【摘要】：水循環算法是一種抽象于自然界水循環過程的智能優化算法,算法一方面基于河流的引導式前進,能有效避免個體進入非優區域,另一方面存在蒸發的變異過程,有利于算法在尋優時跳出局部最優解,更易尋找全局最優。然而算法的收斂速度和精度仍有一定缺陷,本文以此對水循環算法進行改進研究。針對基本水循環算法的缺陷,本文提出了三點改進思想:首先是基于初始種群的改進,在水循環算法初始化解時,使用反向學習替代傳統的隨機初始化,用以提高初始種群的均勻性及多樣性,提高初始解的質量;其次是基于迭代步長的改進,在迭代過程中,使用指數下降的迭代步長替代原有的固定步長,使算法在迭代前期快速縮小尋優鄰域,到了尋優后期,在較小鄰域內進行微調,更易獲取較優解;最后是基于蒸發過程的改進,使用高斯變異和混沌變異的組合形成自適應降雨過程,實現全局和局部相結合的搜索模式,克服了原有算法多樣性較低,收斂速度慢等缺陷。使用基準函數對比測試了改進后的水循環算法與其他算法的性能,通過實驗驗證了改進后的水循環算法穩定性更好、收斂速度更快、尋優精度更高,總體上該算法尋優效果能力有所提高,且較為明顯。針對K-means聚類算法對初值敏感且求解聚類中心的收斂速度慢等問題,利用改進后的水循環算法與其他智能算法對K-means算法的聚類效果進行對比試驗,進一步驗證了改進后的水循環算法對K-means聚類效果有著較為明顯的提升。
【圖文】：

圖 2.1 蟻群算法的流程圖基于鳥類群體活動規則的智能算法，主體思想采適應度值大小作為操作依據。在粒子群算法中，和體積大小的微粒，而這些粒子以一定速度向最優之間不會發生碰撞，其速度是根據個體歷史最優位粒子飛行的速度和方向，起著平衡個體和群體的功近。如下所示是粒子群算法的數學模型：空間維度為S維，若隨機生成粒子個數為m 的群體，則第i個粒子的位置可表示成1 2( , , , ), 1,2, ,i i i iSx x x x i m度，也是S 維向量，記為1 2( , , , ), 1,2, ,i i i iSV V V V i m程中，會產生兩個極值點，其中之一是個體的歷史

西安科技大學碩士學位論文12圖 2.1 蟻群算法的流程圖2.2.2 粒子算法粒子群算法[14]是基于鳥類群體活動規則的智能算法，主體思想采用了“群體”與“進化”兩個概念，都是以適應度值大小作為操作依據。在粒子群算法中，群體中的個體是搜索空間內沒有質量和體積大小的微粒，而這些粒子以一定速度向最優粒子飛行，在飛行過程中，各個粒子之間不會發生碰撞，其速度是根據個體歷史最優位置和群體最優位置做動態調整，決定粒子飛行的速度和方向，，起著平衡個體和群體的功能，有利于粒子朝著較優解的方向靠近。如下所示是粒子群算法的數學模型：設優化問題的解空間維度為S維，若隨機生成粒子個數為m 的群體，所有粒子的位置是解空間的潛在解，則第i個粒子的位置可表示成1 2( , , , ), 1,2, ,i i i iSx x x x i m(2.5)初始化其飛行速度，也是S 維向量，記為1 2( , , , ), 1,2, ,i i i iSV V V V i m(2.6)在粒子的迭代過程中，會產生兩個極值點，其中之一是個體的歷史最優位置，
【學位授予單位】：西安科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：O224;TP18

【參考文獻】

相關期刊論文 前2條

1 章純;劉鋒;廖國維;李麗娟;;基于WCA優化算法的空間桁架結構優化設計[J];建筑鋼結構進展;2014年01期

2 張存祿,王子萍,黃培清,駱建文;基于風險控制的供應鏈結構優化問題[J];上海交通大學學報;2005年03期

相關博士學位論文 前9條

1 劉振軍;結構全局優化設計的混沌優化算法研究[D];大連理工大學;2016年

2 孔翔宇;幾類優化問題的人工蜂群算法[D];西安電子科技大學;2016年

3 張超群;混合爆炸式人工蜂群算法及應用研究[D];東華大學;2015年

4 趙鳴;簡潔式群智能計算及應用研究[D];哈爾濱工業大學;2015年

5 盧金娜;基于優化算法的徑向基神經網絡模型的改進及應用[D];中北大學;2015年

6 吳沛鋒;智能優化算法及其應用[D];東北大學;2012年

7 張雪鋒;混沌序列生成技術及其若干應用研究[D];西安電子科技大學;2011年

8 楊劍峰;蟻群算法及其應用研究[D];浙江大學;2007年

9 張梅鳳;人工魚群智能優化算法的改進及應用研究[D];大連理工大學;2008年

相關碩士學位論文 前10條

1 母傳偉;基于線性規劃單純形法優化礦山巖石運輸調配[D];燕山大學;2016年

2 喬石磊;啟發式水循環算法及應用研究[D];廣西民族大學;2016年

3 袁帆;確定水質水量模型參數的單純形—粒子群混合算法研究[D];長安大學;2016年

4 劉佳;求解全局優化問題的眺望算法[D];長春工業大學;2016年

5 趙挺;蜂群算法及其仿生策略研究[D];浙江大學;2016年

6 黃媛媛;一種改進的人工蜂群算法及其在k均值聚類中的應用[D];安徽大學;2015年

7 王昊雷;K均值聚類算法研究與應用[D];哈爾濱工程大學;2015年

8 葉秋菊;粒子群算法研究及在NoC低功耗映射中的應用[D];西安電子科技大學;2014年

9 魯姝穎;粒子群優化算法的幾種改進算法及應用[D];中國礦業大學;2014年

10 章純;水循環算法在結構優化設計中的應用及其在多目標中的改進[D];廣東工業大學;2014年

本文編號：2612725