晶空间光调制器的激光束整形,TN24
  20. 车辆导航中多路径推荐算法研究,TP391.3
  21. 人工萤火虫群优化算法改进及应用研究,TP18

中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 一般性问题 > 理论、方法 > 算法理论
© 2012 www.xueweilunwen.com