基于卡尔曼滤波的蝙蝠算法在多目标优化中的应用研究

摘要

蝙蝠算法是2010年提出来的一种新型群智能算法，具有较好的优化性能及优化效果，并已经应用到图像处理、无线传感技术等领域中。但是蝙蝠算法仍有一些问题需要进一步探讨，如提高算法在优化过程中的收敛速度，降低寻优过程中局部最优解的概率，参数在初始化时的合理化选择，算法在工业、农业、经济以及其他各领域的应用等各方面的研究。卡尔曼滤波算法在最优估计理论中是一种性能优越的优化算法，通过引入卡尔曼滤波优化机制来优化基本蝙蝠算法，使算法更早的得到精确解。卡尔曼滤波算法现已应用到很多重要领域，通过引入卡尔曼滤波优化算法，设计一种基于卡尔曼滤波的蝙蝠算法，使蝙蝠在更新位置时更加精确，同时将改进的蝙蝠算法应用到云资源分配问题中，通过实验证明卡尔曼滤波蝙蝠算法能获得较好的优化效果。
　　在理论研究阶段，首先研究了基本蝙蝠算法，分析出蝙蝠算法的基本原理及优化机制，并在 Matlab中实现了基本蝙蝠算法。通过对卡尔曼滤波算法思路的研究，对卡尔曼滤波算法步骤的设计，使用 Matlab仿真工具实现了卡尔曼滤波算法，并取得理想的实验效果。在深入了解算法中的重要公式、公式的意义以及蝙蝠算法的优化机制的前提下，结合蝙蝠算法和卡尔曼滤波算法的特点和优劣，设计了基于卡尔曼滤波的蝙蝠算法。
　　在多目标优化领域，对多目标优化问题进行了探讨和研究，依据多目标测试函数的维度、约束条件、优化目标等因素，编码设计了适合改进蝙蝠算法的多目标问题求解算法，成功使用Matlab仿真工具在多目标标准测试函数上进行实验，通过仿真实验结果,对比分析基于卡尔曼滤波蝙蝠算法的优化效果。
　　在卡尔曼滤波蝙蝠算法的实际应用中，对云计算中的多目标资源分配问题进行了深入研究，对云计算中的资源分配问题进行数学建模，设计出符合云资源分配优化问题的卡尔曼滤波蝙蝠算法。通过对CloudSim云计算仿真环境的研究与学习，在实验环境中部署了云资源仿真环境，应用改进蝙蝠算法解决了云资源分配的多目标优化问题。
　　利用蝙蝠算法解决多目标优化问题是处理多目标优化问题的一种新途径，通过对蝙蝠算法、卡尔曼滤波算法的研究，设计出基于卡尔曼滤波的改进多目标蝙蝠算法，通过仿真实验证实了改进蝙蝠算法在求解多目标优化问题中解的收敛性和均匀性都优于原蝙蝠算法，同时成功在云仿真环境下将改进蝙蝠算法应用到云资源分配中，并取得了理想的仿真效果。

目录

声明

第1章 绪论

1.1研究背景及意义

1.2国内外研究现状

1.3本文的主要工作

1.4 论文组织结构

第2章 基于卡尔曼滤波的蝙蝠算法（KBA）及实现

2.1 蝙蝠算法

2.2 卡尔曼滤波算法

2.3 基于卡尔曼滤波的蝙蝠算法的设计

2.4 本章小结

第3章KBA在多目标优化中的实现

3.1多目标优化简介

3.2KBA在多目标优化问题中的应用

3.3KBA仿真实验说明

3.4实验结果与分析

3.5本章小结

第4章 云计算中的多目标优化与CloudSim简介

4.1 云计算及云资源调度简介

4.2云计算中资源调度的多目标优化问题

4.3 云资源分配的多目标优化数学模型

4.4CloudSim云资源仿真环境

4.5 本章小结

第5章 KBA在CouldSim中的实现

5.1 KBA优化云资源的思路

5.2 KBA在CloudSim中的实现

5.3实验结果与分析

5.4 本章小结

第6章 总结与展望

6.1 对本文的总结

6.2对未来的展望

参考文献

个人简历

致谢