论文部分内容阅读
函数优化问题是最优化问题中的一个基础研究,也是近几十年搜索领域中的研究热点。以往传统算法通常使用梯度信息或者次梯度信息来求解,但是遇到高维、非凸、且有多个局部极值点的问题,其求解效果却不太理想。群智能优化算法是通过转移概率进行随机选择和搜索的,具有全局搜索能力强、收敛快、搜索效率高、鲁棒性等优点,在函数优化问题中体现了很好的性能,目前已成为最优化方法研究中的热点。粒子群算法是基于群体协作的全局随机搜索算法。本文基于粒子群算法从多个角度改进其性能,主要体现在以下几个方面:(1)为了提高综合学习粒子群算法的后期收敛能力,本文提出一种基于禁忌策略的混合优化算法,记为CLPSO+Tabu(CMA-ES)。该算法以禁忌搜索算法为后续搜索操作,以高斯分布为基础,以协方差矩阵自适应进化策略引导邻域结构的分布,构造新型自适应邻域结构,指导禁忌搜索算法中候选解的选取,从而解决综合学习粒子群算法在收敛精度低的问题,改善了求解效果。实验结果表明:与CLPSO相比,CLPSO+Tabu(CMA-ES)算法在绝大多数函数上具有更好的收敛效果。(2)针对粒子群算法易于陷入局部最优、只适用于部分函数等缺点,本文基于差分算法的多种变异策略从多种角度改进粒子群速度更新策略。分别以DE/rand/1,DE/best/2、DE/current_to_rand/1和DE/current_to_best/1四种变异策略为基础,改进粒子群算法的速度更新公式。实验表明:DE/best/2适用于解决单峰问题,DE/rand/1适用于解决一部分多峰问题,DE/current_to_best/1则更有利于旋转函数的求解,DE/current_to_rand/1则比较平衡,在多数问题上都有适中的解。不同的改进方法使得算法在不同方向得到了性能的优化。(3)为了使得算法能够针对不同问题的不同阶段自适应地选择恰当的策略,本文以基于DE/rand/1,DE/current_to_rand/1、DE/current_to_best/1变异策略的三种速度更新策略和综合学习粒子群算法的速度更新策略构建速度更新公式策略池,综合考虑策略池中的策略对函数问题的影响,引入自适应框架,使得算法能够自适应地选择恰当的策略,混合各种策略的优点,使得算法适应于解决各类函数的优化问题。实验表明:以自适应框架来选择粒子群算法的更新公式,在搜索的各个阶段使用合适的算法,有利于集成各种算法的优点,使得算法性能进一步提高。