论文部分内容阅读
大爆炸算法(Big Bang-Big Crunch, BB-BC),是由土耳其伊斯坦布尔科技大学的Osman K. Erol*和Ibrahim Eksin于2006年提出的一种新的群体智能优化算法,该算法思想来源于了宇宙大爆炸和收缩理论——该理论认为在宇宙形成的过程中能量分布是随机耗散的,同时也会向一个局部集中收敛,而收敛的这一局部在优化算法中成为全局最优点。大爆炸算法是一个持续的大爆炸(Big Bang)和大收缩(Big Crunch)的过程,在持续的爆炸和收缩过程中搜索目标函数解空间,从而找到目标函数的全局最优点,同时该算法具有较强的全局搜索能力与收敛速度。大爆炸算法具有实现简单、参数少、收敛速度快的优点,已被证明是一种较好的全局优化算法,引起了人们广泛的关注。但是,大爆炸算法还存在早熟收敛和寻优多样性差等缺点。为了克服大爆炸算法的缺点,本文首先对大爆炸算法的国内外研究现状进行了详细介绍,并针对大爆炸算法的原理、算法实现进行了分析,并在此基础上,对大爆炸算法进行改进,从而弥补算法本身的不足。本文的主要研究工作如下：(1)介绍了群体智能优化算法的基本原理与特点,大爆炸算法的国内外研究现状与应用情况,并介绍大爆炸算法本身所涉及的原理、算法描述与具体实现,为后面的改进做理论准备工作。(2)本文提出了混沌大爆炸算法(Chaotic Big Bang-Big Crunch, CBB-BC), CBB-BC算法通过混沌优化技术来调整收缩参数,以动态地平衡大爆炸算法中全局搜索能力和局部搜索能力,从而防止算法陷入局部最优解并提高解的精度。通过实验结果分析,对于低维优化问题而言,CBB-BC算法较BB-BC算法具有更快的收敛速度和更高的求解精度。(3)通过在混沌大爆炸算法中引入粒子群算法的粒子位置更新的思想,本文提出了基于粒子群优化算法的混合大爆炸搜索算法(Hybrid Chaotic Big Bang-Big Crunch, HCBB-BC), HCBB-BC算法在产生新一代碎片解时利用了已经找到的当前全局最优解和该候选解在迭代过程中的历史最优位置信息,从而克服了混沌大爆炸算法碎片解产生的无序性,提高算法的搜索能力。通过实验结果分析,HCBB-BC算法较BB-BC算法和CBB-BC算法能更有效地求解高维优化问题。(4)对本文的研究以及相关工作进行了概括和总结,提出了下一步的研究方向。