论文部分内容阅读
随着计算机科学和工程技术的迅速发展,人们对高效的优化技术和智能计算的要求日益迫切。微粒群算法作为一种新型的智能优化算法,其思想来源于人工生命和进化计算的基本理论。由于其原理简单、容易实现、参数少、优化效率高等特点,迅速得到国际演化计算研究领域的认可,并在图像处理、数据挖掘和结构设计等领域得到广泛应用。然而作为一种崭新的随机搜索算法,微粒群算法仍然存在着早熟收敛的现象,尤其对于高维多极值的复杂优化问题,这种缺陷更加突出。在微粒群算法的研究飞速发展的同时,复杂网络的研究也逐渐成熟并开始渗透到众多不同的领域,尤其是现实网络中小世界效应和无标度特性的发现更激起了学术界对复杂网络的研究热潮。本文在对国内外微粒群算法研究动态和复杂网络的相关理论进行综述的基础上,深入探讨了邻域结构对微粒群算法收敛速度和性能的影响,并在此基础上将小世界网络模型和无标度网络模型分别与微粒群算法相结合,提出了基于动态邻域结构的微粒群算法。具体工作如下:(1)利用小世界网络模型“平均最短路径小,而聚集系数大”的特性,将固定的小世界模型引入微粒群算法,提出基于小世界邻域模型的微粒群算法(SWN-PSO),分析了小世界邻域结构对算法性能的影响;(2)将小世界网络的动态生成过程引入微粒群算法,提出基于小世界模型动态演化邻域的微粒群算法(DSWN-PSO),使群体结构从规则网络模型协同算法的搜索逐步演化为小世界模型,通过控制微粒间信息的传播速度调整算法的搜索方式,并依据种群多样性自适应调整邻域演化时机;(3)借鉴无标度网络生成过程中的“动态增长性”和“择优连接性”,并结合小世界网络的基本特性,提出了基于高聚集度的无标度邻域结构的微粒群算法(HCSN-PSO),同时参照节点度和节点间的距离演化群体网络,这样所生成的网络模型不仅具有无标度特性,并且具有高的聚集度,有助于算法的细致性搜索。通过对Benchmark标准测试函数的仿真实验及理论分析证明,本文提出的改进方法使微粒群算法的收敛性能和效率均获得了明显提高。