群智能混合優(yōu)化算法及其應(yīng)用研究.pdf

1、在求解復(fù)雜問題時，單一群智能優(yōu)化算法表現(xiàn)出如下缺陷:精度不高、泛化能力弱、易陷入局部最優(yōu)等。由于群智能混合優(yōu)化算法綜合利用各種群智能優(yōu)化算法的差異性與互補性，能實現(xiàn)優(yōu)勢互補與信息增值，進而提高其求解復(fù)雜優(yōu)化問題的整體性能。本文側(cè)重于改進粒子群優(yōu)化算法和人工蜂群算法，引入混沌優(yōu)化算法、差分進化算法等多種智能優(yōu)化算法，提出新的群智能混合優(yōu)化算法以提高算法的收斂速度，避免算法陷入局部最優(yōu)，并用于解決實際優(yōu)化問題。本文的主要研究內(nèi)容如下:

2、>　　(1)改進混沌粒子群優(yōu)化算法及應(yīng)用
　　針對粒子群優(yōu)化算法后期收斂速度慢、易陷入局部極小等問題，引入混沌優(yōu)化算法和早熟收斂的判斷及處理機制，提出了改進混沌粒子群優(yōu)化算法(Improved ChaoticParticle Swarm Optimization，ICPSO)。算法分析及函數(shù)優(yōu)化實驗表明，該算法加快了收斂速度，避免了后期振蕩。
　　將ICPSO算法分別應(yīng)用于支持向量機和動態(tài)模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)組合尋優(yōu)，并應(yīng)用于

3、煤與瓦斯突出預(yù)測。相關(guān)對比實驗結(jié)果表明，ICPSO能有效地獲取最優(yōu)參數(shù)組合，具有精度高、收斂快、迭代次數(shù)少的特點，提高了支持向量機和動態(tài)模糊神經(jīng)網(wǎng)絡(luò)的建模效果和預(yù)測精度。
　　(2)混沌差分進化粒子群的協(xié)同優(yōu)化算法
　　為有效地改善差分進化粒子群優(yōu)化算法的尋優(yōu)效率和全局搜索能力，引入混沌優(yōu)化、反向?qū)W習(xí)策略和信息交互機制，提出了混沌差分進化粒子群的協(xié)同優(yōu)化算法。該算法利用反向?qū)W習(xí)策略初始化種群，使得初始化個體盡可能均勻分布在搜

4、索空間，接著將種群隨機等分為雙種群，并對雙種群分別采用混沌差分進化算法和ICPSO進行協(xié)同尋優(yōu)。算法分析及函數(shù)優(yōu)化實驗結(jié)果表明，與目前性能較好的同類算法比較，該算法在避免早熟收斂、尋優(yōu)精度、收斂速度、全局搜索能力和魯棒性方面效果更好。
　　(3)自適應(yīng)Tent混沌人工蜂群算法
　　人工蜂群算法在接近全局最優(yōu)時，其搜索速度變慢，且種群多樣性減少，而陷入局部最優(yōu)。同時，考慮到Tent混沌映射比Logistic混沌映射具有遍歷均勻

5、性和迭代速度快的優(yōu)點，提出了一種自適應(yīng)Tent混沌人工蜂群算法，改善人工蜂群算法的收斂速度和避免早熟收斂。該算法應(yīng)用Tent混沌反向?qū)W習(xí)策略初始化種群，使得初始個體盡可能均勻分布;利用自適應(yīng)調(diào)整混沌搜索空間，在最優(yōu)解產(chǎn)生Tent混沌序列;并在跟隨蜂階段引入錦標賽選擇策略。算法分析及仿真結(jié)果表明，該算法的收斂速度和尋優(yōu)精度明顯優(yōu)于人工蜂群算法，尤其適合求解復(fù)雜的高維函數(shù)尋優(yōu)。利用自適應(yīng)Tent混沌人工蜂群算法優(yōu)化支持向量回歸模型的參數(shù)組合

6、，并應(yīng)用于電力負荷預(yù)測。相關(guān)對比實驗結(jié)果表明，提出的算法能夠有效地獲取最優(yōu)參數(shù)組合，且優(yōu)化的SVR回歸模型能獲得良好的建模效果和更高的預(yù)測精度。
　　(4)Tent混沌人工蜂群與粒子群混合算法
　　考慮到人工蜂群算法的全局搜索能力（勘探）強、局部搜索能力（開采）弱，而粒子群優(yōu)化算法的全局搜索能力弱、局部搜索能力強，結(jié)合自適應(yīng)Tent混沌搜索、反向?qū)W習(xí)策略和重組算子，本文提出了Tent混沌人工蜂群與粒子群的混合算法。該算法使用

7、Tent混沌反向?qū)W習(xí)策略初始化種群，使初始個體盡可能均勻分布。引入?yún)f(xié)同進化思想將初始種群劃分為雙種群，對雙種群分別采用自適應(yīng)Tent混沌人工蜂群算法與Tent混沌粒子群優(yōu)化算法協(xié)同進化，再利用重組算子選擇最優(yōu)個體作為跟隨蜂的鄰域蜜源和粒子群的全局極值。將Tent混沌人工蜂群與粒子群的混合算法應(yīng)用于復(fù)雜高維基準函數(shù)尋優(yōu)。實驗結(jié)果表明，該算法不僅能有效地避免早熟收斂，而且能有效地跳出局部極小值，與其它粒子群優(yōu)化和人工蜂群的混合算法相比，具有

8、更強的勘探能力和開采能力。最后將其應(yīng)用于解決多序列比對問題。實驗結(jié)果表明，提出的算法能有效地解決多序列比對問題，而且能獲得良好的比對效果，魯棒性強。
　　(5)群智能混合優(yōu)化算法在入侵檢測中的應(yīng)用
　　核主成分分析(kernel principal component analysis，KPCA)是一種非線性特征提取方法，支持向量機(support vector machine，SVM)的泛化能力和擬合精度取決于其相關(guān)參數(shù)的

9、選取，本文綜合KPCA和群智能混合優(yōu)化算法，提出了新的SVM入侵檢測分類模型。在提出的模型中，KPCA對原始數(shù)據(jù)樣本進行特征提取，以減少特征向量的維數(shù)和縮短訓(xùn)練時間;多SVM分類器用于判斷是否為攻擊行為;同時，為了減少不同特征引起的噪聲和提高SVM的性能，在RBF核函數(shù)中引入特征屬性的均值和均方差，以縮短SVM的訓(xùn)練時間;最后應(yīng)用本文提出的四種群智能混合算法優(yōu)化SVM的相關(guān)參數(shù)。實驗結(jié)果表明，提出的SVM入侵檢測模型具有更好的檢測性能和