果蠅優(yōu)化算法的改進(jìn)及應(yīng)用

《果蠅優(yōu)化算法的改進(jìn)及應(yīng)用》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、分類號：TP391學(xué)校代碼：10109密級：公開太原科技大學(xué)碩士學(xué)位論文（專業(yè)型）學(xué)位論文題目：果蠅優(yōu)化算法的改進(jìn)及應(yīng)用英文題目：ImprovementofFruitFlyOptimizationAlgorithmandItsApplications研究生姓名：白露導(dǎo)師姓名及職稱：王麗芳副教授培養(yǎng)單位：計算機(jī)科學(xué)與技術(shù)學(xué)院工程領(lǐng)域/專業(yè)：計算機(jī)技術(shù)論文提交日期：2016年5月18日論文答辯日期：2016年6月5日答辯委員會主席：韓燮教授論文獨(dú)創(chuàng)性聲明本人鄭重聲明：所呈交的論文，是本人在導(dǎo)師指導(dǎo)下，獨(dú)立進(jìn)行研究所取得的成果。除文中特-別加以標(biāo)注和致謝的地方外，論文中不包含其他個人或

2、集體已經(jīng)發(fā)表或撰寫的研究成果。對本研究所做的任何貢獻(xiàn)的個人或集體均已在論文中作了明確的說明并表示了謝意。本聲明產(chǎn)生的法律責(zé)任由本人承擔(dān)。論文作者簽名：日期：中文摘要中文摘要果蠅優(yōu)化算法是一種新興不久的群智能優(yōu)化算法，它的思想源于自然界中果蠅覓食的過程，模擬了果蠅靈敏的嗅覺和敏銳的視覺。與其他群智能優(yōu)化算法相比，果蠅優(yōu)化算法具有：參數(shù)少、計算簡單以及全局尋優(yōu)快的優(yōu)點(diǎn)。但是，由于果蠅優(yōu)化算法未能充分利用種群信息，而導(dǎo)致算法易陷入局部極值和收斂精度下降，針對這種情況本文提出了改進(jìn)的果蠅優(yōu)化算法。本文主要是圍繞果蠅優(yōu)化算法來展開研究的，包括對果蠅優(yōu)化算法的改進(jìn)、用改進(jìn)后的果蠅優(yōu)化算法來優(yōu)

3、化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的擴(kuò)展系數(shù)，以及將優(yōu)化后的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)用于預(yù)測汽油辛烷值的研究。本文的具體研究工作內(nèi)容如下：1）在基本果蠅優(yōu)化算法的位置更新方式中加入種群質(zhì)心和個體歷史最優(yōu)，并用C1和C2兩個系數(shù)來分別調(diào)節(jié)種群質(zhì)心和個體歷史最優(yōu)，從而平衡算法的全局搜索和局部搜索，進(jìn)而提高算法的性能。標(biāo)準(zhǔn)測試函數(shù)的測試結(jié)果表明改進(jìn)后的算法優(yōu)于基本果蠅優(yōu)化算法的收斂精度。2）在基本果蠅優(yōu)化算法中加入種群歷史最優(yōu)個體和個體歷史最優(yōu)以增強(qiáng)引導(dǎo)性和種群多樣性。與三種改進(jìn)后的果蠅算法、微粒群算法、人工魚群算法進(jìn)行比較，實(shí)驗(yàn)結(jié)果表明了該算法具有較好的全局收斂能力。3）利用改進(jìn)后的果蠅優(yōu)化算法優(yōu)化RB

4、F神經(jīng)網(wǎng)絡(luò)的擴(kuò)展系數(shù)值，并利用優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測汽油辛烷值，最終實(shí)驗(yàn)結(jié)果表明優(yōu)化后的RBF預(yù)測模型具有更高的精度。關(guān)鍵詞：果蠅優(yōu)化算法；收斂；RBF神經(jīng)網(wǎng)絡(luò)；汽油辛烷值IABSTRACTABSTRACTFruitFlyOptimizationAlgorithm(FOA)isanewkindofglobaloptimizationalgorithmbasedonswarmintelligence.Itisderivedfromthedrosophilaforagingbehaviorsimulationinthenature.Thedrosophilahasamarvoll

5、oussenseofsmellandsight,andFOAsimulatestheseabilitiesofthedrosophila.Comparedwithsomeswarmintelligenceoptimizationalgorithms,FOAhasthecharacteristicsoflessparameters,simplecalculationandfastglobalsearchability.Buttheproblemsoflowconvergenceprecisionandeasilyrelapsingintolocaloptimumareexisted

6、inthebasicFOA,becausetheFOAfailstomakefulluseofpopulationinformation.Consequently,theimprovedFOAsareproposedinthearticle.ThemaintopicofthispaperistheFOA,includingtheimprovedFOAs,usingtheimprovedFOAtooptimizetheexpansionparameterofRBFneuralnetwork,andmakingRBFneuralnetworkforpredictingthegasol

7、ineoctanenumber.Themainworksofthispaperareasfollows:1）BasedonthebasicFOAthepopulationcenterofmassandtheindividualoptimalalternativehistoryareaddedintothepositionupdatedway.Inthisnewalgorithm,parametersC1andC2areusedtoadjustthepopulationcenter