论文部分内容阅读
随着科技的发展,在人工智能和控制领域涌现出多目标、非线性、不可微甚至混杂的系统,经典优化方法不能有效求解,寻找一种适合大规模并行且具有智能特征的优化算法已成为有关学科的一个主要研究目标。混合蛙跳算法是智能优化领域兴起的一种新型智能优化方法,在多个应用领域已取得了较好的研究成果,已成为智能优化领域的热点之一。采用智能优化方法需要解决多于一个目标函数在指定区域上的优化,称之为多目标智能优化,多目标智能优化在工程和各种学科中得到了广泛的应用。论文首先介绍了最优化问题,包括传统的优化方法和群体智能优化算法,并阐述了其产生和发展,以及多目标优化问题的国内外研究现状、进展和理论基础。分析了混合蛙跳算法的理论基础、具体流程、参数设置、以及收敛性证明等等。将混合蛙跳算法与粒子群算法、遗传算法进行了比较。同时用改进的混合蛙跳算法确定河流水质模型参数为例,说明了混合蛙跳算法的有效性。其次,针对混合蛙跳算法局部搜索能力比较差,收敛速度不够快的缺点,对混合蛙跳算法进行了改进,并与多目标优化问题相结合,提出了两种改进的多目标混合蛙跳算法。①多目标量子混合蛙跳算法:将量子力学理论引入到混合蛙跳算法中,该算法中青蛙个体具有记忆功能,记录了自身经历的最好位置,用波函数来描述青蛙个体的状态,用概率密度函数表示青蛙个体出现的位置,并与多目标优化问题相结合。②多目标遗传混合蛙跳算法:将遗传算子引入到混合蛙跳算法中,该算法中青蛙个体的更新方式采用遗传算子中的交叉、变异理论。并与多目标优化问题相结合,提出了分类分组的分组方式,把互相不受支配的青蛙个体作为一类,具体分几组要根据各类中包含的青蛙个数决定。最后,将这两种改进的算法应用于多目标背包问题和小额贷款最佳比例优化两个实例,验证了改进算法的有效性。