資源描述：
《大研論文賴雪曉》由會員上傳分享，免費在線閱讀，更多相關內容在工程資料-天天文庫。
1、大學生研究計劃論文題目：基于混沌控制的差分進化算法及系別:姓名:學號:導師:其在大規(guī)模優(yōu)化問題中的應用電子科學與技術系賴雪曉PB05210479李斌副教授王瑜2008年10月4日基于混沌控制的差分進化算法及其在大規(guī)模優(yōu)化問題中的應用3摘要3關鍵字：3I.引言31」研究冋顧41.2算法思、想5II?大規(guī)模優(yōu)化問題5III.DE算法63.1經典DE63.2chaotic-DE63.3對比實驗（低維問題）7IV.方差優(yōu)先策略（VP）114.1算法114.2實驗124.2.1對比實驗結果（高維問題）：13422參數敏感性154.2.3可
2、延展性16V.總結16參考文獻：17基于混沌控制的差分進化算法及其在大規(guī)模優(yōu)化問題中的應用摘要大規(guī)模優(yōu)化問題(LargeScaleGlobalOptimization)是優(yōu)化領域小一個非常巫要并且難度很人的優(yōu)化任務。在經典數學逼近優(yōu)化領域，各國的學者已經根據該問題的特性，經過數十年的研究，提岀了-?批優(yōu)秀的大規(guī)模優(yōu)化算法。但是，這些確定性優(yōu)化算法往往要求較多的先驗知識，如連續(xù)可微，H已知梯度等等。然而，許多實際應川問題很難滿足這些要求，有些問題其至無法給出可解析的目標斷數計算公式，這極大地限制了確定性優(yōu)化方法的應川。由于具有很好
3、的近似搜索性能，演化算法被廣泛應用于許多實際優(yōu)化問題的求解。但是，當這些問題的規(guī)模變大時，尤其是達到數TT其至上千維時，1=1前已知的許多優(yōu)秀的演化算法的性能會急劇惡化”】。本文先從經典的數值優(yōu)化著手，提出一種新的基于混沌控制的口適應差分進化算法(ChaoticDifferentialEvolution(chaotic-DE)),并以之為載體結合針對人規(guī)模優(yōu)化問題提出的方差優(yōu)先策略(VariancePriority(VP))形成了一種新的基于協(xié)同進化的差分進化算法(VariancePriorityCooperativeCoevo
4、lutionDifferentialEvolution(VPCCDE))o為了全面展示chaotic-DE的優(yōu)勢,我們首先將幾種類似的算法DE,SaDE和chaotic-DE在低維問題上對經典函數的優(yōu)化做比較，以評估所采用策略的有效性。為了測試VP策略在大規(guī)模優(yōu)化問題上的性能，我們將兒種經典的算法SaNSDE,FEPCC,DECC-0和新近提出的算法DECC-G在高維問題的表現(xiàn)和引入VP策略的chaotic-DE算法做比較。為了測試該算法的參數敏感性，我們將對算法采川以10維為一組和100維為一組的協(xié)同進化策略，以此互相比較。通
5、過實驗驗證，VPCCDE表現(xiàn)出優(yōu)秀的收斂性，多樣性和對拓展性，是一種具有強魯棒性的優(yōu)化算法。關鍵字：大規(guī)模優(yōu)化問題LargeScaleGlobalOptimization(LSGO),混沌控制ChaoticControl(CC),差分進化DifferentialEvolution(DE),白適應差分進化SelfAdaptiveDifferentialEvolution(SaDE)方差優(yōu)先VariancePriority(VP),協(xié)同進化CooperativeCoevolution(CC)I.引言在生產實踐與科學研究中，存在許多人
6、規(guī)模優(yōu)化問題。例如人規(guī)模電網配置與調度⑴⑵、大規(guī)模交通網絡的設計⑶、移動通信網絡設計⑷、生物醫(yī)學信息處理⑸⑹、飛行器或汽車的空氣動力學設計⑺、以及數據挖掘網9】等等。這些問題的共同特點是決策變量的個數往往非簾多，即解空間維數很高。維數的增人在導致問題解空間急劇增人的同時，也會造成問題求解難度的急劇增大。此外，在一些應用問題中，各維之間還可能存在復雜的依賴關系，這也導致問題變得更為復雜。1.1研究回顧在之前的研究屮，人規(guī)模優(yōu)化問題已經引起了廣泛的研究注意。經典確定性優(yōu)化領域的大規(guī)模優(yōu)化算法主要包括共軌梯度法及其擴展，10H1子空
7、間截斷牛頓法“現(xiàn)劃分擬牛頓法［13有限記憶BFGS法冋、有效集牛頓法〔⑸和子空間有限內存擬牛頓法〔⑹等等。但是，這些確定性數學逼近算法往往要求較多的先驗知識，如：目標函數必須明確已知，連續(xù)可微,H.已知梯度等等。而許多實際應川問題很難滿足這些要求，有些問題甚至無法給出可解析的目標函數計算公式，因此限制了確定性優(yōu)化方法的應用。已有研究表明：演化算法由于具有很好的近似搜索性能，并.11?對目標函數的形式要求寬松，因此，相比經典優(yōu)化算法，在求解非連續(xù)、不可微、多峰、有噪聲、多目標、以及不能很好定義的問題上性能更加優(yōu)良，被廣泛應用于許
8、多實際優(yōu)化問題的求解。但是，當問題的規(guī)模變大時，尤其是達到數百至上T維時，H前已知的許多優(yōu)秀的演化算法的性能會急劇惡化WJ。原因主要有兩個［⑺：一是，隨著問題規(guī)模的增人，問題的復雜程度也會隨之發(fā)生變化，原來在小規(guī)模問題上效果良好的策略，可能會不再有效；二是，隨著
