基于人工蜂群算法的高维多极值函数的全局优化

摘要

人工蜂群算法经过多年的研究和应用，该算法已经发展到了一定的阶段.然而，与其他随机仿生优化算法一样，算法在解决高维问题时还是存在容易陷入局部最优解、收敛速度慢等问题.针对这些存在的问题，本文对人工蜂群算法提出了一些改进的方法，并应用改进的算法解决高维多极值复杂函数的全局优化问题，且进行了相应的分析.论文主要研究工作如下:
　　(1)本文经过分析目前常用的几种适应度函数变换，提出了一种基于迭代代数而动态变化的指数型变换的适应度函数，并应用该适应度函数对高维多极值函数的优化问题进行求解，其结果表明本文改进的适应度函数的有效性.
　　(2)优化个体的进化迭代策略，提出了一种动态控制引领蜂或跟随蜂对蜜源领域的搜索空间的搜索策略，即在算法搜索初期引领蜂或跟随蜂对蜜源领域的搜索邻域要大些，使种群个体发现更多、更优质新蜜源的概率更大，从而有利于减少算法陷入局部最优的概率，也就提高了找到全局最优解的概率;而到了算法搜索的后期，适当缩小引领蜂或跟随蜂的邻域搜索空间，从而提高算法的局部搜索能力、收敛速度和精度.论文应用改进的算法对多个高维多极值函数进行了全局优化仿真实验，结果表明本文论文提出的这种改进算法的有效性.

目录

声明

摘要

第一章 绪论

1．1 研究的背景和意义

1．2 国内外研究现状

1．3 本文创新点

1．4 论文的结构

第二章 人工蜂群算法

2．1 人工蜂群算法起源及思想

2．2 人工蜂群算法的基本原理

2．2．1 算法结构

2．2．2 蜜源的选择

2．3 人工蜂群算法的流程

2．4 ABC算法参数

第三章 人工蜂群算法适应度函数的分析及其改进

3．1 适应度函数分析

3．2 改进的指数适应度函数

3．3 改进适应度函数的测试

第四章 自适应控制搜索邻域的蜂群算法

4．1 改进的蜜源更新公式

4．2 ACSABC算法的计算流程

4．3 复杂多极值函数的优化测试

4．3．1 多极值函数的优化测试

4．3．2 仿真测试的结果分析

4．4 基于ACSABC算法的神经网络优化训练及其应用

4．4．1 仿真测试的结果分析

4．4．2 基于ACSABC算法训练的神经网络的应用

第五章 总结与展望

5．1 全文总结

5．2 未来的研究展望

参考文献

致谢

发表论文及科研情况