论文部分内容阅读
最优化问题通常可分为两大类:连续型优化问题和离散型优化问题。随着社会的发展及科技水平的进步,优化问题日益增多,且复杂度日益增加,传统数学方法已不能满足复杂最优化问题的要求,智能算法应运而生。布谷鸟搜索算法(Cuckoo Search,CS)作为一种新近提出的群智能搜索算法,在解决上述最优化问题上具有一定的优势,但该算法在寻优过程中仍存在收敛速度慢、寻优结果精度不高的问题。因此,对布谷鸟算法进行改进研究,并将其用于求解单目标和多目标的函数优化问题与组合优化问题具有极为重要的理论意义和应用价值。本文的主要研究内容如下:(1)从算法混合、自适应搜索、更新策略、离散化四个方面对布谷鸟搜索算法在单目标优化问题的研究现状进行了综述,从更新机制、档案生成与维护、算法应用三个方面对布谷鸟搜索算法在多目标优化问题的研究现状进行了分析,得出了布谷鸟搜索算法分别在求解连续性优化和组合优化的单目标及多目标优化问题存在的问题,从而确定了论文研究内容,并梳理了研究思路。(2)针对CS算法求解单目标优化问题存在收敛精度不高、收敛速度慢的问题,将模拟退火算法引入CS算法,提出了一种混合模拟退火机制的布谷鸟搜索算法(SA-CS)。该算法通过退火时机判断算法陷入局部最优时,运用模拟退火方法使算法跳出局部最优,从而提高算法全局搜索能力,并用标准测试函数进行测试,验证了算法的有效性。针对求解典型离散型TSP问题存在较多路径交叉的问题,引入消除路径交叉机制,以提高算法精度。结果表明,SA-CS算法提高了基本CS算法的寻优精度及收敛速度,对连续型优化问题和离散型优化问题均具有一定的优势。(3)针对多目标布谷鸟搜索算法(Multi-objective Optimization Cuckoo Search,MOCS)在求解连续型多目标优化问题时无法获得均匀、多样且收敛的Pareto前沿的问题,提出了一种基于分解的多目标布谷鸟搜索算法(MOCS/D)。该算法将切比雪夫分解法引入MOCS算法中,提高算法的收敛能力,通过对经典多目标测试函数测试,结果表明,本文提出的MOCS/D算法提高了 MOCS算法求得Pareto前沿的收敛性、多样性和均匀性,对于连续型多目标函数优化问题具有一定优势。(4)针对MOCS/D算法在多目标组合优化问题中性能表现收敛性差、Pareto前沿不均匀的现象,提出了一种基于分解的均匀设计的二进制多目标布谷鸟搜索算法(UMOBCS/D)。该算法在MOCS/D算法的基础上,采用均匀设计的方法得到分布更为均匀的权重向量,针对0-1背包问题的特性引入布谷鸟更新过程的二进制变换机制,并为了满足约束条件,运用不可行解的修复策略。通过对12个多目标背包问题进行测试,结果表明,针对多目标组合优化问题、尤其是多目标背包问题,该算法比MOCS算法和经典的NSGAII算法具有更佳的性能。