论文部分内容阅读
演化算法是一系列受生物群体行为启发而设计的全局优化算法。相比于传统的梯度优化等算法,演化算法实现简单,具有较高的灵活性和鲁棒性,因此已经成为了现代优化算法不可或缺的一部分。近年来,研究人员提出了许多新颖的演化算法,其中包括飞蛾火焰优化算法（moth-flame optimization,MFO）、基于梯度的优化器（gradient-based optimizer,GBO）和基于堆的优化器（heap-based optimizer,HBO）。这些算法都借助群体智能的优势,使得在处理较为复杂问题时可以得到满意的结果。但是随着演化算法的应用范围不断扩大及其与其他学科不断交叉结合,这些算法在处理实际问题时暴露出容易陷入局部最优和收敛速度较慢等问题。本文在MFO、GBO和HBO的基础上,分别对其进行改进,并对改进后的算法进行多方面的性能分析。改进算法还在地震预测领域得到应用。研究内容包括:（1）在MFO的基础上,提出了一种双自适应权重MFO改进算法（weight moth-flame optimization,WEMFO）。WEMFO在算法的不同阶段自适应地调整搜索策略,使算法在全局搜索和局部搜索之间的转换更加灵活可靠。WEMFO与近年来提出的演化算法在30个基准函数上进行了比较实验,并且分析了WEMFO算法的可扩展性。（2）在GBO的基础上,引入高斯骨干机制（gaussian bare-bones mechanism,GBB）、反向学习机制（opposition-based learning,OBL）和飞蛾螺旋更新机制,提出了一种改进GBO算法（gaussian opposite moth-flame gradient-based optimizer,GOMGBO）。其中GBB应用了差分进化算法的思想,在高斯变异的同时采用分支选择结构,使得高斯变异后的向量不局限于局部最优解。OBL的实质是在处理问题时同时考虑事物的对立面。飞蛾螺旋更新机制模拟了飞蛾的夜间飞行模式,是MFO的算法核心,保证了GOMGBO在不陷入局部最优的情况下找到全局最优解。GOMGBO在30个基准函数上与许多著名的基础演化算法及改进的演化算法进行了比较实验。（3）在HBO的基础上,引入Rosenbrock旋转方向法（modified rosenbrock’s rotational direction method,MRM）、灰狼更新机制（grey wolf mechanism,GWM）和正交学习策略（orthogonal learning,OL）,提出了一种新的改进HBO算法（graywolf orthogonal heap-based optimizer,MGOHBO）。在30个基准函数上,将MGOHBO与11个著名的原始和改进元启发式算法进行了比较。（4）将改进后的演化算法应用在地震预测领域。使用WEMFO,GOMGBO和MGOHBO三个算法分别优化核极限学习机模型（kernel based extreme learning machine,KELM）的两个参数,再将三个算法所求参数求均值,形成新的用于地震预测的混合KELM模型。