版權(quán)說(shuō)明:本文檔由用戶(hù)提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、組合優(yōu)化作為優(yōu)化領(lǐng)域的一個(gè)重要分支,在計(jì)算機(jī)科學(xué)、人工智能、交通運(yùn)輸、生產(chǎn)調(diào)度、網(wǎng)絡(luò)通信、統(tǒng)計(jì)物理、生物信息學(xué)等諸多領(lǐng)域都有著廣泛的應(yīng)用。近年來(lái),借鑒統(tǒng)計(jì)物理的理論和方法,為組合優(yōu)化理論和算法的研究注入了新的活力。極值優(yōu)化就正是一種受統(tǒng)計(jì)物理中自組織臨界理論啟發(fā)而提出的新興優(yōu)化方法,在部分經(jīng)典benchmark和工程問(wèn)題中都有著較為成功的應(yīng)用。但是,相比模擬退火算法、遺傳算法等成熟算法而言,有關(guān)極值優(yōu)化的研究才剛剛起步,還存在若干問(wèn)題有
2、待解決。比如,求解旅行商問(wèn)題、SK自旋玻璃問(wèn)題和蛋白質(zhì)折疊問(wèn)題等強(qiáng)連接問(wèn)題的效果并不理想;算法的演化概率分布還有待深入研究;以往絕大多數(shù)算法都忽略了問(wèn)題本身的結(jié)構(gòu)特征,如骨架信息等。
本文從極值優(yōu)化算法的演化概率分布、初始解等方面入手,結(jié)合組合優(yōu)化問(wèn)題本身的特征,對(duì)極值優(yōu)化的算法改進(jìn)及其在旅行商問(wèn)題、最大滿(mǎn)足性問(wèn)題、SK自旋玻璃問(wèn)題和HP蛋白質(zhì)折疊問(wèn)題等幾類(lèi)典型NP-hard組合優(yōu)化問(wèn)題中的應(yīng)用進(jìn)行了研究。具體地講,本文的
3、研究工作包括如下幾個(gè)方面:
(1)針對(duì)以往極值優(yōu)化算法都采用冪律分布作為演化概率分布的情況,提出了基于拓展演化概率分布的改進(jìn)極值優(yōu)化算法(MEO);并受TSP最優(yōu)路徑第k鄰點(diǎn)分布統(tǒng)計(jì)性質(zhì)的啟發(fā),提出了帶有啟發(fā)式初始解的改進(jìn)EO算法(NNMEO)。首次通過(guò)對(duì)隨機(jī)TSP和多個(gè)難求解的經(jīng)典實(shí)例的仿真研究發(fā)現(xiàn):在極值優(yōu)化算法中,除了以往所常用的冪律分布外,諸如指數(shù)分布和混合分布也可能是有效的甚至是更佳的演化概率分布,這也在很大程度
4、可以消除前人有關(guān)μ-EO算法不如τ-EO算法有效的誤會(huì);另外,在演化概率分布相同的情況下,極值優(yōu)化算法從帶有啟發(fā)式信患的初始解出發(fā)通常比從完全隨機(jī)的初始解出發(fā)更為有效。
(2)針對(duì)以往幾乎所有EO算法都采取靜態(tài)演化策略的情況,提出了一種基于動(dòng)態(tài)演化策略的“多級(jí)極值優(yōu)化算法(MSEO)”。MSEO將整個(gè)優(yōu)化過(guò)程分解為多個(gè)優(yōu)化階段,在每個(gè)優(yōu)化階段中將上一階段所得到的最好解作為當(dāng)前階段的初始解,并采用不同的演化概率參數(shù)值進(jìn)行再優(yōu)
5、化。對(duì)TSPLIB95中多個(gè)旅行商問(wèn)題實(shí)例的仿真研究表明:相比“靜態(tài)”極值優(yōu)化算法,MSEO算法具有更好的優(yōu)化性能。
(3)受MEO和BE-EO算法基本思想的啟發(fā),提出了一類(lèi)基于Bose-Einstein分布初始解和拓展演化概率分布的改進(jìn)極值優(yōu)化方法,簡(jiǎn)稱(chēng)EOSAT。在EOSAT框架下,提出了兩種新穎的改進(jìn)算法即BE-EEO和BE-HEO算法。對(duì)相變附近的最大滿(mǎn)足性問(wèn)題(Max-SAT)實(shí)例的仿真研究表明:相比文獻(xiàn)中BE-
6、EO等優(yōu)化算法,本文提出的改進(jìn)算法更為有效。
(4)在EOSAT的基礎(chǔ)上,將組合優(yōu)化問(wèn)題的骨架信息嵌入到搜索過(guò)程中,從而提出了一類(lèi)基于骨架信息導(dǎo)向的極值優(yōu)化算法(BGEO)。對(duì)大量Max-SAT問(wèn)題測(cè)試基準(zhǔn)的仿真結(jié)果表明:相比EOSAT和文獻(xiàn)中其它經(jīng)典的優(yōu)化算法,BGEO算法具有更良好的優(yōu)化性能。這為組合優(yōu)化算法的設(shè)計(jì)提供了一種新穎的且更為有效的思路和方法。
(5)在以上研究工作的基礎(chǔ)上,將MEO算法的基本思
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 螞蟻算法在組合優(yōu)化問(wèn)題中的應(yīng)用研究.pdf
- 32639.改進(jìn)免疫遺傳算法在組合優(yōu)化問(wèn)題中的應(yīng)用研究
- 差分進(jìn)化算法在組合優(yōu)化問(wèn)題中的應(yīng)用研究.pdf
- 改進(jìn)粒子群優(yōu)化算法及其在水庫(kù)優(yōu)化調(diào)度問(wèn)題中的應(yīng)用.pdf
- 改進(jìn)免疫遺傳算法及其在優(yōu)化調(diào)度問(wèn)題中的應(yīng)用研究.pdf
- 并行遺傳算法研究及其在組合優(yōu)化問(wèn)題中的應(yīng)用.pdf
- 改進(jìn)的遺傳算法在函數(shù)優(yōu)化問(wèn)題中的應(yīng)用研究.pdf
- 量子遺傳算法及其在組合優(yōu)化問(wèn)題中的應(yīng)用.pdf
- 細(xì)菌覓食優(yōu)化算法在組合優(yōu)化問(wèn)題中的研究與應(yīng)用.pdf
- 改進(jìn)人工蜂群算法及其在切削參數(shù)優(yōu)化問(wèn)題中的應(yīng)用研究.pdf
- 遺傳算法及其在函數(shù)優(yōu)化問(wèn)題中的應(yīng)用研究.pdf
- 人工免疫算法及其在優(yōu)化問(wèn)題中的應(yīng)用研究.pdf
- 捕食搜索及其在組合優(yōu)化問(wèn)題中的應(yīng)用.pdf
- 微粒群算法及其在離散優(yōu)化問(wèn)題中的應(yīng)用研究.pdf
- 風(fēng)驅(qū)動(dòng)優(yōu)化算法及其在電磁綜合問(wèn)題中的應(yīng)用研究.pdf
- 一種改進(jìn)型蟻群算法在組合優(yōu)化問(wèn)題中的應(yīng)用.pdf
- 遺傳算法的自適應(yīng)改進(jìn)及在無(wú)功優(yōu)化問(wèn)題中的應(yīng)用研究.pdf
- DNA自組裝模型在組合優(yōu)化問(wèn)題中的應(yīng)用研究.pdf
- 蟻群算法在組合優(yōu)化問(wèn)題中的若干應(yīng)用及其收斂性研究.pdf
- 粒子群算法在多維優(yōu)化問(wèn)題中的改進(jìn)研究.pdf
評(píng)論
0/150
提交評(píng)論