论文部分内容阅读
群集蜘蛛优化算法(Social Spider Optimization,SSO)是一种模拟群集蜘蛛个体之间相互协作捕食、公共网交换信息以及雌雄个体之间繁衍后代等一系列行为而设计的启发式优化算法。在该算法模型中,种群按一定的比例被分为雌性蜘蛛种群和雄性蜘蛛种群,个体之间根据性别的不同进行分工协作,这不仅真实地模拟了群集蜘蛛群体的生物行为,也在一定程度上平衡了算法局部和全局搜寻能力。群集蜘蛛优化算法具备结构清晰、易于理解、搜寻能力强的优点,因而受到了国内外学者普遍的关注。随着对群集蜘蛛优化算法探究的深入,学者们发现了该算法的一些缺点,例如收敛速度慢、求解精度低、易陷入局部最优等,这些不足严重限制了群集蜘蛛优化算法在科学工程领域的应用。本文针对群集蜘蛛优化算法的多种缺点,首先从引入进化新策略和结合其他算法优秀机制两方面对算法进行改进,然后将改进算法应用于函数优化问题和无线传感器网络覆盖优化问题中,主要研究工作如下:(1)通过将差分进化算法与群集蜘蛛优化算法相结合,提出了一种改进的基于差分进化的群集蜘蛛优化算法(DESSOcw)。该算法利用差分进化算法的差分变异机制对随机选取的部分雌性蜘蛛个体进行变异操作,以提高种群多样性,从而改善原群集蜘蛛优化算法收敛速度慢、收敛进度低的缺点。此外,在原蜘蛛算法的位置更新公式中引入粒子群优化算法的惯性权重和学习因子机制,以实现粒子向全局最优个体和局部最优个体学习能力的动态调整,有效平衡算法的局部和全局搜索能力。(2)提出了一种融合混沌优化策略和高斯扰动的群集蜘蛛优化算法(CGSSO)。该算法把混沌优化策略引入到种群初始化中,使算法在解空间内得到均匀分布的初始解,从而扩展了算法的搜索范围。同时在种群每次更新过程中,对随机选取的部分雌性蜘蛛进行自适应的高斯扰动,以增加种群多样性,提高算法跳出局部极值的能力。实验结果表明,CGSSO算法在收敛速度和求解精度方面表现更优。(3)提出了一种基于DESSOcw算法解决无线传感器网络覆盖问题的方法。该方法将每只蜘蛛个体编码为一种节点部署方式,利用概率感知模型计算传感器节点的覆盖率,并将所得的覆盖率函数作为DESSOcw算法的适应值函数。仿真实验结果表明,与差分进化算法、原群集蜘蛛优化算法相比,基于DESSOcw算法可得到更优的传感器网络覆盖方案。