基于邻域正交交叉算子的混合蛙跳算法研究与应用

论文摘要

混合蛙跳算法（SFLA）是由Eusuff和Lansey在2003年首次提出的,得到了国内外学者的广泛关注,对算法的研究应用已经渗透到多个领域,成为交叉学科中一个前沿性研究问题。混合蛙跳算法是一种新的基于全局协同搜索的智能优化方法,它结合了Memetic算法和粒子群优化算法两者的优点,是继粒子群优化算法之后的又一种新的群体智能优化算法。作为一种全新的仿生优化算法,具有概念简单、参数少、计算速度快、全局寻优能力强、易于实现等特点。但是SFLA还有很多不完善的地方,如:理论基础薄弱,研究成果及其应用较少,并且存在易收敛到局部最优、在求解部分函数优化问题时效果不够理想等。本文针对算法存在的缺陷提出一种基于邻域正交交叉算子的混合蛙跳算法（SFLA-OCO）,并对该算法中主要参数对算法性能的影响、算法在电力系统负荷预测问题和TSP求解中的应用进行了分析,主要研究内容如下:1.简要介绍了最优化问题、智能优化算法以及混合蛙跳算法研究进展的相关内容,详细论述了混合蛙跳算法的基本原理、数学模型、算法流程、核心步骤以及算法特点。2.针对基本混合蛙跳算法在根据局部更新策略更新个体最差值Xw时带有一定的盲目性,寻优结果精度低收敛速度慢等缺点,对其进行了改进,提出了一种基于邻域正交交叉算子的混合蛙跳算法,改善新个体的部分分量值,从而提高种群的多样性,较好的平衡了算法的全局搜索能力和局部搜索能力,提高了算法的收敛速度和计算精度。3.通过仿真实验,分析了基于邻域正交交叉算子的混合蛙跳算法的主要参数对算法性能的影响,为进一步研究混合蛙跳算法提供了很好的参考依据。4.将基于邻域正交交叉算子的混合蛙跳算法用于支持向量机的参数优化,建立一种SFLA-OCO-SVM预测模型,并应用于电力系统短期负荷预测,取得了较好的效果。5.将基于邻域正交交叉算子的混合蛙跳算法用于求解TSP中,并取得了较好的效果,说明本文的改进算法能有效地解决大多数组合优化问题,具有良好的应用前景和实用价值。最后,对全文进行了总结并对混合蛙跳算法的研究进行了展望,由于该算法的理论分析还不够完善,许多问题有待于做进一步的研究。

论文目录

• 摘要
• Summary
• 第一章 引言
• 1.1 最优化问题
• 1.2 智能优化算法
• 1.3 主要的智能优化算法
• 1.3.1 遗传算法
• 1.3.2 禁忌搜索算法
• 1.3.3 模拟退火算法
• 1.3.4 蚁群算法
• 1.3.5 粒子群算法
• 1.3.6 人工鱼群算法
• 1.4 课题研究背景和意义
• 1.5 课题研究现状
• 1.6 论文组织结构
• 第二章 基本混合蛙跳算法
• 2.1 算法简介
• 2.2 理论基础
• 2.2.1 Memeti 算法
• 2.2.2 粒子群优化算法
• 2.3 基本原理
• 2.4 数学模型
• 2.5 算法流程
• 2.6 核心步骤
• 2.7 算法特点
• 2.8 算法的优点和不足
• 第三章 基于邻域正交交叉算子的混合蛙跳算法
• 3.1 正交实验原理
• 3.2 邻域正交交叉算子
• 3.3 基于邻域正交交叉算子的混合蛙跳算法
• 3.3.1 算法描述
• 3.3.2 算法流程
• 3.4 实验与仿真
• 3.4.1 固定进化迭代次数下算法的收敛速度和精度
• 3.4.2 固定收敛精度目标值下算法需要的迭代次数
• 3.5 本章总结
• 第四章 基于邻域正交交叉算子的混合蛙跳算法的参数分析
• 4.1 寻优步长
• 4.1.1 固定进化迭代次数的优化精度
• 4.1.2 固定收敛精度下的迭代次数
• 4.2 族群数及族群中个体数
• 4.2.1 固定进化迭代次数的优化精度
• 4.2.2 固定收敛精度下的迭代次数
• 4.3 种群规模
• 4.3.1 固定进化迭代次数下的优化精度和平均每次运行时间
• 4.3.2 固定收敛精度下的迭代次数
• 4.6 本章总结
• 第五章 基于混合蛙跳算法的支持向量机在电力系统的短期负荷预测
• 5.1 短期负荷预测概述
• 5.1.1 负荷特性分析
• 5.1.2 负荷预测的特点
• 5.1.3 负荷预测的步骤
• 5.2 支持向量机
• 5.2.1 支持向量机回归算法
• 5.2.2 SVM 核函数及参数分析
• 5.3 基于SFLA-OCO-SVM 的短期负荷预测模型
• 5.3.1 构建SFLA-OCO-SVM 模型
• 5.3.2 SFLA-OCO-SVM 流程
• 5.3.3 实验仿真
• 5.3.4 应用算例分析
• 5.4 本章小结
• 第六章 基于邻域正交交叉算子的混合蛙跳算法的TSP 求解
• 6.1 TSP 简介
• 6.1.1 数学描述
• 6.1.2 常规解法
• 6.2 基于邻域正交交叉算子的混合蛙跳算法的TSP 求解
• 6.2.1 编码方式
• 6.2.2 适应度函数
• 6.2.3 交叉操作
• 6.2.4 位置的更新
• 6.3 算法流程
• 6.4 实例测试
• 6.5 本章小结
• 第七章 结论与展望
• 7.1 研究工作的总结
• 7.2 进一步的研究内容
• 参考文献
• 致谢
• 作者简介
• 导师简介