优化问题的几种智能算法

智能优化算法一般是利用自然、社会等复杂系统与优化问题的某些相似性而逐步发展起来的,它按照某些概率规则对搜索空间中的一组初始解进行操作,从而得到下一组可行解。因此算法本身的搜索机制决定了算法的寻优性能。 本文针对粒子群优化算法、混合蛙跳算法和和声搜索算法这三种智能优化算法作了比较深入的研究,在此基础上将这些算法作了进一步的改进和推广,取得了较为满意的结果。其主要工作概述如下: 1.针对标准粒子群优化算法在处理复杂函数优化问题时容易陷入局部最优、收敛精度低的缺点,利用生物学中的吸引排斥机制修正了粒子群优化算法的更新策略,由此提出了一种基于吸引排斥机制的粒子群优化算法,理论分析和数值试验表明算法有较好的优化性能。 2.对混合蛙跳算法作了进一步的研究,修正了其搜索机制,维持了子群的多样性。实验仿真结果表明,改进后的混合蛙跳算法提高了算法的收敛速度,有效地避免了SFLA的早熟收敛问题,从而改善了对复杂问题的搜索效率,验证了算法的可行性和有效性。 3.首先用均匀设计讨论了和声搜索算法参数的设定问题,实验结果证明了这种确定参数方法的可行性;其次针对单个体的和声搜索算法,提出了两种改进的和声搜索算法:动态多库和声搜索算法和求解复杂函数优化问题的和声搜索算法,实验结果表明改进后的算法对复杂函数优化问题表现出了极强的适应性、稳定性、鲁棒性和全局搜索能力。